RUS  ENG
Полная версия
ЖУРНАЛЫ // Computational nanotechnology // Архив

Comp. nanotechnol., 2022, том 9, выпуск 2, страницы 11–20 (Mi cn371)

Эта публикация цитируется в 2 статьях

МНОГОМАСШТАБНОЕ МОДЕЛИРОВАНИЕ ДЛЯ УПРАВЛЕНИЯ И ОБРАБОТКИ ИНФОРМАЦИИ

Определение оптимальной модели машинного обучения для предсказания паводков на реке Амур

Н. Э. Александровa, Д. Н. Ермаковab, Н. М. Азизa, О. Ю. Казенковabc

a Инженерная академия Российского университета дружбы народов (РУДН)
b Научно-исследовательский институт "Полюс" им. М. Ф. Стельмаха, г. Москва
c Московский государственный университет технологий и управления

Аннотация: Природные катастрофы, связанные с водой, являются одними из наиболее разрушительных и ответственны за 72% от общего экономического ущерба, причиненного стихийными бедствиями, а в связи с изменениями климата их количество будет только расти. В России главной такой катастрофой являются речные паводки. Цель данной исследовательской работы определить наилучший метод машинного обучения для предсказания паводков на реке Амур, где они наносят значительный ущерб населению и экономике региона. Исследование предпринято с целью улучшения методов прогнозирования паводков для последующего использования результатов исследования в решении задач управления при реагировании на паводки. В исследовании учитываются практические аспекты реализации системы прогнозирования, поэтому были изучены 3 наиболее популярных метода машинного обучения: линейная регрессия, нейронная сеть и градиентный бустинг, потому что эти методы обладают развитой экосистемой вспомогательных решений и широко известны в профессиональном сообществе. Методология исследования была нацелена на достижение максимальной сравнимости результатов. Среди проверенных алгоритмов наилучшее качество продемонстрировал градиентный бустинг над деревьями в реализации Catboost. Результаты исследования применимы и к другим рекам, по которым количество данных сравнимо с Амуром.

Ключевые слова: управление катастрофами, предсказание паводков, река Амур, машинное обучение.

Поступила в редакцию: 26.04.2022

DOI: 10.33693/2313-223X-2022-9-2-11-20



© МИАН, 2024