Система прогнозування метеоумов за допомогою алгоритму випадкового лісу

Abstract

UA: Об`єктом дослідження в роботі є системи прогнозування метеоумов за допомогою методу машинного навчання. Метою роботи є проектування програмно- апаратно прототипу системи прогнозування метеоумов. В роботі використані такі методи дослідження, як аналіз та синтез моделей прогнозування метеоумов. В роботі засобами UML діаграм описані концептуальна та фізична моделі системи прогнозування. Логічна модель прогнозування температури сформована як нечітка когнітивна карта в Mental Modeler та як нечітка система класифікації в MATLAB. Фізична модель створена в Tinkercad. Пропонується використання ESP8622, DHT11, DHT22, BMP180 та Anemometer Wind Speed Sensor для отримання локальних метеоданих. Динамічна модель системи короткочастного прогнозування метеоумов створена в середовищі Node-RED шляхом інтеграції модулів системи. Історичні метеодані залучені за допомогою інтерфейсу програмних додатків відкритих метеоресурсів. Програмне забезпечення системи реалізовано з використанням Python бібліотек Meteostat, Pandas та Scikit-learn. Метод Random Forest навчено та протестовано на історичних даних.

EN: The object of research in the work is weather forecasting systems using machine learning method. The purpose of the work is to design a software-hardware prototype of a weather forecasting system. The work uses such research methods as analysis and synthesis of weather forecasting models. The work describes the conceptual and physical models of the forecasting system using UML diagrams. The logical model of temperature forecasting is formed as a fuzzy cognitive map in Mental Modeler and as a fuzzy classification system in MATLAB. The physical model is created in Tinkercad. It is proposed to use ESP8622, DHT11, DHT22, BMP180 and Anemometer Wind Speed Sensor to obtain local weather data. The dynamic model of the short-term weather forecasting system is created in the Node-RED environment by integrating the system modules. Historical weather data has been involved using the interface of open weather resource software applications. The system software is implemented using the Python libraries Meteostat, Pandas and Scikit-learn. The Random Forest method was trained and tested on historical data. Testing the system in Node-RED showed satisfactory results.