Resumen

Se necesita una predicción más precisa y oportuna de las precipitaciones para reducir y prevenir los desastres causados por las inundaciones en Wuhan. Los sensores in situ de los sistemas microelectromecánicos (MEMS) pueden proporcionar una alta resolución temporal y espacial de la medición de los parámetros meteorológicos, pero adolecen de un error de medición estocástico. Con el fin de aplicar los sensores MEMS a la predicción de precipitaciones en tiempo real en Wuhan, en primer lugar se utiliza el algoritmo de descomposición de tendencias estacionales mediante Loess (STL) para descomponer las series temporales observadas en componentes de tendencia, estacionales y remanentes. La tendencia de la serie observada se compara con la tendencia correspondiente de los datos descargados del sitio web autorizado con el mismo parámetro meteorológico en términos de distancia euclidiana y similitud del coseno. La similitud demuestra que la observación de los sensores MEMS es creíble. En segundo lugar, se utiliza la memoria a largo plazo (LSTM) para predecir las precipitaciones en tiempo real a partir de los datos observados. En comparación con la media autorregresiva y móvil (ARMA), el bosque aleatorio (RF), la máquina de vectores de soporte (SVM) y las redes neuronales de retropropagación (BPNN), LSTM no sólo funciona tan bien como ARMA en la predicción de precipitaciones en tiempo real, sino que también supera a los otros cuatro modelos en la descripción de patrones de precipitaciones estacionales y en la predicción de precipitaciones estacionales en tiempo real. Los resultados de nuestros experimentos demuestran que es posible conseguir una predicción de las precipitaciones más detallada, oportuna y precisa utilizando LSTM en los sensores meteorológicos MEMS.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:predicción temporal de precipitaciones, lstm, sensores mems, descripción del patrón estacional de precipitaciones, sensores meteorológicos mems, predicción precisa de precipitaciones, reducción de desastres por inundaciones, series temporales observadas, mismo parámetro meteorológico, descomposición de la tendencia estacional
• Keywords:time rainfall prediction, lstm, mems sensors, seasonal rainfall pattern description, mems weather sensors, accurate rainfall prediction, flood disaster reduction, observed time series, same weather parameter, seasonal trend decomposition