2024. — Т 16. — № 3 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/07nzvn324.html

Полный текст статьи в формате PDF (объем файла: 881.5 Кбайт)

Ссылка для цитирования этой статьи:

Жукова, Ж. С. Сравнение методов прогнозирования температур по данным штата Квинсленд, Австралия / Ж. С. Жукова, В. В. Ерофеева, Т. А. Тагоев [и др.] // Вестник Евразийской науки. — 2024. — Т 16. — № 3. — URL: https://esj.today/PDF/07NZVN324.pdf (дата обращения: 16.03.2025).

Сравнение методов прогнозирования температур по данным штата Квинсленд, Австралия

Жукова Жанна Сергеевна
Ордена Трудового Красного Знамени
ФГБОУ ВО «Московский технический университет связи и информатики», Москва, Россия
Старший преподаватель
E-mail: assamblee@mail.ru
ORCID: https://orcid.org/0000-0002-9828-4413
РИНЦ: https://elibrary.ru/author_profile.asp?id=1061900
SCOPUS: https://www.scopus.com/authid/detail.url?authorId=57219179989

Ерофеева Виктория Вячеславовна
Ордена Трудового Красного Знамени
ФГБОУ ВО «Московский технический университет связи и информатики», Москва, Россия
ФГАОУ ВО «Российский университет дружбы народов имени Патриса Лумумбы», Москва, Россия
Доцент
Кандидат биологических наук, доцент
E-mail: erofeeva-viktori@mail.ru
ORCID: https://orcid.org/0000-0002-0236-1876

Тагоев Тимур Ахмаджонович
Ордена Трудового Красного Знамени
ФГБОУ ВО «Московский технический университет связи и информатики», Москва, Россия
E-mail: mifers@mail.ru

Убушаев Никита Евгеньевич
Ордена Трудового Красного Знамени
ФГБОУ ВО «Московский технический университет связи и информатики», Москва, Россия
E-mail: nikita.ubushaec@gmail.ru

Фёдоров Игорь Александрович
Ордена Трудового Красного Знамени
ФГБОУ ВО «Московский технический университет связи и информатики», Москва, Россия
E-mail: powerfed@mail.ru

Аннотация. В работе авторами представлены результаты прогнозирования температурных изменений на основе массива данных пяти метеорологических станций штата Квинсленд, Австралия. Было проведено сравнение методов random forest regressor, k-nearest neighbors, linear regression, seasonal autoregressive integrated moving average для прогнозирования изменения температур до 2030 года на разных широтах штата с использованием методов регрессии и метода временных рядов seasonal autoregressive integrated moving average. Фактические значения температуры, используемые для прогнозирования, были собраны в два файла: «kvin2.xlsx» и «kvshir1.xlsx». «kvin2.xlsx» содержит фактические температуры для пяти станций за период с 1856 по 2022 год, в то время как «kvshir1.xlsx» содержит фактические температуры для 236 станций за тот же период. Более подробное сравнение изменчивости температуры из файла «kvin2.xlsx» было проведено с использованием метода случайного леса для пяти станций. Кроме того, точность прогноза для этих станций была рассчитана для двух прогонов, поскольку при прогнозировании использовался случайный разброс с использованием метода случайного леса. Каждый прогон программы выдает новые значения, основанные на тех, которые доступны в файле «kvin2.xlsx». В итоге были получены предсказания, учитывающие случайные величины, различные (но не значительно) для каждого прогона программы. Точность была рассчитана путем сравнения прогнозируемых температур для двух прогонов с фактическими температурами из первого файла. Для прогнозирования температуры из файла «kvshir1.xlsx» применялись такие методы, как k-nearest neighbors, линейная регрессия и seasonal autoregressive integrated moving average, без использования случайного разброса. Для этого из множества станций было выбрано девять с длинными рядами наблюдений, т. к. этого количества достаточно для наглядной демонстрации работы программы. В результате сравнения различных методов при прогнозировании random forest regressor показал, что данный метод прогнозирует значения температур с точностью не ниже 96,164 %, самая маленькая среднеквадратичная ошибка высчитывается в методе k-nearest neighbors: 0,175. На основе random forest regressor было проведено прогнозирование по пяти станциям до 2030 года.

Ключевые слова: Австралия; климат; прогнозирование; random forest regressor; k-nearest neighbors; linear regression; seasonal autoregressive integrated moving average

Скачать