Предсказание временных рядов солнечной активности с помощью искусственной нейронной сети LSTM

Солнце влияет на все, что находится на Земле, поэтому характеристике солнечной активности входят как основные параметры в модели окружающей среды, используемых в геофизике. Для моделей верхних слоев атмосферы, ионосферы и магнитосферы непосредственно солнечную активность характеризуют двумя индексами: число солнечных пятен R и F10.7 - среднесуточное значение потока радиоизлучения на волне 10.7 см. Эти индексы необходимо знать как в текущее время, так и уметь его предсказывать для прогностических моделей.
Построена численная модель предсказания временных рядов параметров солнечной активности — числа солнечных пятен R и потока радиоизлучения на волне 10.7 см F10.7 вперед на 28 суток. Численная модель использует искусственную нейронную сеть (ИНС) с LSTM (Long short-term memory) слоями, реализованную на языке Python в пакете keras библиотеки tensorflow. Сеть обучалась по данным за 5 солнечных суток (140 земных дней) предсказывать значения вперед на 28 дней (1 оборот Солнца вокруг своей оси). Для этого из всего ряда данных сформированы массивы векторов из 140 значений для подачи на вход сети, и соответствующие им массивы векторов из 28 истинных следующих за ними значений для подачи на выход сети во время тренировки. Подаваемые на вход значения последовательно кодируются во внутреннем состоянии первого LSTM слоя, которое подается на второй LSTM слой, который предсказывает следующие значения. Эти значения сравнивались с истинными, в процессе обучения минимизировалась метрика «средняя абсолютная ошибка» MAE – mean absolute error). Тренировалась сеть на значениях с 01.01.1963 до начала текущего 25 солнечного цикла, проверочная выборка в размере 20% выделялась из этого массива. Данные с начала текущего цикла оставлены для независимого тестирования. Средняя абсолютная ошибка предсказания модели составляет менее 2 %. Модель в реальном времени реализована на сайте http://aurora.pgia.ru/AI. Работа поддержана Российским научным фондом, проект № 22-12- 20017.