Korektor meteorološkog prognostičkog niza temeljen na strojnom učenju

diplomski rad

• Naslov (engleski): Weather forecast sequence corrector based on machine learning
• Autor: Danijel Bošnjak
• Mentor: Mario Vašak (mentor)
• Član povjerenstva: Mario Vašak (predsjednik povjerenstva)
• Član povjerenstva: Branimir Novoselnik (član povjerenstva)
• Član povjerenstva: Anita Banjac (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-09-22, Hrvatska

Sažetak

Ovaj rad istražuje i definira korektor za predviđanje vremenskih varijabli. U pitanju su vremenske varijable temperatura, direktno i difuzno zračenje. Objašnjavaju se izvori podataka, a potom i pretprocesiranje istih podataka, što uključuje uzorkovanje, uklanjanje nepostojećih vrijednosti i spajanje podataka. Zatim su predstavljeni modeli korišteni u eksperimentu, kao i metrike procjene (model je ocijenjen s R-kvadratom i RMSE). Na kraju se modeli treniraju i testiraju, a nakon toga uspoređuju. Pronađen je model s najboljom metrikom procjene i dobili smo uvid u to zašto su neki modeli imali bolje rezultate od drugih.

Sažetak (engleski)

This thesis explores and defines a corrector for predicting weather variables. Weather variables in question are temperature, direct and diffuse irradiance. Data sources are explained, and then preprocessing of the same data, which includes sampling, removing missing values and merging data. Then, models used for the experiment were introduced, as well as evaluation metrics (model was evaluated with R-squared and RMSE). Finally, models are trained and tested, and after that, compared. Model with the best evaluation metrics was found and we got an insight in why some models were performing better than others.

• Ključne riječi: strojno učenje; model; linearna regresija; LightGBM; neuronska mreza; set za treniranje i testiranje; srednja kvadratna greška; skaliranje
• Ključne riječi (engleski): machine learning; model; linear regression; LightGBM; neural network; training and test set; root mean square error; scaling
• Jezik: engleski
• URN:NBN: urn:nbn:hr:168:924587
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-10-11 08:30:28