Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2021-21-1-135-142
УДК 004.852
ПРОГНОЗИРОВАНИЕ ВЕСЕННЕГО ПОЛОВОДЬЯ РЕК С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Кулин Н.И., Козлов Е.А., Жук Ю.А. Прогнозирование весеннего половодья рек с использованием методов машинного обучения // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 1. С. 135–142. doi: 10.17586/2226-1494-2021-21-1-135-142
Аннотация
Предмет исследования. Предложен новый подход к решению задачи прогнозирования наводнений и паводков в населенных пунктах Ненецкого автономного округа с помощью методов машинного обучения. Метод. Прогноз выполнен на основе выборки данных исторических показателей гидрологических постов и погодных условий в ближайших населенных пунктах за несколько лет. Особенность предлагаемого метода заключается в том, что для обучения ансамбля моделей (XGBoost, Random Forest, бэггинг) используются дополнительные данные, предварительно полученные в результате прогноза с использованием модели Хольта–Уинтерса. Основные результаты. Полученные в результате тестирования экспериментальные данные показали эффективность нового подхода. В результате работы алгоритма получен прогноз повышенного уровня воды, выполнено сравнение со значениями исторических данных по рекам Ненецкого автономного округа. Практическая значимость. Применение предлагаемого метода прогнозирования критического уровня воды экономически целесообразно, и может быть использовано как дополнительная мера по профилактике и предотвращению последствий наводнений в отдельных регионах России.
Ключевые слова: интеллектуальный анализ данных, машинное обучение, прогнозирование паводков, модель Хольта–Уинтерса
Список литературы
Список литературы
1. Mosavi A., Ozturk P., Chau K.-W. Flood prediction using machine learning models: Literature review // Water. 2018. V. 10. N 11. P. 1536. doi: 10.3390/w10111536
2. Huang M., Xie J., Cai Y., Wang N., Zhang Y. Application of middleware technique in Web of flood forecasting system with multiple models // Proc. International Conference on Hybrid Information Technology, ICHIT 2006. 2016. P. 505–508. doi: 10.1109/ICHIT.2006.253534
3. Abdurrahman M., Irawan B., Latuconsina R. Flood Forecasting using Holt-Winters Exponential Smoothing Method and Geographic Information System // Proc. 3rd International Conference on Control, Electronics, Renewable Energy and Communications (ICCREC). 2017. P. 159–163. doi: 10.1109/ICCEREC.2017.8226704
4. Adnan R., Ruslan F.A., Samad Abd M., Zain Z.Md. Flood water level modelling and prediction using artificial neural network: Case study of Sungai Batu Pahat in Johor // Proc. IEEE Control and System Graduate Research Colloquium, ICSGRC 2012. 2012. P. 22–25. doi: 10.1109/ICSGRC.2012.6287127
5. Rahman I.I.A., Alias N.M.A. Rainfall forecasting using an artificial neural network model to prevent flash floods // Proc. 8th International Conference on High-capacity Optical Networks and Emerging Technologies, HONET. 2011. P. 323–328. doi: 10.1109/HONET.2011.6149841
6. Linghu B., Chen F. An intelligent multi-agent approach for flood disaster forecasting utilizing case based reasoning // Proc. 5th International Conference on Intelligent Systems Design and Engineering Applications, ISDEA. 2014. P. 182–185. doi: 10.1109/ISDEA.2014.48
7. Ranit A.B., Durge P.V. Different techniques of flood forecasting and their applications // Proc. 3rd International Conference on Research in Intelligent and Computing in Engineering, RICE. 2018. P. 8509058. doi: 10.1109/RICE.2018.8509058
8. Zhu Y., Feng J., Yan L., Guo T., Li X. Flood prediction using rainfall- flow pattern in data-sparse watersheds // IEEE Access. 2020. V. 8. P. 39713–39724. doi: 10.1109/ACCESS.2020.2971264
9. Sachin D. Holt-Winters Exponential Smoothing // Towards Data Science. 2020 [Электронный ре сурс]. URL: https:// towardsdatascience.com/holt-winters-exponential-smoothing- d703072c0572 (дата обращения: 18.10.2020).
10. Koehrsen W. An Implementation and Explanation of the Random Forest in Python // Towards Data Science. 2018 [Электронный ре- сурс]. URL: https://towardsdatascience.com/an-implementation-and- explanation-of-the-random-forest-in-python-77bf308a9b76 (дата обращения: 18.10.2020).
11. Christopher B. Time Series Analysis (TSA) in Python — Linear Models to GARCH // Blackarbs. 2016 [Электронный ресурс]. URL: http://www.blackarbs.com/blog/time-series-analysis-in-python-linear- models-to-garch/11/1/2016
(дата обращения: 18.10.2020).
12. Brownlee J. A Gentle Introduction to Exponential Smoothing for Time Series Forecasting in Python // Machine Learning Mastery, Australia. 2018 [Электронный ресурс]. URL: https://machinelearningmastery. com/exponential-smoothing-for-time-series-forecasting-in-python/ (дата обращения: 18.10.2020).
13. Rocca J. Ensemble methods: bagging, boosting and stacking // Towards Data Science. 2019 [Электронный ресурс]. URL:
https:// towardsdatascience.com/ensemble-methods-bagging-boosting-and- stacking-c9214a10a205 (дата обращения: 18.10.2020).
14. Brownlee J. How to Use XGBoost for Time Series Forecasting // Machine Learning Mastery, Australia. 2018 [Электронный ресурс]. URL: https://machinelearningmastery.com/xgboost-for-time-series- forecasting/ (дата обращения: 18.10.2020).
15. Brownlee J. Comparing Classical and Machine Learning Algorithms for Time Series Forecasting // Machine Learning Mastery, Australia. 2019 [Электронный ресурс]. URL: https://machinelearningmastery. com/findings-comparing-classical-and-machine-learning-methods- for-time-series-forecasting/ (дата обращения: 18.10.2020).