ارزیابی کارائی مدل شبکه عصبی حافظه کوتاه مدت طولانی در پیش بینی سری زمانی یونوسفر و مقایسه آن با مدل های GRNN، GIM و NeQuick

در این مقاله ایده استفاده از مدل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) به منظور مدل سازی و پیش بینی سری زمانی یونوسفر در دوره فعالیت های شدید خورشیدی به عنوان یک روش جدید ارایه شده است. با استفاده از مدل جدید مقدار محتوای الکترون کلی (TEC) مدل سازی شده و سپس تغییرات زمانی آن در دوره فعالیت های شدید خورشیدی و ژیومغناطیسی (سال 2017) پیش بینی می شود. برای بررسی کارایی روش مورد اشاره، از مشاهدات ایستگاه GPS تهران (N35/69 ، E51/33) که یکی از ایستگاه های شبکه جهانی IGS می باشد، استفاده شده است. مشاهدات سال های 2007 الی 2016 برای آموزش مدل مورد نظر به کار گرفته شده و سپس با مدل آموزش دیده، سری زمانی TEC در سال 2017 پیش بینی می شوند. نتایج حاصل از مدل جدید با نتایج حاصل از مدل شبکه عصبی رگرسیون عمومی (GRNN)، مدل تجربی NeQuick و خروجی شبکه جهانی IGS (GIM-TEC) مقایسه شده است. همچنین از شاخص های آماری ضریب همبستگی، خطای نسبی و جذر خطای مربعی میانگین (RMSE) به منظور بررسی دقت و صحت مدل ها استفاده می شود. مقدار RMSE به دست آمده برای مدل های LSTM، GRNN، GIM و NeQuick در مرحله تست سال 2017 به ترتیب برابر با 2/87، 4/51، 4/14 و 6/38 TECU می باشد. آنالیز مولفه های مختصاتی ایستگاه تهران با روش تعیین موقعیت نقطه ای دقیق (PPP) نشان می دهد که با استفاده از مدل جدید، بهبودی در حدود 5/19 الی 56/23 میلیمتر در مختصات ایستگاه نسبت به سایر مدل ها دیده می شود. نتایج حاصل از این تحقیق نشان می دهد که دقت و صحت مدل LSTM برای پیش بینی مقدار TEC در دوره فعالیت های شدید خورشیدی و ژیومغناطیسی، در مقایسه با مدل های GRNN، NeQuick و GIM بیشتر است.