Бесплатный автореферат и диссертация по наукам о земле на тему

Применение алгоритмов искусственных нейронных сетей для краткосрочного метеопрогноза

ВАК РФ 25.00.30, Метеорология, климатология, агрометеорология

Автореферат диссертации по теме "Применение алгоритмов искусственных нейронных сетей для краткосрочного метеопрогноза"

_Министерство образования и науки Российской Федерации_

РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ ГИДРОМЕТЕОРОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ

На правах рукописи

УДК [519-2+519.6]:551.509.21

Грибин Алексей Сергеевич

ПРИМЕНЕНИЕ АЛГОРИТМОВ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ КРАТКОСРОЧНОГО МЕТЕОПРОГНОЗА

25.00.30 - метеорология, климатология, агрометеорология

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата ' физико-математических наук

Санкт-Петербург 2005

Диссертация выполнена на кафедре экспериментальной физики атмосферы Российского государственного гидрометеорологического университета.

Научный руководитель:

Доктор физико-математических наук, профессор Кузнецов Анатолий Дмитриевич

Официальные оппоненты:

доктор физико-математических наук

Егоров Александр Дмитриевич;

кандидат физико-математических наук, доцент

Еникеева Валентина Даутовна.

Ведущая организация:

Научный фонд «Международный центр по окружающей среде и дистанционному зондированию им. Нансена».

Защита состоится 15 декабря 2005 года в 15 часов 30 минут на заседании Диссертационного совета Д212.197.01 в Российском государственном гидрометеорологическом университете (195196, Санкт-Петербург, Малоохтинский пр., 98, тел. (812) 444-02-62).

С диссертацией можно ознакомиться в библиотеке Российского государственного гидрометеорологического университета.

Автореферат разослан 14 ноября 2005 года.

Ученый секретарь диссертационного совета, доктор физико-математических наук, профессор

А. Д. Кузнецов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Повышение эффективности методов прогноза метеорологической обстановки было и остается актуальной задачей науки. Это объясняется как чрезвычайной сложностью проблемы, которая требует привлечения методик, развитых в рамках самых различных направлений научного знания, так и постоянным совершенствованием инструментария, который может быть использован в этих целях.

В настоящее время можно констатировать существование достаточно развитой системы глобального прогноза, которая входит в гидрометеорологическую службу страны. Система включает в себя единую, хотя и недостаточно развитую, сеть станций наблюдения за метеорологическими величинами. Метеопрогноз опирается на крупномасштабную интерпретацию синхронных данных имеющихся станций наблюдения и производится на основе методов синоптической и динамической метеорологии. Этим и определяется заблаговременностъ и реальная точность выполняемого прогноза. Более высокие требования предъявляются к точности краткосрочных (на срок в пределах одних суток) прогнозов, что требует наличия в данном районе локальной станции наблюдений метеорологических величин. В последнее время, в связи с появлением автономных портативных метеостанций, проблема локального прогноза вновь становится объектом пристального внимания исследователей.

Интерес к локальному краткосрочному прогнозированию погодных явлений имеет очевидную практическую основу. Это, в первую очередь, существование опасных метеорологических явлений, способных нанести значительный ущерб промышленности, сельскохозяйственным объектам и транспорту. К их числу относятся явления погоды, связанные с ветром (шквалы, смерчи, метели), гололед и гололедица, ограничение видимости из-за туманов и осадков и т.д. Если локальные прогнозы по временным рядам производятся на базе результатов наблюдений на конкретной метеостанции, то на сегодняшний день используются, как правило, традиционные методы одномерной метеорологии (регрессионный анализ, АШМА, фильтрация данных, расчет средних многолетних величин и т.д.).

Однако в последнее время укрепилось ясное понимание того, что для оптимизации метеопрогноза необходимо предоставление специалистам-синоптикам не одного, а целого ансамбля возможных метеопрогнозов с указанием вероятности их реализации (А.В.Муравьев, И.А.Куликова, 2005). Поэтому вновь актуальными становятся методы одномерной метеорологии, которая в состоянии предложить альтернативный прогноз. Представляется, что эти методы еще далеко не исчерпаны и могут быть дополнены за счет совершенствования используемых алгоритмов и вычислительных средств. При этом одним из перспективных направлений их развития (с точки зрения поиска возможностей применения в метеорологии!.. является изучение и анализ алгоритмов искусственных нейронных сетей, рос. национальна

БИБЛИОТЕКА

■ и I' А

Целью диссертационного исследования является решение следующих задач:

- анализ эффективности применения стандартных алгоритмов нейронных сетей, разработанных для экстраполяции временных рядов, в целях краткосрочного прогноза метеорологических величин;

- поиск возможностей использования для этих целей альтернативных алгоритмов нейронных сетей, предназначенных для целей классификации (алгоритмов экспертных систем).

Методы исследования

При решении задач, связанных с формированием нейросетевых алгоритмов, использовался нейропакет STATISTICA Neural Networks (SNN) или его отдельные DLL-библиотеки. Специализированное программное обеспечение разрабатывалось на языке Visual Basic5 с дополнительным использованием библиотек пакета STATISTICA 5.0 (Visual Basic). В разделах работы, посвященных обработке результатов расчетов, а также оценке погрешностей измерений, применялись методы математической статистики. Широко использовались методы графического анализа и обобщения расчетных данных.

Обоснованность и достоверность результатов исследований Научная обоснованность и достоверность положений и выводов работы подтверждается результатами подробного статистического анализа многочисленных рядов данных, а также совпадением на достаточно высоком уровне статистической значимости прогнозируемых и зарегистрированных метеорологических величин.

Исходные данные зарегистрированы на метеопостах единой наблюдательной сети (Санкт-Петербург, Омск) и являются официальными. Кроме того, они были подвергнуты тщательному анализу и цензурированию на специально созданном программном комплексе. Использованное базовое программное обеспечение является лицензионным и многократно тестировалось.

Научная новизна

1. На примерах реальных временных рядов метеорологических величин, выполнен анализ эффективности применения стандартных алгоритмов нейронных сетей в целях получения метеопрогноза. Даны статистические оценки точности получаемых при этом результатов.

2. Предложен новый подход к интерпретации рядов метеорологических наблюдений, сводящий задачу метеопрогноза к экспертной оценке локальной метеорологической ситуации. Разработано специализированное программное обеспечение. По результатам численных экспериментов получены статистические оценки точности предлагаемой методики при краткосрочном прогнозе.

3. Разработана методика вероятностной интерпретации прогноза метеорологических величин.

Научная и практическая ценность

Показана работоспособность и дана оценка эффективности предложенной методики краткосрочного прогноза с использованием искусственных нейронных сетей. На примерах рядов метеорологических величин, зарегистрированных на двух станциях единой метеорологической сети, в районах с различными климатическими условиями, показана ее устойчивость и перспективность.

Предложенная методика краткосрочного прогноза не требует значительных материальных затрат при внедрении, проста и удобна в применении, скорость обработки данных определяется возможностями вычислительных средств, которые постоянно возрастают. Она может быть использована при построении автономных локальных систем краткосрочного прогнозирования на базе стандартной или портативной метеостанции.

Вероятностная интерпретация предложенной методики дает специалистам -синоптикам дополнительный инструмент для получения ансамбля прогнозов погоды с указанием вероятности реализации каждого из его представителей.

Реализация результатов планируется в учебном и научно-исследовательском процессе на кафедре Экспериментальной физики атмосферы Российского государственного гидрометеорологического университета. Результаты работы могут быть использованы при разработке систем автоматизации процесса получения прогноза погоды.

Апробация работы

Результаты диссертационного исследования докладывались на научном семинаре кафедры ЭФА в 2005г, а также на итоговой сессии Ученого совета РГГМУ в январе 2005года. Тезисы докладов опубликованы в соответствующем сборнике тезисов и информационных материалов.

На защиту выносятся:

1. Результаты исследования эффективности применения стандартных алгоритмов искусственных нейронных сетей, разработанных для анализа временных рядов, в целях краткосрочного прогноза метеорологических величин;

2. Методика экспертной оценки (с помощью ПЭВМ) метеорологической ситуации, позволяющая оперативно предоставить в руки специалистов вероятностный ансамбль прогнозов для осуществления локального предсказания погоды.

Структура и объем диссертации

Диссертация состоит из Введения, шести глав, Заключения, списка Литературы и Приложения. Общий объем работы без Приложения составляет 130 страниц машинописного текста, включая 54 рисунка и 16 таблиц. Список Литературы содержит 73 наименования.

СОДЕРЖАНИЕ РАБОТЫ

Во Введении обосновывается актуальность темы диссертационного исследования, формулируется цели и задачи работы, отмечена ее научная новизна, выбираются пути и методы проведения исследований. Глава 1 посвящена анализу современного состояния проблемы прогнозирующих систем в метеорологии. Анализируются особенности метеопрогноза и цели его использования, формулируются основные понятия и определения проблемы прогнозирования. Рассмотрены основные методы прогнозирования погодных параметров, существующие в настоящее время. Отмечено, что в последние годы достигнут значительный прогресс в развитии систем прогнозирования по ансамблям. Основой прогресса стало не только быстрое развитие вычислительной техники, но и понимание того, что детерминированные прогнозы не являются "научными" в полном смысле этого слова, так как не сопровождают результат прогноза оценкой возможной ошибки (Теппкев № 1999).

В целях конкретизации масштаба ошибки метеопрогноза затронуты вопросы, связанные с возможностями традиционных методов (сверх)краткосрочного прогноза поведения временных рядов (регрессионный анализ, АШМА, учет среднестатистических трендов и т.д.) и оценкой точности получаемых при этом результатов. Наиболее репрезентативной величиной для этих оценок выбрана температура Т.

В качестве опорных методов использованы: инерционный прогноз - "завтра будет так же, как сегодня", линейная авторегрессия и прогноз на основе предложенной И.Н. Русиным и Г.Г. Таракановым (1996г) методики. При этом требуемая точность по величине Т оценивается в доли градуса.

а

б

Рис. 1 Сводные данные по результатам оценочных прогнозов температуры

На примере анализа суточного хода температуры воздуха (Санкт-Петербург, март - май 1979г, интервал наблюдения 3 часа) получена статистическая оценка точности указанных методик. На Рис. 1а представлены графики прогноза температур на три часа вперед, (град С.), а также графики ошибок этих прогнозов. При этом использованы следующие обозначения:

1 - данные измерения температуры воздуха,

2 - расчетный тренд температуры воздуха,

3 — прогноз с учетом тренда,

4 - ошибка прогноза 3,

5 — прогноз по линейной экстраполяции,

6 - ошибка прогноза 5.

Результаты выполненных прогнозов представлены также в Таблице 1, где Время - время суток в часах,

Тн - усредненные данные ежедневных наблюдений, Ттр - суточный тренд за анализируемый период, Тп1 - прогноз с учетом суточного тренда (прогноз 3),

01 - средняя ошибка этого прогноза,

Тп2 - прогноз по линейной экстраполяции (прогноз 5),

02 - средняя ошибка этого прогноза,

е1 - среднеквадратичная ошибка прогноза 3, е2 - среднеквадратичная ошибка прогноза 5.

Таблица 1 Данные результатов прогноза температуры воздуха по приближенным методикам

Время Тн Ттр Тп1 о1 Тп2 о2 е1 е2

0 3,6 -1Д2 2,8 -0,04 2,29 0,54 0,15 0,16

3 2,8 -1,87 2,8 -0,5 2,03 0,32 0,17 0,17

6 2,3 -1,69 3,6 -0,06 1,87 1,75 0,17 0,26

9 3,6 0,29 6,5 -0,50 4,89 1,12 0,23 0,25

12 6,0 3,91 4,6 2,66 8,41 -1,10 0,36 0,25

15 7,3 3,76 6,6 0,22 8,59 -1,68 0,23 0,2

18 6,9 1,73 6,8 -1,67 6,52 -1,34 0,33 0,32

21 5,1 0,01 3,9 -0,12 3,45 0,36 0,22 0,22

После сопоставления представленных результатов можно сделать следующие выводы:

- прогнозы суточного хода температуры имеют различные ошибки в зависимости от времени наблюдений,

- сравнивая среднеквадратические ошибки, вычислены по всему ряду наблюдений, невозможно однозначно отдать предпочтение какой либо из методик.

В руководстве (И.Н. Русин, Г.Г. Тараканов 1996) указано, что предложенную методику целесообразно применять лишь для краткосрочного прогноза величины Т в условиях малооблачной и тихой погоды, в других условиях лучшие результаты дает формальная экстраполяция. Поэтому представленные выше результаты целесообразно рассматривать как оценочные. В дальнейшем они используются как оценка ошибки традиционных методов краткосрочного прогноза.

Кроме того, при проведении расчетов получена реальная функция распределения ошибки "инерционного" прогноза (по существу она является первой структурной функцией 51 для температуры Т). Эта функция была сопоставлена с нормальной функцией распределения,

/(х) = е~"2'2 /42тсо ^ х = 5Г¡о (1)

где величина дисперсии а выбрана в соответствии с данными Таблицы 1. Результаты сопоставления показаны на Рис. 16, индекс 1 соответствует реальной функции распределения, а индекс 2 - нормальной функции. Результаты свидетельствуют о том, что предположение о нормальном распределении ошибок не вполне соответствует специфике метеорологических процессов, реальная функция распределения является более "острой". В связи с этим оценка точности прогнозов в настоящей работе производилась не только по "эффективной" величине <т, но и по проценту попадания результатов прогноза в заранее заданный интервал точности - П%. Для целей прогноза температуры воздуха Т, этот интервал составляет до 1 °С.

В Главе 2 рассматривается современное состояние теории нейронных сетей и их применение на практике. Даются основные понятия и определения, описаны основные модели нейронных сетей, приводится краткий обзор работ, посвященных этой проблеме. Затронуты вопросы, связанные с обучением нейронных сетей, подготовкой исходных данных и методами оценки влияния погрешностей в исходных данных на получаемые результаты. Отмечается, что направление применения теории нейронных сетей к анализу временных рядов в настоящее время продолжает бурно развиваться.

В качестве преимуществ нейронных сетей отмечены высокая параллельность вычислений, замена алгоритмического программирования обучением на примерах, простота аппаратного ускорения вычислений. Отмечено наличие двух типов алгоритмов, предназначенных для решения различных классов задач:

- анализа временных рядов;

- экспертных оценок, классификации или распознавания образов.

Глава 3 посвящена описанию общего подхода к прогнозированию временных рядов на базе нейронных сетей. Кратко представлены задачи, решаемые в настоящее время на этой основе. Этот круг достаточно широк и охватывает диапазон от генетики до финансовой сферы. Отмечено, однако, что примеры применения нейросетевых алгоритмов к рядам метеорологических величин в литературе практически отсутствуют.

Поэтому, в качестве аналога, рассмотрены многочисленные примеры применения нейросетей в сфере финансовой деятельности. Приведены результаты анализа конкретных прогнозов вычислений по финансовым временным рядам. Отмечено, что применение нейронных сетей в этой сфере существенно улучшает качество прогноза (до двух раз по сравнению с методом "инерционного" прогноза, линейной регрессии и т.д.).

Выполнен сравнительный анализ основных существующих нейропакетов -программ построения нейросетей (Brain Maker, MPIL, BrainCel, Excel Neural Package, Fuzzy Logic Tooboox). Представлено обоснование выбора пакета STATISTICA Neural Networks (SNN), как основы для проведения исследований в целях, сформулированных в диссертационной работе. Решающую роль при этом сыграло наличие в пакете разумного метода автоматического отбора наиболее значимых предикторов (генетический алгоритм). В Главе 4 дается подробное описание использованной в диссертационной работе базы данных наблюдений метеорологических величин и представлены результаты применения пакета STATISTICA Neural Networks для получения прогнозов по имеющимся временным рядам.

Для создания базы данных были выбраны результаты наблюдений двух метеопостов, расположенных в районах с различными типами климата - Санкт-Петербург (60° с.ш., 1997-2004ГГ) и Омск (55° с.ш., 1984 -1988гг).

ю

Щ

1

<30000000 1......1

""' .....ыяшп

» 1

Ы

-И«"»

Рис.2 Графическое отображение данных наблюдений метеопоста Санкт-Петербург

Стандартный файл с метеорологической информацией в не високосный год содержит 2920 членов ряда, зарегистрированных с интервалом 3 часа, по каждому из следующих 20 стандартных показателей:

- дата,

- срок,

- общее количество облаков (баллы),

- количество облаков нижнего, среднего и верхнего яруса,

- высота облаков (визуально и инструментально),

- видимость,

- явление погоды в срок,

- явление погоды между сроками,

- направление ветра, град,

- скорость ветра м/с,

- температура, °С,

- точка росы, °С,

- давление, ГПа.

На рис.2 представлен пример графического отображения 800 первых членов ряда для метеопоста Санкт-Петербург (12 из указанных выше величин).

Рис.3 Графическое отображение исходных данных в программе 'ТогеСавГ

Особое внимание было уделено проверке качества исходного материала (наличие пропусков, выбросов и т.д.). Ввиду значительного объема информации, в процессе выполнения данной работы было разработано специализированное претраммное обеспечение для графического просмотра, цензурирования и корректировки исходных данных в базе, а именно, программа 'ТогеСай". Одной из функций этой системы и является корректировка исходных данных в базе.

На рис.3 представлен пример графического контроля исходных данных с помощью программы 'ТогеСаг!:" по станции Санкт-Петербург. В данном примере на экран компьютера выведено сообщение, полученное в результате указания "мышью" сомнительной точки на графике давления Р и дополнительная информация по кластеризации данных.

Далее в работе анализируются возможности стандартных алгоритмов искусственных нейронных сетей для целей непосредственного прогноза временных рядов метеорологических величин.

Наиболее распространенный в настоящее время способ прогнозирования основан на традиционном методе окон. Постановка задачи прогноза.

В этом методе предполагается, что имеется абстрактный временной ряд

(2)

где х, - действительные числа.

На основе этого ряда необходимо построить его продолжение X':

, Х2,--.рСп1 Хп+1, Хп+2,■ ■ ■

) (3)

Для этого разобьем временной ряд на окна длины /+1:

Хъ Х2,..., X/, Х/+1

Х2,Хз,...,Х,+ЬХ;+2 (4)

Х/Ь Х*+1,..., Х/+*_1, Хп

и

Затем, на основе стандартных алгоритмов построим многослойный

персептрон, имеющий / входов и один выход. Проводится его обучение с помощью алгоритма обратного распространения на базе следующей обучающей последовательности:

X!, Хн-ь-.Х/+Ы -> хм, 1=1.. .и-/ (5)

При этом предполагается наличие скрытых зависимостей в данной последовательности как множестве наблюдений. Нейронная сеть обучается на этих наблюдениях и соответственно настраивает свои коэффициенты, пытается извлечь эти зависимости. Сеть должна иметь достаточное количество свободных параметров (весовых коэффициентов) для запоминания предложенной ей последовательности.

Получение решения на основе построенной нейронной сети заключается в следующем:

значение хп+1 (3) снимается с выхода построенной выше нейронной сети при подаче на вход вектора:

(х*.,+1, Х„./+2, -.., х„), (6)

где п - длина исходного временного ряда; I — размер окна.

Значение хп+2 находится аналогично, на вход сети подается вектор:

(хп-/+2, Х„./+з,..., хя4¡), (7)

где п — длина исходного временного рада; /—размер окна; Таким образом, теоретически исходный ряд можно продолжать сколь угодно долго, находя следующие значения на основе предыдущих. В рассматриваемой Главе описана также методика прогнозирования температуры воздуха на основе временных рядов по нескольким синоптическим параметрам.

Рис.4 Примеры применения нейросетевых алгоритмов программы БЫЛ для прогноза поведения метеорологических величин

В диссертационной работе сравнивались несколько вариантов прогноза метеорологических величин с использованием имеющихся алгоритмов искусственных нейросетей. В этих целях были использованы следующие временные ряды:

- 1, ряд по температуре Т;

- 2, ряды по Т и первой структурной фунции<ЯГ;

- 3, ряды по температуре, характеристикам облачности, ветру и барической тенденции;

- 4, рады по температуре и характеристикам облачности;

- 5, ряды по температуре, направлению и скорости ветра;

- 6, ряды по температуре, характеристикам облачности, направлению и скорости ветра;

- 7, ряды по температуре и другим значимым синоптическим параметрам.

Тип и значимость указанных в последнем варианте параметров для прогноза

величины Т определялись непосредственно средой на базе одного из

имеющихся здесь алгоритмов: "генетического алгоритма отбора". Этот

алгоритм рассмотрен в Главе 3 настоящей работы.

Рис.5 Ошибки прогнозов температуры воздуха полученных с помощью нейросетевых алгоритмов (7 прогнозов)

Расчет ошибок прогнозов, на примере временного хода температуры воздуха (ось X) для метеопоста "Омск" представлен на рис.5.

Результаты статистического анализа ошибок, проведенного в настоящей работе, показывают, что "в целом", различные варианты прогноза имеют один порядок точности. Выпадает лишь вариант 3 - попытка максимального учета наибольшего числа метеовеличин. При более детальном анализе обращает на себя внимание тот факт, что в точках резкого изменения температуры, где "проваливаются" все традиционные методики, нейронные сети функционируют

13

достаточно успешно. Это позволяет сделать вывод о том, что, не ухудшая качество прогноза, нейронная сеть повышает его надежность.

Рис.6 Функции распределения ошибок прогноза температуры воздуха полученные по различным нейросетям (1-7)

Обобщенные результаты расчетов по величинам "эффективной" дисперсии а и реальному проценту точности прогноза П%, представлены в Таблице 2.

Таблица 2 Обобщенные данные прогноза температуры воздуха по нейросетевым алгоритмам.

Метод а П %

Проведен критический анализ полученных результатов прогнозирования и констатируется определенное улучшение качества прогнозов по сравнению с традиционными методами (до двух раз, см. Табл.2 и Табл.1). Такой результат не является неожиданным, аналогичные данные приводятся в литературе. В работе анализируются также основные характеристики генерируемых пакетом нейросетей (для метеопрогнозов) и дается оценка быстроты их обучения.

Глава 5 целиком посвящена разработке нового подхода к интерпретации рядов метеорологических наблюдений в целях проведения краткосрочного метеопрогноза. Данная методика опирается на наличие большого объема данных, накопленных за весь период наблюдений. Это обстоятельство, впрочем, характерно для всех методик использующих нейросетевые алгоритмы. Суть предлагаемого подхода состоит в сведении задачи прогноза поведения временных рядов различных метеопараметров к задаче экспертной оценки

прогноза

2

3

4

5

6 7

0,15 0,20

0,17 0,19

0,18 0,26

0,23 0,25

0,36 0,34

0,23 0,4

0,33 0,32

степени "близости" текущей локальной метеорологической ситуации к одной из ранее реализовавшихся в данном районе. Далее, для проведения указанной экспертной оценки, используются алгоритмы нейронных сетей, предназначенные для решения задач классификации или распознавания образов.

Вводится понятие "близости" двух локальных метеорологических ситуаций. Степень такой "близости" предлагается оценивать по совокупности отклонений рядов отдельных метеопараметров, при этом каждое из отклонений может характеризоваться одним числом. Этим числом может быть, например, величина 8 среднеквадратичного отклонения я предыдущих членов текущего ряда наблюдений данного параметра от q аналогичных членов в ряду, который был зарегистрирован ранее (в предыдущие периоды наблюдений) в аналогичное время суток. При этом для экономии времени, могут анализироваться лишь отрезки рядов, соответсвующие по сезону текущему временному периоду (например, текущий день года плюс- минус полмесяца). Критерием выбора "наиболее близкой" метеорологической ситуации, который будет использован для обучения нейронной сети, может быть, например, ситуация в которой реализуется наилучший прогноз по наиболее интересующему параметру (например, температуре). Альтернативной возможностью является попадание всех прогнозируемых величин в требуемые интервалы точности.

Определив с помощью метеорологической базы данных дату реализации "наиболее близкой" метеорологической ситуации, логично предположить, что и в последующий период времени эта ситуация окажется "достаточно близкой". Таким образом, получается краткосрочный прогноз по всем имеющимся в базе метеорологическим величинам.

Несмотря на интуитивный характер предлагаемой методики, который, впрочем, соответствует специфике нейросетевых алгоритмов, можно привести достаточно серьезные аргументы в ее защиту:

- в качестве прогноза используются реальные, а не расчетные отрезки временных рядов метеорологических величин, выбранные с учетом наличия суточной и сезонной цикличности. Таким образом в полной мере учитывается специфика решаемой задачи;

- основой предлагаемой методики является наличие связей между различными метеорологическими величинами и изменением значений этих величин во времени. Все эти связи естественны. Основой для такого утверждения являются пространственно - временные зависимости, накладываемые уравнениями динамической метеорологии, все они заранее, а не с помощью каких либо рассуждений, уже присутствуют в используемых временных рядах;

- в оценках "близости" может быть использован достаточно длинный временной ряд данных, что позволяет учесть пространственную неоднородность и трехмерный, синоптический характер рассматриваемых процессов;

- аналогичным образом, "скрытно'', методика учитывает и наличие метеорологических величин не нашедших отражение в исходных данных. Формально, если бы они были представлены в базе данных, по ним также мог быть бы выдан краткосрочный прогноз;

- по мере накопления информации в базе данных по интересующему району точность предложенной методики возрастает.

Ниже представлены материалы по формализации предлагаемого подхода, а именно - методика обработки временных рядов метеоэлементов для дальнейшего их использования в нейросетевых алгоритмах классификации и распознавания.

Задача формулируется следующим образом. Требуется произвести прогноз поведения временного ряда X (п), 1 £ п <> N, где X (п)={х 0, п)} - вектор наблюдаемых величин, 1 N - длина ряда, Я - количество наблюдаемых величин.

Пусть из этих величин выбрано Ь предикторов, которые образуют ряд А (п), где А (п) ={а(], п)} - вектор наблюдаемых величин - предикторов, \<=]<Ь. Прогноз требуется осуществить на с1 шагов вперед с точностью, которая задается вектором критериальных величин х, Для каждого из j предикторов. Для решения задачи вводится формальное понятие близости двух метеорологических ситуаций (апостериорной): две ситуации, которые соответствуют номерам пик рассматриваемого временного ряда, считаются близкими, если их развитие на Б шагов вперед, будет находиться в пределах заданных критериев прогноза.

Например, для вектора реализаций А(п+1) на шаге 8 выполняются соотношения

f{e..,!xQ,тi + i))йzJ,Wlъь<яí), при 1=8, (8)

где s ..- матрица линейных отклонений последующих измерений.

В случае справедливости (8) некоторой булевской величине Success (n,k) присваивается значение 1 в противном случае 0.

Функции /(s,а)определяются типом заданного критерия. Например, при задании в качестве критерия абсолютной величины ошибки предиктора, f{s, а )=(«•[, при задании относительной величины ошибки, f{s, а )=/ а[ и т.п. Для априорной оценки ситуации из наблюдений, предшествующих моментам п и к, формируется вектор Апк среднеквадратично - взвешенных отклонений предикторов

s =a(j,n + i)-a(j,k +i)),

1 < / < d

ДлА = {<У,}л*

s = a (j, n - q + i) - a (j, k - q + i),

где s..- матрица линейных отклонений предшествующих измерений, q - длина

используемого предшествующего временного интервала, р.. - заданный

вектор весовых коэффициентов, характеризующий значимость n-i - того наблюдения для прогноза j- того предиктора.

Выдвигается гипотеза, что между вектором Д = {<У;} и булевской величиной Success, характеризующей успех прогноза при заданных отклонениях {Sj} предикторов, имеется некоторая функциональная связь

Success(A) = Ф(Д) = 0{S„..SJ,...^L) , (10)

которая может быть конкретизирована с помощью аппарата искусственных нейронных сетей.

При этом должно выполнятся соотношение

Success (n, k) = Success(Ank) , (11)

Для обучения нейронных сетей распознаванию этой нетривиальной связи из исходной информации необходимо сформировать обучающий массив. В представленных ниже формулах учитывается наличие в ряде периодической компоненты с периодом р. Случай р = 1 соответствует отсутствию такой компоненты.

Формирование обучающего массива информации происходит следующим образом.

Рассматривается произвольно выбранное на отрезке N - q число п и составляется подмножество индексов к в соответствии с формулами

n =nO+hxp к=nO+rnxp

nO=LMod р M=(L-nO)/p-d ^2)

1 <m <М, 1 <h<N-d,

Далее, для произвольных h и m из заданных интервалов, по формулам (8) - (12) рассчитываются вектор Апк и величина Success (n,k), которые совместно формируют учебный вектор School (n,k). Множество таких векторов, отобранных по принципу равного представительства положительных и отрицательных вариантов, формируют учебный массив.

В случае удачного обучения на указанном материале нейронной сети получается экспертная система, отвечающая на вопрос: "Пригодна ли синоптическая ситуация к для прогноза дальнейшего изменения метеорологических величин в ситуации п?". В случае положительного ответа на этот вопрос логично рассчитывать, что получаемый прогноз будет иметь силу не только для выбранных предикторов, но и для всех величин и явлений, отраженных в использованной базе данных. Входным вектором для экспертной системы (нейросети) является вектор Апк, рассчитанный по материалам текущих наблюдений.

11 73200

1 ^ ^

<5а- Скорость ветра

1?а5Э900

1

| I I

¿-Давление

1.00000

Рис.7 Пример расчета компонент вектора при заданном п в зависимости от к, в случае выбора шести указанных предикторов. Расчет производился для 8=1(3 часа), р=ч=8 (24 часа), р= 1. Критериями точности являлись: по направлению ветра -^,=30 градусов; по температуре -%,=1 градус "С;

по скорости ветра — х,= 20%; (13)

по давлению ~х, — 5 Гпа.; по общей облачности х, - 2 балла; по влажности - %ь= 2 °С точки росы.

Произвольная точка на горизонтальной оси соответствует одному обучающему примеру для нейросети.

Из представленной выше методики следует, что функциональная связь (10), в ее полном виде, должна быть записана следующим образом

Я«с№(Д, 5, Д) = Ф(81Я, , Р„) (14)

т.е. конкретному набору аргументов соответствует своя

нейронная сеть. Вопрос об оптимальном выборе этих параметров будет являться задачей дальнейших исследований.

В настоящей работе принималось ц = р = 8, 6=8, /Зу-1, критерии ^.варьировались в пределах до 200% по сравнению с (13), заблаговременность

прогноза Э - от 1 до 8, что соответствует периодам от 3 часов до одних суток. Следует отметить, что представленная методика формально допускает получение как целого ансамбля прогнозов, так и отсутствие таковых по причине недостаточности объема имеющейся исторической базы данных по конкретному объекту. В последнем случае можно рекомендовать (с

определенной натяжкой) использовать данные ближайшего метеопоста или снизить используемые критерии точности прогноза.

Что касается возможности получения по данной методике ансамбля прогнозов, то такая ситуация вполне соответствует современным взглядам на стохастический характер метеопроцессов. Прогноз по ансамблю реализаций находится сейчас в центре внимания метеорологов.

Примечательно, что формально процедура (8) - (13) может быть описана в терминах нейросетевых алгоритмов и равносильна введению в нейросеть дополнительного слоя нейронов с известными синапсическими связями (нейроны на основе радиально-симмметричных функций). Таким образом, по принятой в теории нейросетей классификации, результирующая сеть является гибридной. Поскольку стандартные нейропакеты не позволяют работать с гибридными сетями, было разработано дополнительное программное обеспечение.

Рис.8 Программа 'ТогеСаяГ

На рис.8 представлен пример обучения трехслойного персептрона распознаванию функции успеха 5«ссе«(<Указаны исходные данные по шести предикторам, показана архитектура построенной нейросети, рельеф функции в плоскостях Скорость ветра - Температура и

Направление ветра - Влажность, а также результаты статистической обработки распределения результатов прогноза температуры воздуха по группам точности (квантилям).

Л. «¡м 1 «ш.

Глава 6 посвящена применению алгоритмов пакета STATISTICA Neural Networks для получения краткосрочного метеопрогноза по новой методике. Подробно описывается процедура проведения численных экспериментов по прогнозированию погоды на основе временных рядов по нескольким синоптическим параметрам. Представлены используемые форматы файлов.

Рис.9 Конфигурации нейронных сетей, полученные для метеопрогноза по шести предикторам.

00 00

а в

Рис.10 Рельеф функции 5иссв«л(А) а - плоскости Температура - Облачность, б - плоскости Облачность-Скорость ветра.

Обсуждаются особенности процесса обучения и получаемые на выходе конфигурации нейронных сетей. Так сеть, представленная на рис.9а способна корректно распознавать возможность прогноза метеорологической ситуации с точностью до 95% по шеста предикторам, указанным на рис.8. При введении в исходные данные случайных погрешностей на уровне 10%, уровень распознавания данной нейросети снижается до 90%. В то же время сравнительный анализ значимости различных предикторов, предусмотренный в нейропакете позволяет говорить о слабом влиянии на результат таких величин как давление и влажность. При их исключении из числа предикторов, нейросеть, (рис.9б) показывает результат до 85% распознавания.

На рис.Юа представлен рельеф функции Зыссе^Д) (см. формулу 14) в плоскости Температура - Облачность, а на рис.106 в плоскости Облачность-Скорость ветра, реализуемые нейросетью рис.9а.

В качестве примера анализируется применение разработанной методики для анализа метеорологической ситуации на 8 часов 22 июля 2001г.

Рис 11. Ансамбль прогнозов, полученный на 8 часов 22 июля 2001 года

На рис. 11 представлен конкретный пример получения ансамбля прогнозов в программе ТогеСа^".

Далее в работе представлены результаты проведения численных расчетов, оценка быстродействия предложенной методики, методы оперативного формирования нейросетей и проведения прогнозов.

По результатам численных экспериментов дан статистический анализ качества получаемых прогнозов метеоэлементов (на примере прогноза температуры воздуха).

Таблица 3. Статистическая оценка ошибок прогноза температуры воздуха на 3,6 и 9 часов. (Омск, 1984-1988гг, 17520 членов рада)

Время а П%

3 3,6 95

6 2,8 80

9 2,3 69

В Заключении даны рекомендации относительно дальнейших исследований в данном направлении, а также сформулированы основные выводы по работе.

В результате проведенного диссертационного исследования были поставлены и успешно решены следующие задачи:

1. Произведен анализ эффективности применения стандартных алгоритмов нейронных сетей, разработанных для экстраполяции временных рядов в цепях краткосрочного прогноза метеорологических величин. Получены статистические оценки точности результатов численных экспериментов.

2. Разработан и реализован новый подход к интерпретации данных метеорологических наблюдений, сводящий задачу прогноза к экспертной оценке локальной метеорологической ситуации, для проведения которой используются алгоритмы нейронных сетей.

3. Вероятностная интерпретация предложенной методики дает специалистам синоптикам дополнительный инструмент для получения ансамбля прогнозов погоды с указанием вероятности реализации каждого из его представителей.

4. Разработано специализированное программное обеспечение, включающее средства графического просмотра, цензурирования и корректировки исходных данных в базе и средства, реализующие краткосрочный прогноз на основе нейросетей.

5. Показана работоспособность и дана оценка эффективности предложенной методики краткосрочного прогноза. По результатам численных экспериментов получены статистические оценки точности предлагаемой методики при краткосрочном прогнозе.

6. На примерах рядов метеорологических величин, зарегистрированных на двух станциях единой метеорологической сети в районах с различными климатическими условиями (Санкт-Петербург, Омск) в различные временные периоды, показана ее устойчивость и перспективность.

7. Предложены рекомендации по дальнейшему развитию и использованию предложенной методики краткосрочного прогноза метеорологических величин.

Библиографический список по теме диссертационного исследования

1. Грибин А.С, Кузнецов А.Д. Анализ возможностей применения стандартного аппарата нейронных сетей для краткосрочного прогноза временного хода температуры воздуха. // Материалы итоговой сессии ученого совета 25-26 января 2005 г. Информ. материалы. - СПб.: изд. РГГМУ 2005 С.21-23.

2. Грибин A.C. Использование преобразования Фурье для повышения эффективности обучения и применения нейронных сетей в задачах анализа временных рядов.// Материалы итоговой сессии ученого совета 25-26 января 2005 г. Информ. материалы. - СПб.: изд. РГТМУ 2005 С.21-23.

3. Грибин A.C. Новая методика использования временных радов метеорологических величин для краткосрочного прогноза температуры воздуха. // Сборник трудов международной школы - конференции молодых ученых "Изменение климата и окружающая среда" 6-9 декабря 2005, Информ. материалы. - СПб. изд. РГГМУ (в печати).

Грибин A.C.

Подписано в печать 07.11.2005.г. Формат 60x84 1/16.Бумага офсетная. Печать офсетная. Усл. печ. л.1,3. Тираж 100 экз. Заказ № 222

Отпечатано в ООО «Издательство "ЛЕМА"»

199004, Россия, Санкт-Петербург, В.О., Средний пр., д.24, тел./факс: 323-67-74 e-mail: izd_lema@mail.ru

»222 67

РНБ Русский фонд

2006-4 17957

Содержание диссертации, кандидата физико-математических наук, Грибин, Алексей Сергеевич

Введение.

1 Прогнозирующие системы в метеорологии: состояние проблемы.

1.1 Метеорологический прогноз и цели его использования.

1.2 Основные понятия и определения проблемы прогнозирования.

1.3 Методы прогнозирования синоптических параметров

1.4 Модели временных последовательностей, регрессионный анализ.

1.5 Традиционные методы краткосрочного прогноза: оценка точности на примере прогноза температуры.

2" Нейронные сети: состояние проблемы.

2.1 Основные понятия и определения.

2.2 Модели нейронных сетей.

2.3 Подготовка исходных данных и обучение нейронных сетей

2.4 Задачи, решаемые на основе нейронных сетей. ф 2.5 Опыт применения нейронных сетей.

3 Прогнозирование на основе нейронных сетей.

3.1 Общий подход к прогнозированию с помощью нейронных сетей.

3.2 Опыт применения нейронных сетей для анализа временных рядов в финансовой сфере.

3.3 Сравнительные характеристики современных нейропакетов ф 3.4 Обоснование выбора пакета STATISTICA Neural

Networks(SNN), как основы для проведения исследований.

4 Прогноз по временным рядам метеовеличин с применением стандартных алгоритмов нейронных сетей (SNN).

4.1 Описание использованной базы исходных данных

4.2 Методика прогнозирования на основе временных рядов по нескольким синоптическим параметрам

4.3 Результаты численных экспериментов по построению нейронных сетей.

4.4 Результаты метеопрогнозов получаемых по нейросетям.

4.5 Критический анализ полученных результатов.

5 Разработка альтернативной методики для краткосрочного метеопрогноза.

5.1 "Сценарный" подход к интерпретации длинных временных рядов метеорологических величин.

5.2 Методика близких синоптических ситуаций (БСС): формализация.

5.3 Методика обработки и анализа временных рядов для дальнейшего использования в нейросетевых ф алгоритмах БСС.

5.4 Разработка специализированных программных средств.

5.5 Особенности процесса обучения и качество работы получаемых нейронных сетей.

6 Применение методики БСС для получения краткосрочного метеопрогноза. ф 6.1 Отобранные конфигурации нейросетей и методика проведения численных экспериментов.

6.2 Ансамбли метеопрогнозов и их вероятностная интерпретация.

6.3 Применение разработанной методики для анализа метеорологической ситуации на 22 июля 2001 г.

6.4 Результаты расчетов, оценка быстродействия методики для оперативного проведения прогнозов

6.5 Статистический анализ качества получаемых прогнозов на примере прогноза температуры воздуха.

6.6 Разработка рекомендаций по использованию и дальнейшему развитию предложенной методики краткосрочного прогноза.

Введение Диссертация по наукам о земле, на тему "Применение алгоритмов искусственных нейронных сетей для краткосрочного метеопрогноза"

Повышение эффективности методов прогноза метеорологической обстановки было и остается актуальной задачей науки. Это объясняется как чрезвычайной сложностью проблемы, которая требует привлечения методик развитых в рамках самых различных направлений научного знания, так и постоянным совершенствованием инструментария, который может быть использован в этих целях [1,2].

В настоящее время можно констатировать существование достаточно развитой системы глобального прогноза, которая входит в гидрометеорологическую службу страны [1,3]. Система включает в себя единую, хотя и недостаточно развитую, сеть станций наблюдения за метеорологическими величинами. Метеопрогноз опирается на крупномасштабную интерпретацию синхронных данных имеющихся станций наблюдения и производится на основе методов синоптической и динамической метеорологии [1-7]. Этим и определяется заблаговременность и реальная точность выполняемого прогноза.

Более высокие требования предъявляются к точности краткосрочных (на срок в пределах одних суток) прогнозов, что требует наличия в данном районе локальной станции наблюдений метеорологических величин [7]. В последнее время, в связи с появлением автономных портативных метеостанций [8], проблема локального прогноза вновь становится объектом пристального внимания исследователей.

Интерес к локальному краткосрочному прогнозированию погодных явлений имеет очевидную практическую основу. Это, в первую очередь, существование опасных метеорологических явлений, способных нанести значительный ущерб промышленности, сельскохозяйственным объектам и транспорту. К их числу относятся явления погоды, связанные с ветром (шквалы, смерчи, метели), гололед и гололедица, ограничение видимости из-за туманов и осадков и т.д. [9-10].

Если локальные прогнозы по временным рядам производятся на базе результатов наблюдений на конкретной метеостанции, то на сегодняшний день используются, как правило, традиционные методы одномерной метеорологии' (регрессионный анализ, ARIMA, фильтрация данных, расчет средних многолетних величин и т.д. [11-15]).

В последнее время укрепилось ясное понимание того, что для оптимизации метеопрогноза необходимо предоставление специалистам-синоптикам не одного, а целого ансамбля возможных метеопрогнозов [3]. Достигнут значительный прогресс в развитии систем прогнозирования по ансамблям. Основой прогресса стало не только быстрое развитие вычислительной техники, но и понимание того, что детерминированные прогнозы не являются "научными" в полном смысле этого слова, так как не сопровождают результат прогноза оценкой возможной ошибки [16].

Поэтому вновь актуальными становятся методы одномерной метеорологии, которая в состоянии предложить альтернативный прогноз. Представляется, что эти методы еще далеко не исчерпаны и могут быть существенно дополнены за счет совершенствования используемых алгоритмов и вычислительных средств. При этом одним из перспективных направлений исследований является изучение и анализ алгоритмов искусственных нейронных сетей. Этому кругу вопросов и посвящена данная диссертация.

Целью настоящего диссертационного исследования является решение следующих задач: анализ эффективности применения стандартных алгоритмов нейронных сетей, разработанных для экстраполяции временных рядов, в целях краткосрочного прогноза метеорологических величин; поиск возможностей использования для этих целей альтернативных алгоритмов нейронных сетей, предназначенных для целей классификации (алгоритмов экспертных систем). ф Для решения этих задач в работе выбраны следующие направления проведения исследований:

Осуществить литературный поиск с целью получения статистически обоснованных оценок точности традиционных методов краткосрочного прогноза.

Произвести сравнительный анализ основных существующих нейропакетов - программ построения нейросетей. и выбрать на этой основе пакет наиболее подходящий для целей настоящей работы. На основе сбора материалов зарегистрированных на метеостанциях единой сети создать достаточно объемную базу данных, включающих временные ряды, охватывающие не менее 4- 5 лет регулярных наблюдений.

На конкретных примерах метеорологических величин, выполнить расчеты с применением стандартных алгоритмов нейронных сетей, разработанных для экстраполяции временных рядов, в целях краткосрочного прогноза метеорологических величин. Получить статистические оценки точности результатов проведенных численных экспериментов.

Сформулировать новый подход к интерпретации метеорологических наблюдений, опирающийся на наличие достаточно длинных рядов значимых метеовеличин. Это позволило бы свести задачу локального прогноза к экспертной оценке степени соответствия •щ текущей метеорологической ситуации и некоторой ситуации, имевшей место в прошлом и зарегистрированной в базе данных. Разработать соответствующее программное обеспечение. По результатам численных экспериментов получить статистические оценки точности предлагаемой методики при краткосрочном прогнозе. Ф

Методы исследования

При решении задач, связанных с формированием нейросетевых алгоритмов, использовался нейропакет STATISTICA Neural Networks (SNN) или его отдельные DLL-библиотеки. Специализированное программное обеспечение разрабатывалось на языке Visual Basic5 с дополнительным использованием библиотек пакета STATISTICA 5.0 (Visual Basic). В разделах работы, посвященных обработке результатов расчетов, а также оценке погрешностей измерений, применялись методы математической статистики. Широко использовались методы графического анализа и обобщения расчетных данных.

Обоснованность и достоверность результатов исследований Научная обоснованность и достоверность положений и выводов работы подтверждается результатами подробного статистического . анализа многочисленных рядов данных, а также совпадением на достаточно высоком уровне статистической значимости прогнозируемых и зарегистрированных метеорологических величин.

Исходные данные зарегистрированы на метеопостах единой наблюдательной сети (Санкт-Петербург, Омск) и являются официальными. Кроме того, они были подвергнуты тщательному анализу и цензурированию на специально созданном программном комплексе. Использованное базовое программное обеспечение является лицензионным и многократно тестировалось.

Научная новизна.

1. На примерах реальных временных рядов метеорологических величин, выполнен анализ эффективности применения стандартных алгоритмов нейронных сетей в целях получения метеопрогноза. Даны статистические оценки точности получаемых при этом результатов.

2. Предложен новый подход к интерпретации рядов метеорологических наблюдений, сводящий задачу метеопрогноза к экспертной оценке локальной метеорологической ситуации. Разработано специализированное программное обеспечение. По результатам численных экспериментов получены статистические оценки точности предлагаемой методики при краткосрочном прогнозе.

3. Разработана методика вероятностной интерпретации прогноза метеорологических величин.

Научная и практическая ценность.

Показана работоспособность и дана оценка эффективности предложенной методики краткосрочного прогноза с использованием искусственных нейронных сетей. На примерах рядов метеорологических величин зарегистрированных на двух станциях единой метеорологической сети, в районах с различными климатическими условиями, показана ее устойчивость и перспективность.

Предложенная методика краткосрочного прогноза не требует значительных материальных затрат при внедрении, проста и удобна в применении, скорость обработки данных определяется возможностями вычислительных средств, которые постоянно возрастают. Она может быть использована при построении автономных локальных систем краткосрочного прогнозирования на базе стандартной или портативной метеостанции.

Вероятностная интерпретация предложенной методики дает специалистам дополнительный инструмент для получения ансамбля прогнозов погоды с указанием вероятности реализации каждого из его представителей.

Реализация результатов

Реализация результатов работы планируется в учебном и научно-исследовательском процессе на кафедре Экспериментальной физики атмосферы Российского государственного гидрометеорологического университета. Результаты работы могут быть использованы при разработке систем автоматизации процесса получения прогноза погоды.

Апробация работы

Результаты диссертационного исследования докладывались на научном семинаре кафедры ЭФА в 2005г, на итоговой сессии Ученого совета РГГМУ в январе 2005г, а также на международной школе - конференции молодых ученых "Изменение климата и окружающая среда" в декабре 2005г. Тезисы докладов опубликованы в соответствующих сборниках тезисов и информационных материалов.

На защиту выносятся:

1. Результаты исследования эффективности применения стандартных алгоритмов искусственных нейронных сетей, разработанных для анализа временных рядов, в целях краткосрочного прогноза метеорологических величин.

2. Методика экспертной оценки (с помощью ПЭВМ) метеорологической ситуации, позволяющая оперативно предоставить в руки специалистов вероятностный ансамбль прогнозов для осуществления локального предсказания погоды.

Структура и объем диссертации

Диссертация состоит из введения, шести глав, заключения, списка литературы и приложения. Общий объем работы без приложения составляет 130 страниц машинописного текста, включая 64 рисунка и 12 таблиц. Список литературы содержит 73 наименования.

Заключение Диссертация по теме "Метеорология, климатология, агрометеорология", Грибин, Алексей Сергеевич

Заключение

Диссертационная работа посвящена исследованию эффективности различных методов применения алгоритмов искусственных нейронных сетей для краткосрочного метеопрогноза.

В результате проведенного исследования были поставлены и успешно решены следующие задачи:

1. Проанализированы возможности традиционных методов краткосрочного прогноза метеорологических величин и на основе численных экспериментов получены оценки их эффективности.

2. Выполнен обзор зарубежного и отечественного опыта применения аппарата искусственных нейронных сетей для проведения анализа поведения временных рядов.

3. Проведен сравнительный анализ основных существующих на рынке программ построения искусственных нейросетей. Представлено подробное обоснование выбора пакета STATISTICA Neural Networks (SNN) как основы для проведения исследований.

4. Произведен анализ эффективности применения стандартных алгоритмов нейронных сетей, разработанных для экстраполяции временных рядов, в целях краткосрочного прогноза метеорологических величин. Получены статистические оценки точности результатов численных экспериментов.

5. Разработан и реализован новый подход к интерпретации данных метеорологических наблюдений, сводящий задачу прогноза к экспертной оценке локальной метеорологической ситуации, для проведения которой используются алгоритмы нейронных сетей.

6. Вероятностная интерпретация предложенной методики дает специалистам- синоптикам дополнительный инструмент для получения ансамбля прогнозов погоды с указанием вероятности реализации каждого из его представителей.

7. Разработано специализированное программное обеспечение, включающее средства графического просмотра, цензурирования и корректировки исходных данных в базе и средства, реализующие краткосрочный прогноз на основе нейросетей.

8. Показана работоспособность и дана оценка эффективности предложенной методики краткосрочного прогноза. По результатам численных экспериментов получены статистические оценки точности предлагаемой методики при краткосрочном прогнозе.

9. На примерах рядов метеорологических величин, зарегистрированных на двух станциях единой метеорологической сети в районах с различными климатическими условиями (Санкт-Петербург, Омск) в различные временные периоды, показана устойчивость альтернативной методики и ее перспективность.

10. Предложены рекомендации по дальнейшему развитию и использованию предложенной методики краткосрочного прогноза метеорологических величин.

Библиография Диссертация по наукам о земле, кандидата физико-математических наук, Грибин, Алексей Сергеевич, Санкт-Петербург

1. Матвеев JI.T. Курс общей метеорологии. Физика атмосферы. JL: Гидрометеоиздат, 1976.-677 с.

2. Хргиан А.Х. Физика атмосферы. JL: Гидрометеоиздат, 1969.- 640 с.

3. Муравьев А. В., Кузнецова И.А. Ансамбли прогнозов: методы, проблемы, перспективы. Метеорология и гидрология. // 2005.-3. с. 3246.

4. Адамов П.Н. Служба погоды. JL: Гидрометеоиздат, 1968.- 40 с.

5. Вайсберг Дж. С. Метеорология. Погода на Земле. JL: Гидрометеоиздат, 1980.- 248 с.

6. Рубинштейн К.Г. и др. Воспроизведение приземной температуры воздуха и ее изменчивости. // Метеорология и гидрология. 2004.- 12.

7. Русин И.И., Тараканов Г. Г., Сверхкраткосрочные прогнозы погоды.-СП-б: РГГМИ, 1996.-308 с.

8. Метеостанция с беспроводной передачей сигнала датчика. Best. Nr. 12- 02-70. фирма Conrad Electronic/InterSystem. 1941214 С-Пб.- 42 с.

9. Кислов А.В. Климат в прошлом, настоящем и будущем. М.: МАИК "Наука-Интерпериодика", 2001.

10. Хандожко JI.A. Региональная оценка успешностии экономической полезности метеорологических прогнозов. Спб.: РГГМИ, 1994.- 231 с.

11. Бокс Дж, Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, Вып.1, Вып.2., 1974.

12. Андерсен Т. Статистический анализ временных рядов. М.: Мир, 1976. -475 с.

13. Бриллинджер Д. Временные ряды. М.: Мир, 1980. - 623 с.

14. Тюрин Ю.Н., Макаров А.А. Статистический анализ данных на компьютере/ Под ред. В.Э.Фигурнова. М.: ИНФРА-М, 1988. - 528 с.

15. STATISTIC А. Искусство анализа данных на компьютере. 2-е издание.-М.: Питер, 2003.- 631 с.

16. Tennekes H. Karl Propper and the accountability of numerical forecasting. / In New Developments in Predictabibility. ECMWF Workshop Proceedings,1991.- 127 p.

17. Силов Б.В. Принятие стратегических решений в нечеткой обстановке.-М.: ИНПРО-РЕС, 1995.-297 с.

18. Прикладные нечеткие системы./ Под редакцией Т.Тэрано. М.: Мир, 1993.-411 с.

19. Бакулин П.И,.и др. Курс общей астрономии. М.: Наука, 1966. -692с.

20. Калитин Н. Н., Актинометрия, JL: Гидрометеоиздат, 1938.- 397 с.

21. Розенблатт Ф. Принципы нейродинамики: Персептроны и теория механизмов мозга. М.: Мир, 1965. - 164 с.

22. Минский М., ПейпертС. Персептроны. М.: МИР, 1971. - 261 с.

23. Rosenblatt F. The peseptron: a probabilistic model for information storage and organization in the brain//Psychol. Rev. 1958. V. 65. P. 386.

24. Маккалох Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности. // Автоматы. М.: ИЛ, 1956.- 211 с.

25. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.- 361 с.

26. Горбань А.Н. Обучение нейронных сетей. М.: СП Пара Граф, 1991.-235с.

27. Нечеткие множества в моделях управления и искусственного интеллекта/ Под редакцией Поспелова. — М.: Наука, 1986.- 183 с.

28. Джеффри Е. Хинтон. Как обучаются нейронные сети.// В мире науки ,1992. -N 11 -N 12 -с. 103-107.

29. Spect D.F. Probablistic Neural Networks. Neural Networks3(l), 1990. -129p.

30. Haykin S. Neural Networks: A Comprehensive Foundation. New Yoork: Macmillan Publishing, 1994. - 478 p.

31. Bishop C. Neural Networks for Pattern Recognition. Oxford: University Press, 1995.-P. 671-679.

32. Иванченко А.Г. Персептрон системы распознавания образов. - К.: Наукова думка, 1972.- 142с.

33. Соколов Е.Н., Вайтнявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру.- М.: Наука, 1989. 283 с.

34. Тэнк Д.У., Хопфилд Д.Д. Коллективные вычисления в нейроноподобных электронных схемах. //В мире науки. 1988. - N 2. -С. 44-53.

35. Трикоз Д.В. Нейронные сети: как это делается?// Компьютеры + программы. 1993. - N 4(5). - С. 14-20.

36. Lippman R.P. An introduction to computing with neural nets. IEEE ISSP Magazine. Apr. 1987.- P.4-22

37. Aarts E.H.L., Korst J.H.M. Boltzmann machines for travelling salesman problem//European J. Oper. Res. 1989. V. 39. - P. 79-95.

38. Abu-Mostafa Y.S., Jaques J.N.St. Information capacity of the Hopfield model/ЯЕЕЕ Trans. Inform. Theory. 1985. V. 31. - P.461.

39. Amari S. Field theory of self-organizing neural networks//IEEE Trans. Syst., Man, Cybern. 1983. V. 13. - P. 741.

40. Athale R., Stirk C.W. Compact architectures for adaptive neural nets//Ibid. 1989. V. 28.

41. Cohen M.A., Grossberg S. Absolute stability of global pattern formation and parallel memory storage by competitive neural networks/ЯЕЕЕ Trans. Syst., Man, Cybern. 1983. V. 13. - N 5. - P. 815-826.

42. Hopfield J.J., Feinstein D.I., Palmer F.G. Unlearning has a stabilizing effect in collective memories//Nature. 1983. V. 304. - P. 141-152.

43. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities.//Proc. Natl. Acad. Sci. 1984. V. 9. - P. 147-169.

44. Hopfield J.J., Tank D.W. Neural computation of decision in optimization problems.//Biol. Cybernet. 1985. V. 52. - P. 397-426.

45. Jeffery W., Rosner R. Neural network processing as a tool for friction optimization.//Neuronet Comput. Conf., Snowbird, Utah, Apr. 13-16, 1986. New York, N.Y., 1986 P. 241-246.

46. Kuzewski Robert M., Myers Michael H., Grawford William J. Exploration of fourword error propagation as self organization structure.//IEEE 1st. Int. Conf. Neural Networks, San Diego, Calif., June 21-24, 1987. V. 2. - San Diego, Calif., 1987. - P. 89-95.

47. Lippmann Richard P. Gold Ben Neuronet classifiers useful for speech recognition // IEEE 1st. Conf. Neural Networks, San Diego, (Calif), 1987. -P. 417-425.

48. Rumelhart B.E., Minton G.E., Williams R.J. Learning representations by back propagating error// Wature, 1986. V. 323. - P. 1016-1028.

49. GrossG., Galiana F.D. Short Term Load Forecasting // Procs IEEE, 1987, v. —75. N12. - P.1558—1573.

50. Ranman S., Bhatnagar R. An Expert System Based Algorithm for Short Term Load Forecast // IEEE Trans, on Power Systems, 1988. v.3. - N 2. -P.392—399.

51. Liu K., et al. Comparison of Short-Term Load Forecasting Techniques // IEEE Trans, on Power Systems, 1996. v.ll.- N2.- P.877—882.

52. Нейронные сети и компактные волны. 2001 г http://alife.narod.ru/lectures/wavelets2001/part3.html

53. Картавцев В.В. Нейронная сеть предсказывает курс доллара?// Компьютеры + программы. 1993. - N 6(7). - с. 10-13.

54. Цуприков С. Нейронные вычисления берутся на вооружение финансистами.// Computerworld Moscow. - 1985. - N 7. - с. 57-58.

55. Чертков М., Грималюк А. Методика валютного прогнозирования// Одесские деловые новости. 1995 - май N 16 - с. 4.

56. Athale R., Stirk C.W. Compact architectures for adaptive neuraal nets//Ibid. 1989. V. 28. N4.

57. Bardcev S.I., Okhonin V.A. The algorithm of dual functioning (back-propagation): general approach, vesions and applications. Krasnojarsk: Inst, of biophysics SB AS USSA. 1989.

58. Carpenter G.A., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine.//Comput. Vision Graphics Image Process. 1986. -V. 37. - P. 54-115.

59. Cohen M.A., Grossberg S. Absolute stability of global pattern formation and parallel memory storage by competitive neural networks//IEEE Trans. Syst., Man, Cybern. 1983. - V. 13. - N 5. - P. 815-826.

60. Dayhoff J. Neural network architectures //New-York:Van Nostrand reinhold, 1991.- 532p.

61. Fox G.C., Koller J.G. Code generation by a generalized neural networks: general principles and elementary examples.//.!. Parallel Distributed Comput. 1989.-V. 6.-N2.-P. 388-410.

62. Логовской M.A. Зарубежные нейропакеты: современное состояние и сравнительные характеристики. Нейрокомпьютер. N 1-2.1998.- С. 125141.

63. Медведев В.,.Потемкин В. Нейронные сети: MATLAB 6. М.: Диалог-МИФИ, 2002. - 496 с.

64. Нейронные сети. Statistica Neural Networks. М.: Горячая линия -Телеком: Грааль, 2001.- 316с.

65. Круглов, В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия —Телеком: Грааль. 2001.- 127 с.

66. Вороновский Г.К. и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности.— X.: ОСНОВА, 1997.- 483 с.

67. М.А.Назаренко, Р.Е.Письменный, Д.Г.Серов. Распознавание среднего гауссовой случайной величины двухслойным персептроном при наличии шума. Дубна: ОЯИИ, 1996.- 471 с.

68. KohonenT. Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43, 1982, p. 59-69

69. Kirkpatrick S. Optimization by simulated annealing. Sience, 1983,220, p.671-680.

70. KohonenT. Improved versions of learning vector quantization. International Joint Conference on NeuralNetworks 1, 545-550. San-Diego, CA.