- Код статьи
- 10.31857/S0016794022100224-1
- DOI
- 10.31857/S0016794022100224
- Тип публикации
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 63 / Номер выпуска 2
- Страницы
- 190-201
- Аннотация
- Одним из перспективных подходов к прогнозированию значений геомагнитных индексов является использование методов машинного обучения. Однако для эффективного использования таких методов необходим отбор существенных входных признаков задачи с целью уменьшения ее входной размерности. В данной работе рассматривается алгоритм получения наиболее эффективной модели прогнозирования, основанный на понижении входной размерности данных путем постепенного отбрасывания входных признаков на основе следующих методов машинного обучения: линейная регрессия, градиентный бустинг, искусственная нейронная сеть типа многослойный персептрон. Проводится сравнение эффективности перечисленных методов; рассматриваются направления дальнейшего развития работ.
- Ключевые слова
- Дата публикации
- 01.03.2023
- Год выхода
- 2023
- Всего подписок
- 0
- Всего просмотров
- 48
Библиография
- 1. − Белов А.В., Виллорези Дж., Дорман Л.И. и др. Влияние космической среды на функционирование искусственных спутников Земли // Геомагнетизм и аэрономия. Т. 44. № 4. С. 502‒510. 2004.
- 2. – Ермолаев Ю.И., Ермолаев М.Ю. Солнечные и межпланетные источники геомагнитных бурь: Аспекты космической погоды // ГЕОФИЗИЧЕСКИЕ ПРОЦЕССЫ И БИОСФЕРА. Т. 8. № 1. С. 5‒35. 2009.
- 3. – Ефиторов А.О., Мягкова И.Н., Широкий В.Р., Доленко С.А. Прогнозирование Dst-индекса, основанное на методах машинного обучения // Космич. исслед. Т. 56. № 6. С. 353‒364. 2018.
- 4. – Зорич В.А. Многомерная геометрия, функции очень многих переменных и вероятность // Теория вероятностей и ее применения. Т. 59. Вып. 3. С. 436‒451. 2014.
- 5. − Лазутин Л.Л. Мировые и полярные магнитные бури. М., МГУ. 214 с. 2012.
- 6. – Мягкова И.Н., Шугай Ю.С., Веселовский И.С., Яковчук О.С. Сравнительный анализ влияния рекуррентных высокоскоростных потоков солнечного ветра на радиационное состояние околоземного космического пространства в апреле-июле 2010 года // Астрон. вестн. Т. 47. № 2. С. 141–155. 2013.
- 7. − Мягкова И.Н., Широкий В.Р., Владимиров Р.Д., Баринов О.Г., Доленко С.А. Прогнозирование значений геомагнитного индекса Dst при помощи адаптивных методов // Метеорология и гидрология. № 3. С. 38‒46. 2021.
- 8. − Широкий В.Р. Сравнение нейросетевых моделей прогнозирования геомагнитного Dst-индекса на различных наборах данных и сравнение методов оценки качества работы моделей // XVII Всероссийская научно-техническая конференция “Нейроинформатика-2015” с международным участием. Сборник научных трудов. Ч. 2. М., НИЯУ МИФИ. С. 51‒60. 2015.
- 9. − Akasofu S.-I., S. Chapman S. Solar-Terrestrial Physics. Clarendon Press, Oxford. 889 p. 1972.
- 10. − Amata E., Pallocchia G., Consolini G. et al. Comparison between three algorithms for Dst predictions over the 2003–2005 period //J Atmos Sol-Terr Phys. V. 70. P. 496–502. 2008.
- 11. − Barkhatov N.A. et al. Comparison of efficiency of artificial neural networks for forecasting the geomagnetic activity index Dst // Radiophysics and Quantum Electronics. V. 43. № 5. P. 347 ‒355. 2000.
- 12. − Bortnik J., Chu X., Ma Q., Li W., Zhang X., Thorne R.M., Baker D.N. Artificial Neural Networks for Determining Magnetospheric Conditions // Machine Learning Techniques for Space Weather. P. 279–300. 2018.
- 13. − Breiman L., Friedman J.H., Olshen R., Stone C. // Classification and Regression Trees. Wadsworth, Belmont, CA. 1983.
- 14. − Breiman L. Random Forests // Machine Learning. V. 45. P. 5‒32. 2001
- 15. − Burton R.K., McPherron R.L., Russell C.T. An empirical relationship between interplanetary conditions and Dst // J. Geophys. Res. V. 80. P. 4204–4214. 1975.
- 16. − Dolenko S.A., Orlov Yu.V., Persiantsev I.G., Shugai Ju.S. Neural network algorithm for events forecasting and its application to space physics data // Lecture Notes in Computer Science. V. 3697. P. 527‒532. 2005.
- 17. − Friedman J.H. Stochastic Gradient Boosting // Computational Statistics and Data Analysis. V. 38. № 4. P. 367‒ 378. 2002.
- 18. − Haykin S. Neural Networks: A Comprehensive Foundation, 2nd ed. (Prentice Hall, 1998).
- 19. − Kataoka R., Miyoshi Y. Average profiles of the solar wind and outer radiation belt during the extreme flux enhancement of relativistic electrons at geosynchronous orbit // Ann. Geophys. V. 26. P. 1335‒1339. 2008.
- 20. − Lazzús J.A., Vega P., Rojas P., Salfate I. Forecasting the Dst index using a swarm-optimizedneural network // Space Weather. V. 15. P. 1068‒1089. 2017. https://doi.org/10.1002/2017SW001608
- 21. − Lindsay G.M., Russell C.T., Luhmann J.G. Predictability of Dst index based upon solar wind conditions monitored inside 1 AU // J. Geophys. Res. V. 104. № A5. P. 10 335‒ 10 344. 1999.
- 22. − Myagkova I., Shiroky V., Dolenko S. Prediction of geomagnetic indexes with the help of artificial neural networks // E3S Web of Conferences, 20: art. 02011, 2017. https://doi.org/10.1051/e3sconf/20172002011
- 23. − O’Brien T.P., McPherron R.L. Forecasting the ring current index Dst in real time // J. Atmosph. and Sol.-Terrestr. Phys. V. 62. P. 1295‒1299. 2000.
- 24. − Pallochia G. et al. Geomagnetic Dst -index forecast based on IMF data only // Ann. Geophys. V. 24. P. 989‒999. 2006.
- 25. − Patra S., Spencer E., Horton W., Sojka J. Study of Dst/ring current recovery times using the WINDMI model //J. Geophys. Res. V.116. A02212. 2011. https://doi.org/10.1029/2010JA015824
- 26. − Podladchikova T.V., Petrukovich A.A. Extended geomagnetic storm forecast ahead of available solar wind measurements // Space Weather: The International J. Research and Applications. V. 10. CiteID S07001. 2012.
- 27. − Pulkkinen T. Space Weather: Terrestrial Perspective // Living Rev. Solar Phys. 4. 1. URL (cited on 18 September 2007): http://www.livingreviews.org/lrsp-2007-1. 2007.
- 28. − Revallo M., Valach V., Hejda P., Bochníčeket J. Modeling of CME and CIR driven geomagnetic storms by means of artificial neural networks // J. Atm. and Sol. Terr. Phys. V. 110. № 9. 2014.
- 29. − Schrijver, Carolus J. et al. Understanding space weather to shield society: A global road map 772 for 2015–2025 commissioned by COSPAR and ILWS // Adv. in Space Res. V. 55. P. 2745‒2807. 2015.
- 30. − Sugiura M. Hourly values of equatorial Dst for the IGY // Ann. Int. Geophys. Pergamon Press, Oxford. V. 35. P. 9‒45. 1964.
- 31. − Wu J.-G., Lundstedt H. Geomagnetic storm predictions from solar wind data with the use of dynamic neural networks // J. Geophys. Res. V. 102. № A7. P. 14 255‒14 268. 1997.
