Применение гибридного алгоритма искусственного интеллекта в обработке и прогнозировании геопространственных данных

Павлов В. С., Колмогорова С. С.

Читать статью полностью

  Применение гибридного алгоритма искусственного интеллекта в обработке и прогнозировании геопространственных данных(2,41 MB)

Аннотация

В статье представлено использование гибридного алгоритма искусcтвенного интеллекта для одномерных моделей геопространственных данных, которые формируются с переменной составляющей во времени, и многомерные модели, учитывающие экзогенные независимые переменные: максимум, минимум, начало опроса, геопривязка. Рассмотрен алгоритм обработки и прогнозирования геопространственных данных и приведена оценка эффективности его работы, которая составляет 98%. Полученные результаты хорошо согласуются с аналитическими расчетами.

Ключевые слова:

геопространственные данные – geospatial data; искусственный интеллект – artificial intelligence; гибридный алгоритм ИИ – hybrid AI algorithm.

Список литературы

1. Колмогорова, С. С. Профилирование системы сбора иобработки данных окружающей среды / С.С. Колмогорова,Н.О. Романов // Приборы. – 2023. – № 4 (274). – С. 14–18.

2. Кутузов, М. Е. Использование модели рекуррентных сетей для прогнозирования показаний сенсоров /М.Е. Кутузов, С.С. Колмогорова // Актуальные вопросылесного хозяйства : материалы VI международной молодежной научно--практической конференции (Санкт-Петербург,10–11 ноября 2022 г.). – Санкт-Петербургский государственный лесотехнический университет имени С. М. Кирова. –Санкт-Петербург: Общество с ограниченной ответственностью «Реноме», 2022. – С. 232–236.

3. Свидетельство о государственной регистрациипрограммы для ЭВМ № 2022666360 Российская Федерация.Обработка измерительных данных алгоритмами искусственного интеллекта : № 2022665739: заявл. 24.08.2022: опубл.31.08.2022 / С.С. Колмогорова, М.Е. Кутузов; заявительФедеральное государственное бюджетное образовательноеучреждение высшего образования «Санкт-Петербургскийгосударственный лесотехнический университет имениС.М. Кирова».

4. Кутузов, М. Е. Использование рекуррентной нейроннойсети и прогнозирование в обработке данных с температурных сенсоров для лесной отрасли / М.Е. Кутузов,С.С. Колмогорова // Информационные технологии и автоматизация управления: материалы XIII Всероссийскойнаучно-практической конференции студентов, аспирантов,работников образования и промышленности (Омск, 27–28 мая2022 г.). – Омск : Омский государственный техническийуниверситет, 2022. – С. 154–164.

5. Колмогорова, С. С. О применении регуляризацииструктуры больших данных для распределенной системысбора и прогнозирования параметров объектов наблюдений /С.С. Колмогорова, Н.О. Голубятникова // Вестник Воронежского государственного технического университета. –2022. – Т. 18, № 5. – С. 91–99.

6. Сайт геологической службы США [Электронный ресурс] //Главная страница. – URL : https://earthexplorer.usgs.gov(дата обращения: 01.09.2023).

7. Павлов, В. С. Применение нормализованного вегетационного индекса (NDVI) для оценки качественных характеристик насаждений / В.С. Павлов, П.В. Тицкий; под. ред.А.А. Добровольского // Леса России: политика, промышленность, наука, образование : материалы VIII Всероссийскойнаучно-технической конференции (Санкт Петербург 24–26мая 2023 г.). – Санкт-Петербург : СПбГЛТУ, 2023. – 988 с.

8. Aitkenhead, M. Neural network time series predictionof environmental variables in a small upland headwater inNE Scotland / M. Aitkenhead, R. Cooper // HydrologicalProcesses. – 2008. – Vol. 22 (16). – P. 3091–3101.

9. Hochreiter, S. Long Short-Term Memory / S. Hochreiter,J. Schmidhuber // Neural Computation. – 1997. – Vol. 9. –P. 1735–1780.

10. Learning phrase representations using RNN encoderdecoderfor statistical machine translations / K. Cho,B. van Merriënboer, C. Gulcehre [et al.] // arXiv 2014,arXiv:1406.1078.