doi: 10.17586/2226-1494-2021-21-1-135-142


УДК 004.852

ПРОГНОЗИРОВАНИЕ ВЕСЕННЕГО ПОЛОВОДЬЯ РЕК С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Кулин Н.И., Козлов Е.А., Жук Ю.А.


Читать статью полностью 
Язык статьи - русский

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
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).


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2024 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика