Построение регрессионных моделей для прогнозирования метеорологических величин
Представлен обзор и классификация моделей и методов прогнозирования временных рядов. Проведено исследование и программные эксперименты по построению прогнозных моделей. Разработана архитектура программного комплекса по построению регрессионных моделей для прогнозирования метеорологических величин. Описана технологическая схема развертывания и использование программного комплекса по построению регрессионных моделей для прогнозирования метеорологических величин. Приведены результаты по расчету экономической составляющей разработанного программного обеспечения. Оценены риски возникновения опасных факторов.
Введение…………………………………………………………………………………………… 18
1 Обзор и классификация моделей и методов прогнозирования
временных рядов …………………………………………………………………………………………. 20
1.1 Регрессионные модели ………………………………………………………………. 21
1.2 Авторегрессионные модели ……………………………………………………….. 24
1.3 Модели экспоненциального сглаживания …………………………………… 27
1.4 Нейросетевые модели ………………………………………………………………… 29
1.5 Модели на базе цепей Маркова ………………………………………………….. 30
1.6 Модели на базе классификационно-регрессионных деревьев ……… 30
1.7 Другие модели и методы прогнозирования ………………………………… 31
1.8 Комбинированные модели …………………………………………………………. 32
1.9 Сравнение моделей прогнозирования ………………………………………… 34
1.10 Вывод по разделу ………………………………………………………………………. 35
2 Исследование и программные эксперименты по построению
прогнозных моделей ……………………………………………………………………………………. 37
2.1 Аддитивная регрессионная модель …………………………………………….. 37
2.2 Оценка качества аддитивной регрессионной модели ………………….. 42
2.3 Сезонная интегрированная модель авторегрессии – скользящего
среднего (SARIMA)……………………………………………………………………………………… 43
2.4 Вывод по разделу ………………………………………………………………………. 51
3 Архитектура программных модулей вычислительного комплекса по
построению регрессионных моделей для прогнозирования метеорологических
величин 52
3.1 Среда разработки ………………………………………………………………………. 52
3.2 Метеорологические данные ……………………………………………………….. 52
3.3 Взаимодействие модулей программного комплекса …………………… 55
4 Программная реализация модулей комплекса по построению
регрессионных моделей ……………………………………………………………………………….. 60
4.1 Программная реализация модели Prophet …………………………………… 61
4.2 Программная реализация модели SARIMA ………………………………… 68
4.3 Вывод по разделу ………………………………………………………………………. 76
5 Финансовый менеджмент, ресурсоэффективность и
ресурсосбережение………………………………………………………………………………………. 78
5.1 Предпроектный анализ ………………………………………………………………. 78
5.1.1 Потенциальные потребители результатов исследования ….. 78
5.2 SWOT-анализ ……………………………………………………………………………. 78
5.3 Инициация проекта ……………………………………………………………………. 79
5.3.1 Организация и планирование работ…………………………………. 80
5.3.2 Продолжительность этапов работ ……………………………………. 82
5.3.3 Расчет нарастания технической готовности работ……………. 85
5.4 Расчет сметы затрат на разработку ПО и проведение эксперимента
5.4.1 Расчет затрат на материалы …………………………………………….. 87
5.4.2 Расчет основной заработной платы …………………………………. 87
5.4.3 Расчет отчислений от заработной платы ………………………….. 88
5.4.4 Расчет затрат на электроэнергию …………………………………….. 89
5.4.5 Расчет прочих расходов ………………………………………………….. 90
5.4.6 Расчет общей себестоимости разработки …………………………. 90
5.5 Оценка экономической эффективности проекта …………………………. 90
5.5.1 Оценка научно-технического уровня НИР ………………………. 91
5.6 Вывод по разделу ………………………………………………………………………. 95
6 Социальная ответственность ……………………………………………………… 96
6.1 Введение …………………………………………………………………………………… 96
6.2 Производственная безопасность ………………………………………………… 96
6.2.1 Вредные производственные факторы ………………………………. 98
6.2.2 Опасные производственные факторы…………………………….. 104
6.2.3 Минимизация воздействия вредных и опасных факторов . 105
6.3 Экологическая безопасность ……………………………………………………. 107
6.4 Безопасность в чрезвычайных ситуациях …………………………………. 109
6.4.1 Минимизация возможности возникновения пожара ………. 109
6.5 Правовые и организационные вопросы обеспечения безопасности
6.5.1 Правовые нормы трудового законодательства ……………….. 111
6.5.2 Организация рабочего места при работе с ПЭВМ ………….. 114
6.6 Вывод по разделу …………………………………………………………………….. 114
Заключение …………………………………………………………………………………….. 116
Список источников …………………………………………………………………………. 117
ПРИЛОЖЕНИЕ А ………………………………………………………………………… 123
РАЗДЕЛЫ НА ИНОСТРАННОМ ЯЗЫКЕ ……………………………………….. 123
1 Overview and classification of models and methods of time series
forecasting… ………………………………………………………………………………………………. 124
1.1 Regression models …………………………………………………………………….. 125
1.2 Autoregressive models ……………………………………………………………….. 128
1.3 Models of exponential smoothing………………………………………………… 130
Актуальность темы. Прогнозирования будущих значений временного
ряда на основе его исторических значений является ядром для решения таких
задач, как: планирования складского контроля, оптимизации и управления
объемов производства, финансового планирования в торговле и экономике
[1,2].
В развитых странах наблюдения за климатом и прогноз погоды давно
стали категориями экономическими. В мире каждый год умирают около
250 000 человек из-за стихийных бедствий. Также наносится ущерб имуществу
во всем мире, который оценивается в пределах 3100-6200 млрд. рублей.
Согласно мировой статистике: если доверять гидрометеорологической
информации и реагировать на нее адекватно, то можно полностью избежать
жертв среди людей и предотвратить 30-40% ущерба имуществу [1,2].
Использование метеорологической информации в сельском хозяйстве,
авиации, рыболовстве и судоходстве, энергетике, строительстве, также дает
заметный экономический эффект.
С точки зрения науки предсказание погоды – одна из сложнейших задач
физики атмосферы.
Для прогнозирования метеорологических явлений и их величин имеются
различные методы, такие как, статистические методы, численные,
синоптические, но пока в полном объеме ни один из методов не обеспечивает
точного прогноза. Именно поэтому исследования в области прогнозирования
метеорологических величин являются полезными и важными, а тема –
актуальной.
В настоящее время различными организациями по наблюдению за
погодой осуществляется накопление исторических значений
метеорологических величин в базах данных, что значительно приумножает
количество подающейся на входе информации для задач прогнозирования.
Вместе с тем, развитие программных и аппаратных средств дает возможность
реализации сложных алгоритмов прогнозирования. Наряду с развитием
технологического прогресса задача прогнозирования временных рядов
усложняется. Кроме того, ввиду увеличения стихийных бедствий, к точности
прогнозирования погоды предъявляют все более строгие требования.
В настоящее время неотъемлемой частью ежедневной работы многих
организаций является задача обработки и анализа временных рядов с целью
построить прогнозную модель, адекватно описывающей исследуемый процесс.
В этом им способствует большое множество моделей прогнозирования. классы
Авторегрессионные и нейросетевые модели являются наиболее популярными и
широко используемыми [3]. Большое количество свободных параметров,
идентификация которых неоднозначна и ресурсоемка, является существенным
недостатком авторегрессионного класса [4]. Недоступность промежуточных
вычислений, выполняющихся в «черном ящике», является существенным
недостатком класса нейросетевых моделей. Поэтому сложно интерпретировать
результаты моделирования. Кроме того, еще одним недостатком данного класса
моделей является сложность выбора алгоритма обучения нейронной сети [5].
Диссертация посвящена сравнению и исследованию авторегрессионных
моделей прогнозирования.
В первом разделе произведен обзор рассматриваемых классов моделей
прогнозирования, установлены достоинства и недостатки каждого класса.
Во второй разделе диссертации описаны две модели и проведены
программные эксперименты с последующим сравнением результатов
экспериментов.
В третьем разделе описывается основная архитектура программных
модулей вычислительного комплекса по построению регрессионных моделей
для прогнозирования метеорологических величин.
В четвертом разделе диссертации описана программная реализация
предложенных моделей для решения задач прогнозирования. Приведены
скриншоты и способы работы с данным программным вычислительным
комплексом.
Был произведен анализ открытых источников метеорологических
данных, в частности использовались данные Всероссийским научно
исследовательским институтом гидрометеорологической информации.
Данные собраны за последние пятьдесят лет. Данные собраны по основным
метеостанциям стран СНГ. Данные взяты за различные интервалы времени
(сроки, года, месяцы, дни и часы). Структурирована и разработана
метеорологическая база данных.
Был осуществлен обзор моделей и методов прогнозирования
временных рядов, были выявлены достоинства и недостатки каждого класса
моделей.
Произведен анализ базовых алгоритмов статистического анализа
данных. Разработаны улучшенные алгоритмы для построения прогнозных
моделей.
Разработан программный вычислительный комплекс с возможностью
построения регрессионных моделей для прогнозирования метеорологических
величин.
Построенные прогнозные модели не показали себя довольно
эффективными. Возможно, нужно увеличить выборку временного ряда или
прибегнуть к другим моделям прогнозирования, т.к. модуль SARIMA пакета
statsmodels и библиотека Facebook Prophet достаточно новые. В целом для
исследованные подходы вполне пригоден для научной работы.
Последние выполненные заказы
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!