Práce se zabývá krátkodobou předpovědí meteorologických veličin pomocí metod umělé inteligence, konkrétně za pomoci neuronové sítě. Zaměřuje se na různě dlouhé intervaly předpovědi a předkládá několik přístupů a metod, jejichž cílem je dosáhnout co nejlepší možné kvality předpovědi a minimální chyby. Mezi zkoumané metody patří hledání optimální struktury sítě, normalizace dat, využití dat z více meteostanic pro učení sítě a učení daty z dlouhého časového období. V závěru pak práce shrnuje získané výsledky a předkládá doporučení pro optimální přístup k předpovědi zkoumaných meteorologických veličin.
Anotace v angličtině
Thesis is focused on short-term prediction of the meteorological quantities using methods of the artificial intelligence, specifically neural networks. It is focused on prediction intervals with different sizes and several approaches to gain best possible quality of the prediction and the smallest error is presented. The research in this thesis contains experiments with the network size and structure, data normalization, usage of more data inputs from second meteorological station and network training by the long-term data. In the end, there is a summary of results and recommendations of best approaches to meteorological quantities prediction.
Práce se zabývá krátkodobou předpovědí meteorologických veličin pomocí metod umělé inteligence, konkrétně za pomoci neuronové sítě. Zaměřuje se na různě dlouhé intervaly předpovědi a předkládá několik přístupů a metod, jejichž cílem je dosáhnout co nejlepší možné kvality předpovědi a minimální chyby. Mezi zkoumané metody patří hledání optimální struktury sítě, normalizace dat, využití dat z více meteostanic pro učení sítě a učení daty z dlouhého časového období. V závěru pak práce shrnuje získané výsledky a předkládá doporučení pro optimální přístup k předpovědi zkoumaných meteorologických veličin.
Anotace v angličtině
Thesis is focused on short-term prediction of the meteorological quantities using methods of the artificial intelligence, specifically neural networks. It is focused on prediction intervals with different sizes and several approaches to gain best possible quality of the prediction and the smallest error is presented. The research in this thesis contains experiments with the network size and structure, data normalization, usage of more data inputs from second meteorological station and network training by the long-term data. In the end, there is a summary of results and recommendations of best approaches to meteorological quantities prediction.
Seznamte se s možnostmi soft computingových nástrojů pro predikování.
Zpracujte vhodným způsobem data firmy Navmatix s.r.o. k budoucímu modelování předpovědi počasí.
Využijte neuronové sítě a navrhněte vhodný typ, strukturu a natrénujte na zvoleném datasetu.
Prověďte validaci a testování.
Prověďte hodnocení míry úspěšnosti předpovědi počasí.
Zásady pro vypracování
Seznamte se s možnostmi soft computingových nástrojů pro predikování.
Zpracujte vhodným způsobem data firmy Navmatix s.r.o. k budoucímu modelování předpovědi počasí.
Využijte neuronové sítě a navrhněte vhodný typ, strukturu a natrénujte na zvoleném datasetu.
Prověďte validaci a testování.
Prověďte hodnocení míry úspěšnosti předpovědi počasí.
Seznam doporučené literatury
MAQSOOD, I., KHAN, M. R., ABRAHAM, A.: An ensemble of neural networks for weather forecasting, Neural Computing Application, roč. 2004 čís. 13. s. 112122. Springer Verlag. 2004. DOI 10.1007/s00521-004-0413-4.
BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, c2006, xx, 738 s. ISBN 0-387-31073-8.
MITCHELL, Tom M. Machine learning. Boston: WCB/McGraw-Hill, c1997, xvii, 414 s. ISBN 0-07-042807-7.
BÍLA J.: Umělá inteligence a neuronové sítě v aplikacích, ČVUT, 1996, ISBN 80-01-01275-1.
ZELINKA, Ivan. Umělá inteligence I. Volume 1. Zlín: Vutium, Brno, 1998, 126 p. ISBN 80-214-1163-5.
BOSE N.K., LIANG P.: Neural Network Fundamentals with Graphs, Algorithms, and Applications, McGraw-Hill Series in Electrical and Computer Engineering, 1996, ISBN 0-07-006618-3.
CULCLASURE, Andrew: Using Neural Networks to Provide Local Weather Forecasts (2013). Electronic Theses \& Dissertations. Paper 32. College of Graduate Studies. Georgia Southern University.
ŠÍMA J., NERUDA R.: Teoretické otázky neuronových sítí. Vyd. 1. Praha, 1996: Matfyzpress, 390 s., ISBN 80-85863-18-9
Seznam doporučené literatury
MAQSOOD, I., KHAN, M. R., ABRAHAM, A.: An ensemble of neural networks for weather forecasting, Neural Computing Application, roč. 2004 čís. 13. s. 112122. Springer Verlag. 2004. DOI 10.1007/s00521-004-0413-4.
BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, c2006, xx, 738 s. ISBN 0-387-31073-8.
MITCHELL, Tom M. Machine learning. Boston: WCB/McGraw-Hill, c1997, xvii, 414 s. ISBN 0-07-042807-7.
BÍLA J.: Umělá inteligence a neuronové sítě v aplikacích, ČVUT, 1996, ISBN 80-01-01275-1.
ZELINKA, Ivan. Umělá inteligence I. Volume 1. Zlín: Vutium, Brno, 1998, 126 p. ISBN 80-214-1163-5.
BOSE N.K., LIANG P.: Neural Network Fundamentals with Graphs, Algorithms, and Applications, McGraw-Hill Series in Electrical and Computer Engineering, 1996, ISBN 0-07-006618-3.
CULCLASURE, Andrew: Using Neural Networks to Provide Local Weather Forecasts (2013). Electronic Theses \& Dissertations. Paper 32. College of Graduate Studies. Georgia Southern University.
ŠÍMA J., NERUDA R.: Teoretické otázky neuronových sítí. Vyd. 1. Praha, 1996: Matfyzpress, 390 s., ISBN 80-85863-18-9
Přílohy volně vložené
1 CD-ROM
Přílohy vázané v práci
ilustrace, grafy, schémata, tabulky
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Diplomant odprezentoval před komisí hlavní cíle a výsledky své diplomové práce. Následně byl student seznámen s posudky vedoucího a oponenta diplomové práce. Diplomant postupně odpověděl na otázky oponenta práce.
Komise vznesla k obhajobě následující dotazy:
1) doc. Ing. Zuzana Komínková Oplatková, Ph.D.: Byl v použité literatuře pouze algoritmus Backpropagation nebo i Levenberg-Marquardtův?
2) doc. Ing. Bronislav Chramcov, Ph.D.: V rámci práce byla vytvořena jedna obecná síť pro všechny problémy, nebo sadu samostatných sítí? Kolik bylo vstupních veličin u dílčí sítě pro předpověď teploty? Jak byla dlouhá trénovací množina?
3) Ing. Miroslav Matýsek, Ph.D.: Jaká je úspěšnost předpovědi?
Student odpovídal na otázky v dostatečné míře.