Проблемы космофизики

Итеративный отбор существенных признаков в условиях их мультиколлинеарности при прогнозировании временных рядов

Not scheduled

20m

Устный доклад

Speaker

Николай Щуров (Физический факультет МГУ им. М. В. Ломоносова)

Description

Магнитосфера Земли представляет собой сложную динамическую систему, состояние и поведение которой зависит не только от её текущего состояния и от внешнего воздействия на неё, но и от предыстории. Для прогнозирования её состояния могут использоваться методы машинного обучения. При этом для учёта предыстории следует использовать либо рекуррентные алгоритмы, либо погружение (топологическое вложение) многомерного временного ряда входных переменных, при котором в каждый пример данных включаются, помимо текущих значений входных переменных, также их предыдущие значения с задержками от одного шага временного ряда до величины, называемой глубиной погружения.
Недостатком погружения временного ряда является кратное увеличение количества входных признаков, что повышает требования к количеству примеров в обучающей выборке и может создавать проблемы, связанные с переучиванием моделей. Между тем, получаемые при погружении временного ряда входные признаки характеризуются мультиколлинеарностью и несут во многом сходную информацию. Поэтому для понижения размерности входных данных при прогнозировании правильно использовать алгоритмы отбора входных признаков, которые учитывают мультиколлинеарность.
В данной работе рассматривается задача прогнозирования геомагнитного индекса Dst, а в качестве входных данных используются данные о параметрах солнечного ветра и межпланетного магнитного поля в точке Лагранжа L1 между Солнцем и Землёй, а также предыстория самого прогнозируемого индекса.
Отбор существенных входных признаков осуществляется с помощью метода, основанного на итеративном отборе признаков с наибольшей корреляцией по отношению к целевой переменной и исключении признаков с высокой взаимной корреляцией. Этот метод сравнивается с традиционным методом отбора - кросс-корреляционным фильтром, а также с ограничением глубины погружения каждого входного параметра по величине автокорреляции без использования отбора. Критерием сравнения является среднеквадратичная ошибка построенного на отобранном наборе признаков прогноза Dst-индекса на независимых данных.
Исследование выполнено за счёт гранта Российского научного фонда № 23-21-00237, https://rscf.ru/project/23-21-00237/.