გეომაგნიტური აქტივობის მრავალმოდელური ანალიზი

Abstract

კვლევაში გაანალიზებულია Dst-ის ინდექსის პროგნოზირების პროცესი სხვადასხვა მანქანური სწავლების მეთოდის გამოყენებით, რომელიც განსხვავებულად ასრულებს Dst-ის პროგნოზირების ამოცანას. TCN და Transformer მოდელები გამოირჩევიან მაღალი სიზუსტით და მონაცემთა სტრუქტურასთან ადაპტაციის უნარით. დამატებითი მონაცემებისა და პარამეტრების ინტეგრაციით შესაძლებელია პროგნოზირების სისტემის კიდევ უფრო გაუმჯობესება.

The study analyzes the Dst index prediction process using different machine learning methods that perform the Dst prediction task differently. TCN and Transformer models are characterized by high accuracy and ability to adapt to the data structure. By integrating additional data and parameters, the forecasting system can be further improved.

В исследовании анализируется процесс прогнозирования индекса Dst с использованием различных методов машинного обучения, которые по-разному выполняют задачу прогнозирования Dst. Модели TCN и Transformer характеризуются высокой точностью и способностью адаптироваться к структуре данных. Интегрируя дополнительные данные и параметры, систему прогнозирования можно улучшить.