Comparison of the Efficiency of Machine Learning Methods
in Studying the Importance of Input Features in the Problem
of Forecasting the Dst Geomagnetic Index

R. D. Vladimirov; Владимиров Р. Д.; V. R. Shirokiy; Широкий В. Р.; I. N. Myagkova; Мягкова И. Н.; O. G. Barinov; Баринов О. Г.; S. A. Dolenko; Доленко С. А.

doi:10.31857/S0016794022100224

Сравнение эффективности методов машинного обучения при исследовании важности входных признаков в задаче прогнозирования геомагнитного индекса DST

Авторы: Владимиров Р.Д.¹, Широкий В.Р.¹, Мягкова И.Н.¹, Баринов О.Г.¹, Доленко С.А.¹
Учреждения:
1. Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского государственного университета им. М.В. Ломоносова (НИИЯФ МГУ)
Выпуск: Том 63, № 2 (2023)
Страницы: 190-201
Раздел: Статьи
URL: https://ruspoj.com/0016-7940/article/view/651026
DOI: https://doi.org/10.31857/S0016794022100224
EDN: https://elibrary.ru/DLYMRJ
ID: 651026

Цитировать

Полный текст

Открытый доступ
Доступ закрыт

Доступ предоставлен
Доступ закрыт

Только для подписчиков

Аннотация
Об авторах
Список литературы
Дополнительные файлы
Статистика

Аннотация

Одним из перспективных подходов к прогнозированию значений геомагнитных индексов является использование методов машинного обучения. Однако для эффективного использования таких методов необходим отбор существенных входных признаков задачи с целью уменьшения ее входной размерности. В данной работе рассматривается алгоритм получения наиболее эффективной модели прогнозирования, основанный на понижении входной размерности данных путем постепенного отбрасывания входных признаков на основе следующих методов машинного обучения: линейная регрессия, градиентный бустинг, искусственная нейронная сеть типа многослойный персептрон. Проводится сравнение эффективности перечисленных методов; рассматриваются направления дальнейшего развития работ.

Список литературы

− Белов А.В., Виллорези Дж., Дорман Л.И. и др. Влияние космической среды на функционирование искусственных спутников Земли // Геомагнетизм и аэрономия. Т. 44. № 4. С. 502‒510. 2004.
– Ермолаев Ю.И., Ермолаев М.Ю. Солнечные и межпланетные источники геомагнитных бурь: Аспекты космической погоды // ГЕОФИЗИЧЕСКИЕ ПРОЦЕССЫ И БИОСФЕРА. Т. 8. № 1. С. 5‒35. 2009.
– Ефиторов А.О., Мягкова И.Н., Широкий В.Р., Доленко С.А. Прогнозирование Dst-индекса, основанное на методах машинного обучения // Космич. исслед. Т. 56. № 6. С. 353‒364. 2018.
– Зорич В.А. Многомерная геометрия, функции очень многих переменных и вероятность // Теория вероятностей и ее применения. Т. 59. Вып. 3. С. 436‒451. 2014.
− Лазутин Л.Л. Мировые и полярные магнитные бури. М., МГУ. 214 с. 2012.
– Мягкова И.Н., Шугай Ю.С., Веселовский И.С., Яковчук О.С. Сравнительный анализ влияния рекуррентных высокоскоростных потоков солнечного ветра на радиационное состояние околоземного космического пространства в апреле-июле 2010 года // Астрон. вестн. Т. 47. № 2. С. 141–155. 2013.
− Мягкова И.Н., Широкий В.Р., Владимиров Р.Д., Баринов О.Г., Доленко С.А. Прогнозирование значений геомагнитного индекса Dst при помощи адаптивных методов // Метеорология и гидрология. № 3. С. 38‒46. 2021.
− Широкий В.Р. Сравнение нейросетевых моделей прогнозирования геомагнитного Dst-индекса на различных наборах данных и сравнение методов оценки качества работы моделей // XVII Всероссийская научно-техническая конференция “Нейроинформатика-2015” с международным участием. Сборник научных трудов. Ч. 2. М., НИЯУ МИФИ. С. 51‒60. 2015.
− Akasofu S.-I., S. Chapman S. Solar-Terrestrial Physics. Clarendon Press, Oxford. 889 p. 1972.
− Amata E., Pallocchia G., Consolini G. et al. Comparison between three algorithms for Dst predictions over the 2003–2005 period //J Atmos Sol-Terr Phys. V. 70. P. 496–502. 2008.
− Barkhatov N.A. et al. Comparison of efficiency of artificial neural networks for forecasting the geomagnetic activity index Dst // Radiophysics and Quantum Electronics. V. 43. № 5. P. 347 ‒355. 2000.
− Bortnik J., Chu X., Ma Q., Li W., Zhang X., Thorne R.M., Baker D.N. Artificial Neural Networks for Determining Magnetospheric Conditions // Machine Learning Techniques for Space Weather. P. 279–300. 2018.
− Breiman L., Friedman J.H., Olshen R., Stone C. // Classification and Regression Trees. Wadsworth, Belmont, CA. 1983.
− Breiman L. Random Forests // Machine Learning. V. 45. P. 5‒32. 2001
− Burton R.K., McPherron R.L., Russell C.T. An empirical relationship between interplanetary conditions and Dst // J. Geophys. Res. V. 80. P. 4204–4214. 1975.
− Dolenko S.A., Orlov Yu.V., Persiantsev I.G., Shugai Ju.S. Neural network algorithm for events forecasting and its application to space physics data // Lecture Notes in Computer Science. V. 3697. P. 527‒532. 2005.
− Friedman J.H. Stochastic Gradient Boosting // Computational Statistics and Data Analysis. V. 38. № 4. P. 367‒ 378. 2002.
− Haykin S. Neural Networks: A Comprehensive Foundation, 2nd ed. (Prentice Hall, 1998).
− Kataoka R., Miyoshi Y. Average profiles of the solar wind and outer radiation belt during the extreme flux enhancement of relativistic electrons at geosynchronous orbit // Ann. Geophys. V. 26. P. 1335‒1339. 2008.
− Lazzús J.A., Vega P., Rojas P., Salfate I. Forecasting the Dst index using a swarm-optimizedneural network // Space Weather. V. 15. P. 1068‒1089. 2017. https://doi.org/10.1002/2017SW001608
− Lindsay G.M., Russell C.T., Luhmann J.G. Predictability of Dst index based upon solar wind conditions monitored inside 1 AU // J. Geophys. Res. V. 104. № A5. P. 10 335‒ 10 344. 1999.
− Myagkova I., Shiroky V., Dolenko S. Prediction of geomagnetic indexes with the help of artificial neural networks // E3S Web of Conferences, 20: art. 02011, 2017. https://doi.org/10.1051/e3sconf/20172002011
− O’Brien T.P., McPherron R.L. Forecasting the ring current index Dst in real time // J. Atmosph. and Sol.-Terrestr. Phys. V. 62. P. 1295‒1299. 2000.
− Pallochia G. et al. Geomagnetic Dst -index forecast based on IMF data only // Ann. Geophys. V. 24. P. 989‒999. 2006.
− Patra S., Spencer E., Horton W., Sojka J. Study of Dst/ring current recovery times using the WINDMI model //J. Geophys. Res. V.116. A02212. 2011. https://doi.org/10.1029/2010JA015824
− Podladchikova T.V., Petrukovich A.A. Extended geomagnetic storm forecast ahead of available solar wind measurements // Space Weather: The International J. Research and Applications. V. 10. CiteID S07001. 2012.
− Pulkkinen T. Space Weather: Terrestrial Perspective // Living Rev. Solar Phys. 4. 1. URL (cited on 18 September 2007): http://www.livingreviews.org/lrsp-2007-1. 2007.
− Revallo M., Valach V., Hejda P., Bochníčeket J. Modeling of CME and CIR driven geomagnetic storms by means of artificial neural networks // J. Atm. and Sol. Terr. Phys. V. 110. № 9. 2014.
− Schrijver, Carolus J. et al. Understanding space weather to shield society: A global road map 772 for 2015–2025 commissioned by COSPAR and ILWS // Adv. in Space Res. V. 55. P. 2745‒2807. 2015.
− Sugiura M. Hourly values of equatorial Dst for the IGY // Ann. Int. Geophys. Pergamon Press, Oxford. V. 35. P. 9‒45. 1964.
− Wu J.-G., Lundstedt H. Geomagnetic storm predictions from solar wind data with the use of dynamic neural networks // J. Geophys. Res. V. 102. № A7. P. 14 255‒14 268. 1997.