Modèles de prédiction de la température de l'air pour la conception de revêtements : une approche basée sur le gradient boosting

Cet article présente une approche basée sur l'apprentissage automatique pour la prédiction des températures maximales à 7 jours et minimales à 1 jour en Inde. Dans cette approche, un modèle de gradient boosting est développé en utilisant la latitude, la longitude et l'altitude comme caractéristiques du modèle. Les données brutes pour cette étude consistaient en des données horaires de température de l'air collectées sur 30 ans à travers 20 168 points de grille en Inde. Dans le cadre de la méthodologie prédictive, une analyse par clusters a été réalisée initialement, ce qui a aidé à obtenir des régions homogènes. Trois approches différentes, clustering empirique, clustering par état et clustering k-moyens, ont été utilisées. Les caractéristiques du modèle relatives à chaque cluster ont été utilisées avec une approche de gradient boosting. Une analyse statistique a été menée pour vérifier la précision des prédictions du modèle basées sur différentes techniques de clustering. Dans tous les cas, les prédictions faites au niveau global ont donné de mauvais résultats. Dans la plupart des cas, les résultats obtenus avec le clustering k-moyens ont montré qu'augmenter le nombre de clusters améliorait la précision prédictive. De plus, la précision prédictive avec le clustering par état ou le clustering k-moyens dépendait de plusieurs caractéristiques impliquées. Les modèles prédictifs proposés ont une structure très simple qui nécessite le minimum d'entrée (c'est-à-dire des indicateurs géographiques). Ainsi, ceux-ci peuvent être utilisés pour un calcul plus rapide et précis des températures maximales à 7 jours et minimales à 1 jour.