Speaker
Description
Разработана и применена модель полносвязной нейронной сети для краткосрочного прогноза скорости ветра в 3 различных пунктах наблюдения г. Томск по измеренным историческим значениям метеорологический параметров за предыдущие часы.
Порывы ветра, и особенно интенсивные порывы, являются актуальными для общества, но чрезвычайно сложными для прогнозирования. Предложена методика коррекции численных прогнозов скорости порывов ветра, получаемых на основе мезомасштабной модели численного прогноза погоды, с использованием модели полносвзяной нейронной сети и данных наблюдений на метеостанциях.
Архитектуры построенных искусственных нейронных сетей состоят из последовательных нескольких слоев: входного слоя, одного-трех скрытых и выходного полносвязных слоев. Увеличение количества скрытых слоев более трех не привело к улучшению производительности и качества прогнозирования искусственной нейронной сети. В рассматриваемых нейронных сетях оптимальный поиск весовых коэффициентов осуществляется методом адаптивной инерции с коррекцией весовых коэффициентов путем добавления L2-регуляризации AdamW (вариант стохастического градиентного спуска) [1]. В качестве функции потерь использовалась функция Хьюбера [2] – комбинация среднеквадратичной ошибки при малых погрешностях и средней абсолютной ошибки при больших.
- Loshchilov I., Hutter F. Fixing weight decay regularization in adam // arXiv preprint arXiv:1711.05101. 2017.
- Huber P.J. Robust Estimation of a Location Parameter // Ann. Math. Statist. 1964. V. 35, No. 1. P. 73-101.
| Секция конференции | Методы искусственного интеллекта и машинного обучения |
|---|
