ترجمه پیش بینی وضعیت هوای کوتاه مدت و بلند مدت به وسیله شبکه های عصبی بازگشتی رشته به رشته

توضیحات

 عنوان فارسی:پیش بینی وضعیت هوای کوتاه مدت و بلند مدت به وسیله شبکه های عصبی بازگشتی رشته به رشته

عنوان انگلیسی مقاله ترجمه شده:

Sequence to Sequence Weather Forecasting with Long Short-Term Memory Recurrent Neural Networks

پیش بینی وضعیت هوای کوتاه مدت و بلند مدت به وسیله شبکه های عصبی بازگشتی رشته به رشته

چکیده:

هدف از این مقاله ارائه یک معماری شبکه عصبی عمیق و استفاده از آن در پیش بینی هوای (سری زمانی) می باشد که در آن از الگوریتم LSTMچند انباشته استفاده شده است تا رشته های متوالی مقادیر آب و هوای دارای طول یکسان را نگاشت کنند. هدف نهایی تولید دو نوع مدل برای هر شهر(۹شهر مراکش) می باشد تا بتوانند اطلاعات آب و هوایی ۲۴ و ۷۲ ساعت را تولید کند (برای دما، رطوبت و سرعت باد). اطلاعات هواشناسی مربوط به حدوداً ۱۵ سال ۲۰۰۰ تا ۲۰۱۵ است. که در هر سال ثبت شده‌اند و برای آموزش مدل استفاده شده اند. نتایج نشان می‌دهد شبکه های عصبی مبتنی برLSTM قابل رقابت با روش های سنتی بوده و می توانند به عنوان جایگزین بهتری جهت پیش بینی شرایط عمومی هوا باشند.

اصطلاحات عمومی:یادگیری ماشین، پیش بینی آب و هوا، تشخیص الگو، سری های زمانی

کلمات کلیدی: یادگیری عمیق، یادگیری رشته به رشته، شبکه های عصبی مصنوعی، شبکه های عصبی بازگشتی، حافظه بلند مدت-کوتاه مدت، پیش بینی آب و هوا.

مقدمه:

پیش بینی وضعیت هوا با تمدن های اولیه شروع شد و آن کار به وسیله رویت پدیده‌های هواشناسی و نجومی بازگشتی انجام می شد. این روزها پیش بینی وضع هوا به معنی جمع آوری اطلاعات در خصوص وضعیت حال حاضر آب و هوا با استفاده از سیستم های علمی به منظور پیش بینی نحوه دگرگونی آب و هوا در آینده می باشد. ذات آشفته اتمسفر و توان محاسباتی عظیم مورد نیاز برای حل تمامی معادلات توصیف کننده اتمسفر بیانگراین مسئله است که با افزایش بازه ی پیش‌بینی علاوه بر کاهش دقت آن هزینه آن بالا میرود این مسئله باعث می شود به دنبال راه حلی جدید باشیم تا بتوانیم به شیوه ای موثرتر و یا کم هزینه تر وضعیت آب و هوا را پیش بینی کنیم. یادگیری ماشین شبکه های عصبی مصنوعی(ANN )کلاسی از مدل ها هستند که از شبکه های عصبی بیولوژیکی الهام گرفته شده‌اند که از گره ها و یا واحدهای تحلیل کننده به هم پیوسته انطباق پذیر تشکیل می شوند. چیزی که (ANN‌) را قابل فهم می کند، طبیعت انطباق پذیر آنها می باشد، این خصیصه باعث شده است تاANNها به عنوان یک ابزار بسیار مناسب برای تخمین توابع شدیداً غیر خطی و چند متغیره مطرح باشد با توجه به اینکه مدل شبکه عصبی نهایی مقادیر سری زمانی را پیش بینی می کند، از لایه هایLSTM  در معماری خود استفاده می کند تا مسائل مرتبط با زمان را حل نماید همانند “مسئله شیب محو شونده”.  تفاوت بین LSTMها و دیگر شبکه های عصبی بازگشتی سنتیRNN)) قابلیت تحلیل و پیش‌بینی سری‌های زمانی متوالی بدون فراموش کردن اطلاعات غیر مهم است. LSTMها به نتایج خلاقانه‌ای در خصوص مسائل مرتبط به رشته های متوالی از جمله تشخیص دست خط[۳،۴]، تشخیص گفتار[ ۱،۶]، ترکیب بندی موسیقی[۱] و یادگیری گرامر(تحلیل زبان عصبی)[۸]، دست یافته اند. شبکه های عصبی بازگشتی و LSTMها معماری شبکه های عصبی بازگشتی تعمیمی طبیعی از شبکه های عصبی پیش خوراند به رشته ها می باشند  RNNها شبکه هایی هستند که در داخل خود حلقه هایی دارند که ماندگاری اطلاعات را به دنبال دارد.RNN رشته ای از ورودی های استاندارد را

به رشته‌ای از خروجی های استاندارد

از طریق تکرار معادله زیر تبدیل می‌کنند رابطه اول در صورتی که ارتباط بین ورودی ها و خروجی ها بیشتر معلوم شده باشد می توانند این رشته را به یک سری رشته دیگر نگاشت نمایند در مفاد پیش­بینی وضعیت هوای آینده، رشته­هایی با طول 72 و 24 تنظیم شده­اند.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.