Izboljšava lokalnih napovedi temperature s strojnim učenjemKuralt, Petra (Avtor) Žunkovič, Bojan (Mentor) Napovedovanje vremenanapovedovanje temperaturenumerični model ECMWFridge regresijanaključni gozdoviXGBoostV diplomskem delu smo iskali rešitev za lokalno izboljšavo napovedovanja temperature s strojnim učenjem. Zgradili smo tri različne modele napovedovanja, ki za vhod združijo napovedi globalnega numeričnega vremenskega modela ECMWF s trenutnimi meritvami atmosfere na specifični lokaciji. Ker so numerični modeli omejeni s prostorsko ločljivostjo in napovedujejo zgolj na diskretnih mrežnih točkah, smo kot atribute vzeli štiri najbližje točke napovedi ECMWF modela ter jih združili z meritvami različnih vremenskih spremenljivk iz domače vremenske postaje. Napovedovali smo urno temperaturo do 72 ure vnaprej ter implementirali tri modele strojnega učenja: ridge regresijo, naključne gozdove in XGBoost. Modele smo testirali z 72 podatkovnimi množicami, kjer je bila vsaka množica zgrajena iz enakih atributov, a drugačne ciljne spremenljivke, skladne z dolžino napovedi. Uspešnost algoritmov smo na koncu ovrednotili s tremi metrikami in s Friedman ter Nemenyi statističnima testoma, kjer smo ugotovili, da vsi trije modeli v primerjavi z modelom ECMWF izboljšajo napoved temperature. Najuspešnejši izmed njih je bil model XGBoost.20232023-09-15 10:00:00Diplomsko delo150256sl