|
ИСТИНА |
Войти в систему Регистрация |
Интеллектуальная Система Тематического Исследования НАукометрических данных |
||
Итеративный отбор существенных входных признаков при решении задач прогнозирования состояния магнитосферы Землитезисы доклада
- Авторы: Исаев И.В., Щуров Н.О., Баринов О.Г., Доленко С.А., Мягкова И.Н.
- Сборник: Девятнадцатая ежегодная конференция “Физика плазмы в Солнечной системе” 5-9 февраля 2024, сборник тезисов докладов
- Тезисы
- Год издания: 2024
- Место издания: ИКИ РАН Москва
- Первая страница: 307
- Аннотация: При прогнозировании состояния магнитосферы Земли с помощью методов машинного обучения необходим учёт предыстории входных параметров. Это связано с тем, что магнитосфера представляет собой динамическую систему, состояние которой зависит не только от воздействия на неё со стороны солнечного ветра, но и от предыстории. Если не используются рекуррентные алгоритмы, то учёт предыстории осуществляется с помощью так называемого погружения (топологического вложения) входного многомерного временного ряда – подачи на вход задержанных значений параметров в определённом диапазоне задержек. Однако при этом существенно возрастает входная размерность задачи, что является нежелательным в условиях ограниченного количества данных. В то же время входные признаки, соответствующие одной и той же физической переменной с близкими значениями задержки, несут сходную информацию. Всё это обусловливает необходимость понижения входной размерности задачи. В данной работе рассматривается понижение размерности с помощью итеративного алгоритма отбора существенных входных признаков [1], специально предназначенного для работы в условиях наличия сильной взаимосвязи признаков. В работе сравниваются между собой и рассматриваются с физической точки зрения множества признаков, отобранных алгоритмом как существенные, при прогнозировании значений геомагнитного индекса Dst на 1 и 3 часа, геомагнитных индексов Dst и Kp на 3 часа, потока релятивистских электронов (с энергией > 2 МэВ) на геостационарной орбите и индекса Dst на 1 и 3 часа. Показано, что использование алгоритма во всех случаях позволяет кратно понизить количество входных признаков задачи с сохранением уровня погрешности прогнозирования. При этом отбираемые признаки оказываются легко объяснимыми с физической точки зрения. Конкретное количество отбираемых признаков зависит от параметров алгоритма. При прогнозировании одной и той же физической величины с разными горизонтами прогноза алгоритм отбирает множества признаков, лишь незначительно отличающиеся друг от друга. Подробное сравнение этих множеств, а также множеств признаков, отбираемых алгоритмом при прогнозировании различных физических величин, приводится в докладе. Исследование выполнено за счет гранта Российского научного фонда № 23-21-00237, https://rscf.ru/project/23-21-00237/. 1. N.Shchurov, I.Isaev, O.Barinov, I.Myagkova, S.Dolenko. Iterative Selection of Essential Input Features under Conditions of their Multicollinearity in Space Weather Time Series Forecasting. Pattern Recognition and Information Processing (PRIP’2023). Artificial Universe: New Horisont [Electronic resource]: Proceedings of the 16th International Conference, October 17–19, 2023, Belarus, Minsk, Belarusian State University. Eds. A.Nedzved, A.Belotserkovsky. Minsk: BSU, 2023, pp.316-319. ISBN 978-985-881-522-6.
- Добавил в систему: Исаев Игорь Викторович