ИСТИНА

В работе проведено исследование различных методов прогнозирования временного ряда геомагнитного индекса Dst, характеризующего состояние магнитосферы Земли. Одним из ключевых источников возмущений магнитосферы Земли является солнечная активность (СА), которая подвержена циклическим изменениям. При этом физические процессы в магнитосфере Земли на разных фазах цикла СА могут различаться, а кроме того, различные циклы СА могу значительно отличаться друг от друга, как по своей амплитуде, так и по характеру динамики СА. Поэтому основной целью данного исследования стала проверка эффективности использования метода композитной модели, основанного на построении отдельных моделей для различных циклов СА и/или их фаз. В работе были изучены следующие аспекты решения задачи нейросетевого прогнозирования состояния магнитосферы на примере Dst индекса: 1) Произведено сравнение результатов 6 моделей машинного обучения (линейная регрессия, многослойные персептроны, LSTM нейронные сети, свёрточные нейронные сети, свёрточная LSTM, трансформеры) и тривиальной инерционной модели в качестве репера при прогнозировании значения индекса Dst с горизонтом в 5 часов. 2) Изучены различные методы решения проблемы переобучения моделей, после чего выбраны наиболее подходящие (ранний останов, а также dropout и нормализация пакета для глубоких моделей). 3) Проведен анализ результатов прогноза моделей, на основании которых предложена модифицированная функции потерь для обучения нейронных сетей. 4) Исследован метод композитной модели для архитектуры с наилучшими результатами. Для построения моделей в качестве исходных данных брались временные ряды самой прогнозируемой величины, а также среднечасовые значения параметров солнечного ветра (скорость, плотность) и межпланетного магнитного поля (модуль и компонента Bz в системе GSM). Горизонт прогноза составлял от 1 до 6 часов, глубина погружения (топологического вложения) временных рядов 24 часа для всех входных признаков. По результатам проведённых исследований прирост показателей качества композитной модели не является статистически значимым по сравнению с единой моделью, обученной на всех доступных данных. При этом наиболее перспективными выглядят модели, обученные на наборе данных, соответствующих значениям индекса Dst -50 нТл и ниже. Это направление работ нуждается в дальнейших исследованиях.