رویا زارع فرخادی - هیئت علمی گروه نرم افزار، موسسه آموزش عالی و غیرانتفاعی رشدیه تبریز
مسعود صبری غازانی - دانشجوی کارشناسی ارشد نرم افزار، موسسه آموزش عالی و غیرانتفاعی رشدیه تبریز

پیش بینی هوا در چند دهه گذشته به یک زمینه مهم تحقیقاتی تبدیل شده است. در بیشتر موارد محقق سعی در ایجاد رابطه ای خطی بین داده های ورودی هوا و داده های مربوطه داشته است. اما با کشف غیر خطی بودن در ماهیت داده های آب و هوا، تمرکز به سمت پیش بینی غیرخطی داده های آب و هوا تغییر یافته است. اگرچه ادبیات زیادی در آمار غیرخطی برای پیش بینی هوا وجود دارد، اما بیشتر آنها مستلزم آن است که مدل غیرخطی قبل از انجام برآورد مشخص شود. اما از آنجا که داده های آب و هوایی غیرخطی هستند و روند بسیار نامنظمی را دنبال می کنند، شبکه عصبی مصنوعی به عنوان تکنیکی بهتر برای ایجاد رابطه ساختاری بین موجودات مختلف تکامل یافته است. این مقاله با استفاده از مدل های پیش بینی کننده غیرخطی موثر و قابل اعتماد برای تجزیه و تحلیل هوا، کاربرد روش شبکه عصبی مصنوعی را بررسی می کند و همچنین عملکرد مدل های توسعه یافته را با استفاده از توابع انتقال مختلف، لایه های پنهان و نورون ها برای پیش بینی حداکثر، دما برای ۳۶۵ روز سال مقایسه و ارزیابی می کند. در این پژوهش برای غلبه بر چالش های فوق LSTM عمیق مبتنی بر توجه تکاملی برای پیش بینی سری های زمانی چندمتغیره توصیه می شود کاه به طور خودکار، یکی از بهتر ین ترکیب ها از مقادیر پارامترهای LSTM و وزن توجه به ویژگی ها را می یابد. راه حل پیشنهادی از الگوریتم ژنتیک برای تنظیم مناسب معماری شبکه LSTM عمیق بهرهمی گیرد. به منظور ارزیابی عملکرد الگوریتم پیشنهادی از سه مجموعه داده در زمینه های انرژی و محیط زیست بهره گرفته شده است. نتایج آزمایشی نشان می دهند الگوریتم پیشنهادی در مقایسه با سایر مدل های پایه بهتر عمل می کند

پیش بینی دما شبکه عصبی عمیق (DNN) ؛ حافظه کوتاه مدت (LSTM) ؛ شبکه عصبی راجعه (RNN) ؛ تصفیه داده های از دست رفته داده های هواشناسی