Вестник КРАУНЦ. Физ.-мат. науки. 2020. Т. 33. № 4. C. 110-121. ISSN 2079-6641
Содержание выпуска/Contents of this issue
ИНФОРМАЦИОННЫЕ И ВЫЧИСЛИТЕЛЬНЫЕ ТЕХНОЛОГИИ
Научная статья
УДК 551.510.535
Применение долгой краткосрочной памяти и управляемых рекуррентных блоков для прогнозирования значений геомагнитных индексов
В. А. Мочалов, А. В. Мочалова
Институт космофизических исследований и распространения радиоволн ДВО РАН, 684034, Камчатский край, c. Паратунка, ул. Мирная, 7
E-mail: a.mochalova@ikir.ru
В работе с помощью глубокого обучения рассматривается прогнозирование значений следующих геомагнитных индексов (ГИ): Dst, Kp, AE и AP. Для прогнозирования используются архитектуры долгой краткосрочной памяти (LSTM) и управляемых рекуррентных блоков (GRU). Для различных ГИ индексов анализируется функция потерь в за-висимости от периодичности исходных данных. Установлено, что чем меньше периодичность исходных данных ГИ тем точнее осуществляется прогноз следующего значения ГИ. Для анализа использовались следую-щие периоды исходных данных ГИ: час, 3 часа, сутки.
Ключевые слова: геомагнитные индексы, прогнозирование, Dst индекс, Kp-индекс, AE индекс, AP индекс, долгая краткосрочная память, управляемые рекуррентныеблоки.
DOI: 10.26117/2079-6641-2020-33-4-110-121
Поступила в редакцию: 15.10.2020
В окончательном варианте: 02.12.2020
Для цитирования. Мочалов В. А., Мочалова А. В. Применение долгой краткосрочной памяти и управляемых рекуррентных блоков для прогнозирования значений геомагнитных индексов // Вестник КРАУНЦ. Физ.-мат. науки. 2020. Т. 33. № 4. C. 110-121. DOI: 10.26117/2079-6641-2020-33-4-110-121
Контент публикуется на условиях лицензии Creative Commons Attribution 4.0 International
(https://creativecommons.org/licenses/by/4.0/deed.ru)
© Мочалов В. А., Мочалова А. В., 2020
Финансирование. Работа выполнялась в рамках государственного задания по теме «Динамика физических процессов в активных зонах ближнего космоса и геосфер» (Рег.№ АААА-А17-117080110043-4).
Конкурирующие интересы. Авторы заявляют, что конфликтов интересов в отношении авторства и публикации нет.
Авторский вклад и ответственность. Все авторы участвовали в написании статьи и полностью несут ответственность за предоставление окончательной версии статьи в печать. Окончательная версия рукописи была одобрена всеми авторами.
INFORMATION AND COMPUTING TECHNOLOGIES
Research Article
MSC 86A25
The use of long short-term memory and gated recurrent unit for predicting the values of geomagnetic indices
V. A. Mochalov, A. V. Mochalova
Institute of Cosmophysical Researches and Radio Wave Propagation Far-Eastern Branch Russian Academy of Sciences, 684034, Kamchatskiy Kray, Paratunka, Mirnaya st., 7
E-mail: a.mochalova@ikir.ru
In this work, with the help of deep learning, predicting the values of the following geomagnetic indices (GI) is considered: Dst, Kp, AE and Ap. For forecasting we use the architectures are long short-term memory (LSTM) and gated recurrent unit (GRU). For various GI indices, the loss function is analyzed depending on the periodicity of the source data. It has been established that forecasting accuracy increases with decreasing periodicity of the initial data of geomagnetic indices. For the analysis, the following periods of the initial GI data were used: hour, 3 hours, day. For the analysis we used hour, 3 hours and day periods of the initial GI source data.
Key words: geomagnetic indices, forecasting, Dst index, Kp-index, AE index, AP index, long short-term memory, managed recurrent blocks.
DOI: 10.26117/2079-6641-2020-33-4-110-121
Original article submitted: 15.10.2020
Revision submitted: 02.12.2020
For citation. Mochalov V. A., Mochalova A.V. The use of long short-term memory and gated recurrent unit for predicting the values of geomagnetic indices. Vestnik KRAUNC. Fiz.-mat. nauki. 2020, 33: 4, 110-121. DOI: 10.26117/2079-6641-2020-33-4-110-121
Competing interests. The authors declare that there are no conflicts of interest regarding authorship and publication.
Contribution and Responsibility. All authors contributed to this article. Authors are solely responsible for providing the final version of the article in print. The final version of the manuscript was approved by all authors.
The content is published under the terms of the Creative Commons Attribution 4.0 International License (https://creativecommons.org/licenses/by/4.0/deed.ru)
© Mochalov V. A., Mochalova A.V., 2020
Funding. The work was carried out within the framework of the state assignment on the topic «Dynamics of physical processes in active zones of near space and geospheres» (Reg. No. АААА-А17-117080110043-4).
Список литература/References
- Заболотная Н. А., Индексы геомагнитной активности, Изд-во ЛКИ, М, 2007, 88 с. [Zabolotnaya N. A., Indeksy geomagnitnoy aktivnosti, Izd-vo LKI, M, 2007 (in Russian), 88 pp.]
- Sugiura M., “Hourly values of equatorialDstfor the IGY”, Annals of the International Geophysical Year, 35 (1964), 7–45.
- Амиантов А. С., Зайцев А. Н., Одинцов В. И., Петров В. Г., Вариации магнитного поля Земли, База цифровых данных магнитных обсерваторий России за период 1984-2000 гг на CD-ROM, Москва, 2001, 44 с. [Amiantov A. S., Zaytsev A. N., Odintsov V. I., Petrov V. G., Variatsii magnitnogo polya Zemli, Baza tsifrovykh dannykh magnitnykh observatoriy Rossii za period 1984-2000 gg na CD-ROM, Moskva, 2001 (in Russian), 44 pp.]
- (date of the application: 15.07.2020), The Kp-index https://www.spaceweatherlive.com/ru/avroralnaya-aktivnost/kr-indeks.
- Lethy A., El-Eraki M. A., Samy A., Deebes H. A., “Prediction of the Dst index and analysis of its dependence on solar wind parameters using neural network”, Space Weather, 16 (9) (2018), 1277-1290.
- Sexton E. S., Nykyri K., Ma X., “Kp forecasting with a recurrent neural network”, J. Space Weather Space Clim, 9 (2019), A19.
- Myagkova I., Shiroky V., Dolenko S., “Prediction of geomagnetic indexes with the helpof artificial neural networks”, Solar-Terrestrial Relations and Physics of Earthquake Precursors conference, E3S Web of Conferences 20, 2017, 02011.
- Hochreiter S., Schmidhuber J., “Long short-term memory”, Neural Computation, 9 (8) (1997), 1735-1780.
- (date of the application: 10.08.2020), Long short-term memory
https://en.wikipedia.org/wiki/Long_short-term_memory. - (date of the application: 14.08.2020), Keras — Python Deep Learning library https://keras.io.
- Intro to Recurrent Neural Networks LSTM | GRU https://www.kaggle.com/thebrownviking20/intro-to-recurrent-neural-networks-lstm-gru.
- (date of the application:27.06.2020), Dst and AE indices http://wdc.kugi.kyotou. ac.jp/dstae/index.html
- (date of the application: 20.06.2020), Kp index (with ap, Ap indices) http://wdc.kugi.kyotou.ac.jp/kp/ index.html#LIST.
- Kyunghyun C., Merrienboer B., Caglar G., Bahdanau D., Bougares F., Schwenk H., Bengio Y., Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation, ArXiv, 1406.1078, 2014.
- (date of the application: 22.08.2020), Gated recurrent unit
https://en.wikipedia.org/wiki/Gated_recurrent_unit.

Мочалов Владимир Анатольевич – кандидат технических наук, старший научный сотрудник лаборатории системного анализа, Институт космофизических исследований и распространения радиоволн ДВО РАН, Камчатский край, c. Паратунка, Россия.
Mochalov Vladimir Anatolyevich – Ph.D. (Tech.), Senior Researcher, System Analysis Laboratory, Institute of Cosmophysical Research and Radio Wave Propagation FEB RAS, Kamchatka Territory, v. Paratunka, Russia.

Мочалова Анастасия Викторовна – кандидат технических наук, научный сотрудник лаборатории системного анализа, Институт космофизических исследований и распространения радиоволн ДВО РАН, Камчатский край, с. Паратунка, Россия.
Mochalova Anastasia Viktorovna – Ph.D. (Tech.), Researcher, System Analysis Laboratory, Institute of Cosmophysical Research and Radio Wave Propagation FEB RAS, Kamchatka Territory, v. Paratunka, Russia.