En principio si. Una buena introducción es el siguiente enlace http: //digitalcommons.georgiasou…
Sin embargo, un poco de intuición sería útil para formular el problema correctamente. Los datos meteorológicos generalmente implicarán mediciones de múltiples sensores para datos como presión, humedad, dirección del viento / velocidad promedio, etc. y cada medición tendrá una marca de tiempo y una ubicación. La predicción buscada será algo así como la temperatura / ráfaga / nubosidad, etc. en algún momento posterior. Por lo general, las características de la capa de salida de una red neuronal para la predicción del clima serán un subconjunto de las características de entrada (o todas ellas) solo en un momento posterior.
En este punto, tiene dos opciones en términos de modelado:
- ¿Cuál es el código C ++ más simple para el algoritmo A *?
- Visión por computadora: ¿Qué parámetros se pueden usar para medir qué tan similares son dos imágenes?
- Cómo mejorar en la implementación de algoritmos
- ¿Qué es el algoritmo em, cómo se hace paso a paso?
- ¿Qué significa si un futuro programador apesta u odia los algoritmos de aprendizaje y las estructuras de datos?
- Puede interpretar cada capa oculta en su red como el estado del clima en algún momento intermedio entre t = 0 y t = T donde T es el momento en que se desea el pronóstico. Entonces, por ejemplo, si tiene 3 capas ocultas, la primera capa consistirá en las características climáticas en el tiempo T / 3, la segunda en el tiempo 2T / 3 y la última en el tiempo T. En este sentido, básicamente está tratando de Enseñe a la red a aprender una evolución en el tiempo mediante un “método de diferencia finita” neuronal. Esto puede o no ser más eficiente que los procedimientos más clásicos para simular las ecuaciones climáticas.
- El segundo enfoque es no asignar un significado específico a las capas ocultas. En este caso, la red está tratando de encontrar un patrón específico que relacione el estado inicial del clima con su estado futuro. Lo bueno de este enfoque es que no asume ningún modelo específico para representar la dinámica del clima. Lo malo es que es muy “caja negra”, aunque puede ser prácticamente útil para predecir el clima, no ayudará a comprender la dinámica real detrás de los patrones climáticos.
Además de las redes neuronales, cuando trato con sistemas dinámicos, prefiero usar la descomposición de valor singular de orden superior (HOSVD). Esto no es muy conocido o usado tanto como debería ser en AI y ML. Básicamente, la idea es similar a un método de aprendizaje basado en la descomposición de valores singulares estándar, excepto que en lugar de tratar con una matriz de datos, es decir, una tabla bidimensional, estamos tratando con un hipercubo de datos tridimensional o más. Suponga que sus variables climáticas básicas son, por simplicidad:
O = (temperatura, presión, humedad)
El conjunto de datos que tenga consistirá en observaciones de estas tres variables en diferentes momentos y diferentes ubicaciones. Por lo tanto, cada observación debería etiquetarse como:
O (x, y, z, t) = (T (x, y, z, t), P (x, y, z, t), H (x, y, z, t))
Por lo tanto, nuestros datos están mejor representados por un tensor de rango 4. El HOSVD mencionado anteriormente le muestra cómo este tensor puede descomponerse en sus componentes más significativos y luego usarse para la predicción.
