Key points are not available for this paper at this time.
تتميز التوهجات الشمسية باندلاعات مفاجئة من الإشعاع الكهرومغناطيسي من سطح الشمس، وتسببها التغيرات في حالات المجال المغناطيسي في المناطق الشمسية النشطة. يمكن أن تعاني الأرض وبيئة الفضاء المحيطة بها من آثار سلبية متنوعة ناجمة عن التوهجات الشمسية، تتراوح من انقطاع الاتصالات الإلكترونية إلى مخاطر صحية قائمة على التعرض للإشعاع لرواد الفضاء. في هذه الورقة، نتناول مشكلة توقع التوهج الشمسي من بيانات سلسلة زمنية متعددة المتغيرات (MVTS) المستندة إلى معلمات المجال المغناطيسي باستخدام مجموعة من مصنفي التعلم الآلي المتطورة التي تشمل تحويل نواة التلافيف العشوائية الحد الأدنى (MiniRocket)، وآلة الدعم المتجه (SVM)، وغابة الفاصل الزمني Canonical (CIF)، والمتعلم التسلسلي عدة تمثيلات (Mr-SEQL)، ونموذج التعلم العميق القائم على الذاكرة طويلة وقصيرة الأجل (LSTM). تم إجراء تجربتنا على مجموعة البيانات المرجعية لتحليلات الطقس الفضائي للتوهجات الشمسية (SWAN-SF)، وهي مجموعة مقسمة من بيانات MVTS لمعلمات المجال المغناطيسي في المناطق النشطة التي تغطي تسع سنوات من تشغيل مرصد ديناميكا الشمس (SDO). تم تصنيف حالات MVTS في مجموعة بيانات SWAN-SF بواسطة تسميات فئة التوهجات القائمة على تدفق أشعة X من GOES، وتعزى إلى عدم توازن شديد في الفئات بسبب ندره الأحداث التوهجية الكبرى (مثل، X و M). كنقطة تحقّق في الأداء في مجموعة البيانات غير المتوازنة هذه، استخدمنا درجة إحصائية المهارة الحقيقية (TSS). أخيرًا، نوضح مزايا خوارزمية تعلم MVTS MiniRocket، التي تفوقت على المصنفات المذكورة أعلاه دون الحاجة إلى خطوات معالجة بيانات أساسية مثل التطبيع والتلخيص الإحصائي والتعامل مع آليات عدم توازن الفئات.
درس ساينى وآخرون (الجمعة) هذا السؤال.