Modelo de Memoria a Largo Corto Plazo (LSTM) de Capa Simple y Múltiple con Variables Intermedias para Pronóstico Meteorológico

El pronóstico del tiempo ha ganado atención de muchos investigadores de diversas comunidades de investigación debido a su efecto en la vida humana global. Las técnicas emergentes de aprendizaje profundo en la última década, junto con la amplia disponibilidad de datos masivos de observación meteorológica, han motivado a muchas investigaciones a explorar patrones jerárquicos ocultos en el gran volumen de conjuntos de datos meteorológicos para el pronóstico del tiempo. Los propósitos de esta investigación son construir un modelo estadístico robusto y adaptable para pronosticar la variable meteorológica univariada en el área del aeropuerto de Indonesia y explorar el efecto de la variable meteorológica intermedia relacionada con la precisión de la predicción utilizando el modelo de Memoria a Largo Corto (LSTM) de capa simple y el modelo LSTM de múltiples capas. El modelo de pronóstico propuesto es una extensión del modelo LSTM al agregar una señal de variable intermedia en el bloque de memoria LSTM. La premisa es que dos patrones altamente relacionados en el conjunto de datos de entrada corregirán los patrones de entrada, facilitando así que el modelo aprenda y reconozca el patrón del conjunto de datos de entrenamiento. En un esfuerzo por lograr un modelo robusto para aprender y reconocer patrones meteorológicos, esta investigación también explorará varias arquitecturas, como LSTM de capa simple y LSTM de múltiples capas (4 capas LSTM). El conjunto de datos es información sobre variables meteorológicas recopilada por Weather Underground en el aeropuerto Hag Nadim de Indonesia. Esta investigación utilizó la visibilidad como dato pronosticado y temperatura, presión, humedad y punto de rocío como datos intermedios. El mejor modelo de LSTM en este experimento es el LSTM de múltiples capas y la mejor variable intermedia es la presión. Usando la variable de presión, este modelo ha obtenido una precisión de validación de 0.8060 y un RMSE de 0.0775.