مقاله انتخاب خودکار تأخیر برای پیش‌بینی سری‌های زمانی تک‌مرحله‌ای با استفاده از بهینه‌سازی بیزی: پیش‌بینی بارش ماهانه ایستگاهی در 9 شهر تقسیم‌بندی شده بنگلادش

چکیده

Rainfall is an essential hydrological component, and most of the economic activities of an agrarian country like Bangladesh depend on rainfall. An accurate rainfall forecast can help make necessary decisions and reduce the damages caused by heavy or low to no rainfall. The monthly average rainfall is a time series data, and recently, long short-term memory (LSTM) neural networks are being used heavily for time series forecasting problems. One major challenge of forecasting using LSTMs is to select the appropriate number of lag values. In this research, we considered the number of lag values selected as a hyperparameter of LSTM; it, with the other hyperparameters determining LSTMs structure, has been optimized using Bayesian optimization. We used our proposed method to forecast rainfall for nine different weather stations of Bangladesh. Finally, the performance of the proposed model has been compared with some other LSTM with different lag-selection methods and some several popular machine learning and statistical forecasting models.

چکیده به فارسی (ترجمه ماشینی)

بارندگی یک مؤلفه هیدرولوژیکی اساسی است و بیشتر فعالیت های اقتصادی یک کشور کشاورزی مانند بنگلادش به بارندگی بستگی دارد.پیش بینی دقیق بارندگی می تواند به تصمیم گیری های لازم و کاهش خسارت های ناشی از سنگین یا کم و بدون بارندگی کمک کند.میانگین بارندگی ماهانه یک داده های سری زمانی است و اخیراً شبکه های عصبی حافظه کوتاه مدت (LSTM) به شدت برای مشکلات پیش بینی سری زمانی استفاده می شوند.یکی از چالش های مهم پیش بینی با استفاده از LSTMS ، انتخاب تعداد مناسب مقادیر تاخیر است.در این تحقیق ، ما تعداد مقادیر تاخیر را که به عنوان هایپرپارامتر LSTM انتخاب شده است ، در نظر گرفتیم.این ، با استفاده از سایر هاپرپارامترها که ساختار LSTMS را تعیین می کنند ، با استفاده از بهینه سازی بیزی بهینه شده است.ما از روش پیشنهادی خود برای پیش بینی بارندگی برای نه ایستگاه مختلف آب و هوایی بنگلادش استفاده کردیم.سرانجام ، عملکرد مدل پیشنهادی با برخی دیگر از LSTM با روش های مختلف انتخاب تاخیر و برخی از مدل های محبوب یادگیری ماشین و پیش بینی آماری مقایسه شده است.