عنوان

پیش‌بینی مشخصات هوای شهر تبریز با استفاده از یادگیری عمیق مبتنی بر شبکه های عصبی

شماره

پ۲۶۵۵۲

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

پیش‌بینی مشخصات هوای شهر تبریز با استفاده از یادگیری عمیق مبتنی بر شبکه های عصبی

نام نخستين پديدآور

علی هدانی دودران

نام ناشر، پخش کننده و غيره

پردیس دانشگاه تبریز

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۶۰ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی کامپیوتر- هوش مصنوعی و رباتیکز

زمان اعطا مدرک

۱۴۰۰/۱۱/۰۵

متن يادداشت

پیش‌بینی هوا در طی چند دهه گذشته به یک زمینة مهم تحقیق تبدیل‌شده است که در بیشتر موارد محققین سعی در ایجاد یک رابطه خطی بین داده‌های هوای ورودی و داده‌های هدف مربوطه داشته است. پیش‌بینی دما به‌عنوان يكي از مهم‌ترین پارامترهاي اقليمي در حوزه‌های مختلف مديريت منابع آبي و طبيعي، خشک‌سالی‌ها، مطالعات زیست‌محیطی، خطر سيلاب، كمبود مواد غذايي، گسترش آفات و بیماری‌ها و حمل‌ونقل از اهميت ویژه‌ای دارد. نتایج پیش‌بینی در تعيين سیاست‌های آينده جهت بهینه‌سازی منابع و صرف هزینه‌ها، كنترل و جلوگيري از بحران و استفاده از منابع قابل‌استفاده است. با کشف غیرخطی بودن در ماهیت داده‌های هواشناسی، تمرکز به سمت پیش‌بینی غیرخطی داده‌های هوا تغییر کرده است. اگرچه در آمارهای غیرخطی ادبیات زیادی برای پیش‌بینی وضعیت هوا وجود دارد، اما در اکثر آن‌ها لازم است که مدل غیرخطی قبل از برآورد مشخص شود. همچنین پیش‌بینی هوا یک سیستم غیرخطی و پیچیده و فاقد مدل ریاضی است که به دلیل تغییرپذیر بودن با زمان، امکان پیش‌بینی آن با روش‌های معمول پیش‌بینی امکان‌پذیر نیست. دما یکی از فرا سنج‌های بسیار مهم آب‌و‌هوایی است و از عوامل اصلی هویت آب‌و‌هوایی هر ناحیه محسوب می‌شود. مدت‌ها پیش‌بینی سری‌های زمانی غیرخطی مانند آب‌وهوا یک کار غیرممکن تلقی می‌شد. از اولین مطالعات گزارش‌شده در خصوص پیش‌بینی وضعیت آب‌وهوا تحقیقات متعددی انجام گردیده است که ادعا می‌کنند آب‌وهوا تمایل به دنباله‌روی از یک‌روال تصادفی دارد بنابراین نمی‌توان با هیچ درجه دقت منطقی آن‌ها را پیش‌بینی نمود. با پیشرفت تجهیزات سنجش متغیرهای آب‌وهوا روزانه داده‌های بیشتر و با دقت بالایی جمع‌آوری و ضبط می‌گردند. باوجوداین داده‌های مناسب و استفاده از روش‌های پیش‌پردازش داده، با استفاده از فن‌های یادگیری ماشین می‌توان مدل‌های مناسبی را برای پیش‌بینی آب‌وهوا ارائه نمود. ما در این پایان‌نامه قصد داریم با استفاده از شبکه‌های عصبی بازگشتی با حافظه‌ کوتاه‌مدت بلند و داده‌های آب‌وهوای شهر تبریز مدلی ارائه نماییم که بتواند هوای شهر تبریز را پیش‌بینی نماید. برای این منظور با استفاده از شبکه‌های عصبی با حافظه کوتاه‌مدت بلند و داده‌های آب‌وهوای شهر تبریز مدلی آموزش داده می‌شود تا با استفاده از آن پیش‌بینی انجام پذیرد. پیاده‌سازی این روش با استفاده از زبان برنامه‌نویسی پایتون و کتابخانه کراس انجام می‌گردد. ما در این پایان‌نامه قصد داریم از خصوصیت شبکه‌های عصبی با حافظه کوتاه‌مدت بلند در حفظ اطلاعات از مراحل بسیار قبل استفاده نموده، و مدلی ارائه نماییم که با استفاده از آن نتایج دقیق‌تر حاصل گردیده و امکان پیش‌بینی بازه بیشتری فراهم گردد

متن يادداشت

Weather forecasting has become an important area of research over the past few decades in which, in most cases, researchers have tried to establish a linear relationship between the incoming air data and the relevant target data. Prediction of temperature as one of the most important climatic parameters in various fields of water and natural resource management, droughts, environmental studies, flood risk, food shortages, spread of pests and diseases and transportation is very important. The results of prediction can be used in determining future policies for optimizing resources and costs, control and preventing crises, and use of resources. With the discovery of nonlinearity in the nature of meteorological data, the focus has shifted to nonlinear prediction of weather data. Although there is much research in nonlinear statistics for weather forecasting, in most of them it is necessary to determine the nonlinear model before estimating. Also, air forecasting is a nonlinear and complex system without mathematical model, which due to the variability of time, it is not possible to predict it with the usual prediction methods. Temperature is one of the most important meteorological measures and is one of the main factors in the climate identity of any region. Predicting nonlinear time series such as weather has long been considered impossible. From the first reported studies on weather forecasting, several studies have been conducted that claim that the weather tends to follow a random routine, so they cannot be predicted with any degree of logical accuracy. With development of equipment for measuring climate variables, more data is collected and recorded daily with high accuracy. In spite of collecting appropriate data and use of data processing methods, using machine learning techniques can provide suitable models for weather forecasting. In this thesis, it has been tried to provide a model that can predict the weather in Tabriz using recurrent neural networks with long short-term memory and weather data of Tabriz. For this purpose, a model is proposed using neural networks with long short-term memory and weather data of Tabriz city to make predictions using it. This method is implemented using the Paython and Keras programming language. In this thesis, it has been tried to use the characteristics of neural networks with long short-term memory to retain information from much earlier stages and propose a model that can be used to obtain more accurate results and to provide a longer prediction interval

عنوان گونه گون

Prediction of Weather Features of Tabriz City Using Deep Learning Based on Recurrent Neural Networks

عنصر شناسه اي

‏هدانی دودران،

ساير عناصر نام

‏‏علی

کد نقش

تهيه کننده

عنصر شناسه اي

‏پاشا‌زاده،

عنصر شناسه اي

‏برادرانی،

ساير عناصر نام

‏‏سعید

ساير عناصر نام

‏آریاز

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

تبریز