http://localhost/AI/img/logobg3.jpg
Построена численная модель предсказания значений Dst-индекса (SYM-H индекса) геомагнитной активности на 12 часов вперед от последних полученных данных о параметрах солнечного ветра. Численная модель использует искусственную нейронную сеть (ИНС) с LSTM (Long short-term memory) слоями. Средняя абсолютная ошибка предсказания модели составляет менее 2 % (менее 10 нТ). Обновляется каждые 3 часа.
Черная сплошная линия - последние измеренные значения. Красная сплошная линия - прогноз на 12 часов вперед. Пунктир - прогноз 12 часов назад. Зеленая сплошная - измерения скорости солнечного ветра Vtot (уменьшено в 10 раз). Желтая сплошная линия - измеренния плотности плазмы в солнечном ветре Np. Голубая сплошная линия - измерения z-компоненты межпланетного магнитного поля Bz.
В данной работе представляется численная модель, позволяющая прогнозировать значения Dst-индекса геомагнитной активности вперед на 12 часов. Модель использует значения параметров солнечного ветра (Bz ММП, Vtot и Np) и предисторию Dst-индекса за 80 последних часов. Данные параметров солнечного ветра берутся из открытых источников в виде графиков и предварительно оцифровываются.
Для построения численной модели использована реализация LSTM (Long short-term memory) на языке Python в пакете keras библиотеки tensorflow. Сеть обучалась по данным OMNI за 2000-2019 гг. Использовались 5-минутные данные SYM-H индекса, прореженные на шаг 30 минут. Процедура заполнения пробелов в данных о параметрах солнечного ветра описана в докладе [1]. Для обучения из всего ряда данных сформированы массивы векторов из 160 значений для подачи на вход сети, и соответствующие им массивы векторов из 24 истинных следующих за ними значений для подачи на выход сети во время тренировки. Подаваемые на вход значения последовательно кодируются во внутреннем состоянии первой LSTM сети, которое подается на вторую LSTM сеть, которая предсказывает следующие значения. Эти значения сравнивались с истинными, в процессе обучения минимализировалась метрика «средняя абсолютная ошибка» MAE – mean absolute error). Тестовая выборка в размере 15% предварительно выделялась из массива. В конце обучения средняя абсолютная ошибка на имеющемся наборе составляет менее 2 %.
Начальная версия модели описана в докладе [1] Козелов Б.В., Прогнозирование рядов солнечной и геомагнитной активности рекуррентными нейросетями / Апатитский семинар 'Физика авроральных явлений', 2024г.