مقايسه الگوريتم‌هاي LSTM وGRU در پيش‌بيني وقوع بارش با استفاده از داده‌هاي تاريخي هواشناسي
ایمان احمدی
1
(
گروه مهندسی تولید و ژنتیک گیاهی، دانشکده کشاورزی، آب، غذا و فراسودمندها، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران
)
کلید واژه: داده‌های سری زمانی, ماتریس درهم‌ریختگی, یادگیری عمیق, پیش‌بینی هواشناسی,
چکیده مقاله :
در این مطالعه، مقایسه الگوریتم‌های LSTM و GRU در پیش‌بینی وقوع بارش با استفاده از داده‌های هواشناسی تاریخی مد نظر است. با توجه به عدم دسترسی به داده‌های کامل هواشناسی داخلی چندساله، در این مطالعه از یک پایگاه داده از داده‌های هواشناسی برخی از شهرهای اروپا استفاده شد. پنج ایستگاه هواشناسی که هر کدام متعلق به اقلیم متفاوتی بودند، انتخاب شدند و دقت مدل بر روی داده‌های به‌دست آمده از این ایستگاه‌ها محاسبه شد. در این تحقیق از دو الگوریتم حافظه کوتاه‌مدت بلند (LSTM) و واحد بازگشتی دروازه‌ای (GRU) استفاده شد. برای ارزیابی کارایی مدل‌های توسعه‌یافته در این مطالعه، از معیارهای ماتریس درهم‌ریختگی و نمودارهای مشخصه عملکرد گیرنده (ROC) و دقت-فراخوانی استفاده شد. نتایج به‌دست آمده از تجزیه و تحلیل ماتریس‌های درهم‌ریختگی نشان داد که کارایی دو الگوریتم در پیش‌بینی وقوع بارش تقریباً مشابه است. از نظر عددی، میانگین مقادیر فراخوانی، ویژگی، دقت و صحت الگوریتم LSTM به‌ترتیب 67/0، 84/0، 75/0 و 79/0 و مقادیر مربوطه برای الگوریتم GRU به‌ترتیب 65/0، 84/0، 74/0 و 78/0 بود. از نظر مقایسه عملکرد این دو الگوریتم، اگرچه با توجه به بالاتر بودن مقادير بيشتر شاخص‌هاي ارزيابي كننده مربوط به الگوريتم LSTM نسبت به GRU، به ظاهر الگوریتم LSTM عملکرد بهتری داشته است؛ اما عملکرد کلی آن‌ها از نظر آماري با توجه به عدم وجود اختلاف معنیدار بین شاخص‌های ارزیابی کننده مشابه بوده است.
چکیده انگلیسی :
In this study, a comparison between LSTM and GRU algorithms for predicting rainfall occurrence using historical meteorological data is considered. Due to the unavailability of complete long-term domestic meteorological data, a database of meteorological data from several European cities was used. Five weather stations, each belonging to a different climate, were selected, and model accuracy was calculated based on the data obtained from these stations. This research employed two algorithms: Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). To evaluate the performance of the developed models, confusion matrices, Receiver Operating Characteristic (ROC) curves, and Precision-Recall curves were used. The results from the analysis of the confusion matrices indicated that the performance of the two algorithms in predicting rainfall occurrence was approximately similar. Numerically, the average values of recall, specificity, precision, and accuracy for the LSTM algorithm were 0.67, 0.84, 0.75, and 0.79, respectively, while the corresponding values for the GRU algorithm were 0.65, 0.84, 0.74, and 0.78. Regarding the comparison of the two algorithms' performance, although the LSTM algorithm appeared to perform better due to its higher values in most evaluation metrics, their overall performance was statistically similar, given the absence of a significant difference between the corresponding evaluation metrics.
Abobakr Yahya, A. S., Ahmed, A. N., Binti Othman, F., Ibrahim, R. K., Afan, H. A., El-Shafie, A., ... & Elshafie, A. (2019). Water quality prediction model-based support vector machine model for ungauged river catchment under dual scenarios. Water, 11(6), 1231. http://doi.org/10.3390/w11061231
Calderaro, J., Seraphin, T. P., Luedde, T., & Simon, T. G. (2022). Artificial intelligence for the prevention and clinical management of hepatocellular carcinoma. Journal of Hepatology, 76, 1348–1361. http://doi.org/10.1016/j.jhep.2022.01.014
George, J., Letha, J., & Jairaj, P. G. (2016). Daily rainfall prediction using generalized linear bivariate model – A case study. Procedia Technology, 24, 31–38. http://doi.org/10.1016/j.protcy.2016.05.006
Ghamghami, M., & Bazrafshan, J. (2014). Application of Viterbi’s algorithm for predicting rainfall occurrence and simulating wet/dry spells – Comparison with common methods. Journal of Water and Soil, 28(5), 1048–1060. http://doi.org/10.22067/jsw.v0i0.25613. (In Persian)
Golding, B. W. (2000). Quantitative precipitation forecasting in the UK. Journal of Hydrology, 239, 286–305. http://doi.org/10.1016/S0022-1694(00)00354-1
Indrakumari, R., Poongodi, T., & Singh, K. (2021). Introduction to deep learning. In Advanced Deep Learning for Engineers and Scientists: A Practical Approach (pp. 1–22). http://doi.org/10.1007/978-3-030-66519-7_1
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31, 685–695. http://doi.org/10.1007/s12525-021-00475-2
Kagabo, J., Kattel, G. R., Kazora, J., Shangwe, C. N., & Habiyakare, F. (2024). Application of machine learning algorithms in predicting extreme rainfall events in Rwanda. Atmosphere, 15(6), 691. http://doi.org/10.3390/atmos15060691
Kang, J., Wang, H., Yuan, F., Wang, Z., Huang, J., & Qiu, T. (2020). Prediction of precipitation based on recurrent neural networks in Jingdezhen, Jiangxi Province, China. Atmosphere, 11, 246. http://doi.org/10.3390/atmos11030246
Khambra, G., & Shukla, P. (2023). Novel machine learning applications on fly ash-based concrete: An overview. Materials Today: Proceedings, 80, 3411–3417. http://doi.org/10.1016/j.matpr.2021.07.262
Kim, S., Suzuki, T., & Tachikawa, Y. (2020). Rainfall occurrence prediction with convolutional neural network. Journal of Japan Society of Civil Engineering, Ser. B1 (Hydraulic Engineering), 76(2), 379–384. http://doi.org/10.2208/jscejhe.76.2_I_379
Kim, S., Tachikawa, Y., Sayama, T., & Takara, K. (2009). Ensemble flood forecasting with stochastic radar image extrapolation and a distributed hydrologic model. Hydrological Processes, 23(4), 597–611. http://doi.org/10.1002/hyp.7188
Klein Tank, A. M., Wijngaard, J. B., Können, G. P., Böhm, R., Demarée, G., Gocheva, A., ... & Petrovic, P. (2002). Daily dataset of 20th‐century surface air temperature and precipitation series for the European Climate Assessment. International Journal of Climatology: A Journal of the Royal Meteorological Society, 22(12), 1441-1453. http://doi.org/10.1002/joc.773
Ozcanli, A. K., Yaprakdal, F., & Baysal, M. (2020). Deep learning methods and applications for electrical power systems: A comprehensive review. International Journal of Energy Research, 44, 7136–7157. http://doi.org/10.1002/er.5331
Patil, S. S., & Vidyavathi, B. (2022). A machine learning approach to weather prediction in wireless sensor networks. International Journal of Advanced Computer Science and Applications, 13(1). http://doi.org/10.14569/IJACSA.2022.0130131
Poornima, S., & Pushpalatha, M. (2019). Prediction of rainfall using intensified LSTM-based recurrent neural network with weighted linear units. Atmosphere, 10(11), 668. http://doi.org/10.3390/atmos10110668
Ramkumar, P., & Thomas, R. (2024). Prediction of rainfall using machine learning algorithms. International Journal of Advance Research and Innovative Ideas in Education, 10(5), 874–878. http://doi.org/16.0415/IJARIIE-25040
Shi, X., Chen, Z., Wang, H., Yeung, D., Wong, W., & Woo, W. (2015). Convolutional LSTM network: A machine learning approach for precipitation nowcasting. Proceedings of the 28th NIPS. http://doi.org/10.48550/arXiv.1506.04214
Wang, J., Wong, R. K. W., Jun, M., Schumacher, C., Saravanan, R., & Sun, C. (2021). Statistical and machine learning methods applied to the prediction of different tropical rainfall types. Environmental Research Communications, 3, 111001. http://doi.org/10.1088/2515-7620/ac371f
Wani, O. A., Mahdi, S. S., Yeasin, M., Kumar, S. S., Gagnon, A. S., Danish, F., Al-Ansari, N., El Hendawy, S., & Mattar, M. A. (2024). Predicting rainfall using machine learning, deep learning, and time series models across an altitudinal gradient in the North-Western Himalayas. Scientific Reports, 14, 27876. http://doi.org/10.1038/s41598-024-27876-4