Сравнительное исследование нервных и периодических неврологических сетей для прогнозирования бури в Тампе-Бей

arXiv:2408,05797v2 Annuales Type: заменить резюме: в настоящем документе мы сопоставляем результаты трех популярных архитектур глубокого обучения: длинной краткосрочной памяти (LSTM), нервной неврозовой сети (CNN) и CNN-LSTM для прогнозирования уровня воды по различным размерам окон во времени. Мы использовали данные о ветре, давлении и приливах с станций Национального управления по исследованию океанов и атмосферы (НОАА). Наши результаты показывают, что модель LSTM в целом опережает другие модели с точки зрения прогнозирования тенденций уровня воды. Применив LSTM, мы достигли средней квадратной ошибки (MSE) в 0.006, что делает ее наиболее надежным вариантом для реального мира. Мы предсказывали уровень воды с помощью ветра, давления и приливов. Данные о ветре, давлении и приливах являются временными особенностями, не имеющими пространственных структур. Следовательно, LSTM функционировала лучше, чем пространственные методы, такие как CNN. Мы также расследовали ураган Иен, который произошел в Заливе Тампа в сентябре 2022 года и вызвал значительный шторм. Наши выводы показывают, что CNN и CNN-LSTM перфо