Predicción del número de manchas solares con un modelo híbrido basado en CNN de 1D, BiLSTM y mecanismo de atención de múltiples cabezas
Autores: Chen, Huirong; Liu, Song; Yang, Ximing; Zhang, Xinggang; Yang, Jianzhong; Fan, Shaofen
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicción del número de manchas solares con un modelo híbrido basado en CNN de 1D, BiLSTM y mecanismo de atención de múltiples cabezas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Manchas solares
Predicción de actividad solar
Características
Relaciones
1D-CNN
BiLSTM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
Las manchas solares tienen un impacto significativo en las actividades humanas. En este estudio, nuestro objetivo fue mejorar la precisión en la predicción de la actividad solar. Para predecir el número de manchas solares basado en diferentes aspectos, como características extraídas y relaciones entre los datos, desarrollamos un modelo híbrido que incluye una red neuronal convolucional unidimensional (1D-CNN) para extraer las características de las manchas solares y una memoria a corto y largo plazo bidireccional (BiLSTM) incrustada con un mecanismo de atención multi-cabeza (MHAM) para aprender las relaciones internas entre los datos y finalmente predecir el número de manchas solares. Evaluamos nuestro modelo y varios modelos existentes de acuerdo con diferentes indicadores de evaluación, como el error absoluto medio (MAE) y el error cuadrático medio (RMSE). En comparación con los modelos informer, LSTM apilado, XGBoost-DL y EMD-LSTM-AM, el RMSE y MAE de nuestros resultados fueron más de 42.5% y 65.1% más bajos, respectivamente. Los resultados experimentales demuestran que nuestro modelo tiene una precisión mayor que otros métodos.
Descripción
Las manchas solares tienen un impacto significativo en las actividades humanas. En este estudio, nuestro objetivo fue mejorar la precisión en la predicción de la actividad solar. Para predecir el número de manchas solares basado en diferentes aspectos, como características extraídas y relaciones entre los datos, desarrollamos un modelo híbrido que incluye una red neuronal convolucional unidimensional (1D-CNN) para extraer las características de las manchas solares y una memoria a corto y largo plazo bidireccional (BiLSTM) incrustada con un mecanismo de atención multi-cabeza (MHAM) para aprender las relaciones internas entre los datos y finalmente predecir el número de manchas solares. Evaluamos nuestro modelo y varios modelos existentes de acuerdo con diferentes indicadores de evaluación, como el error absoluto medio (MAE) y el error cuadrático medio (RMSE). En comparación con los modelos informer, LSTM apilado, XGBoost-DL y EMD-LSTM-AM, el RMSE y MAE de nuestros resultados fueron más de 42.5% y 65.1% más bajos, respectivamente. Los resultados experimentales demuestran que nuestro modelo tiene una precisión mayor que otros métodos.