(43-6) 15 * << * >> * Русский * English * Содержание * Все выпуски

 PDF, 1228 kB

DOI: 10.18287/2412-6179-2019-43-6-1053-1063

Страницы: 1053-1063.

Аннотация:
Мониторинг параметров геомагнитного поля и его вариаций осуществляется главным образом с помощью наземных магнитных обсерваторий и вариационных станций. Однако несовершенство применяемой аппаратуры и задействованных каналов связи обусловливает наличие пропусков во временных рядах геомагнитных данных, что, наряду с пространственной анизотропией источников данных, создаёт значимые препятствия на пути их автоматизированной обработки. При этом известные методы импутации пропусков во временных рядах обеспечивают среднеквадратическую ошибку восстановления, существенно превышающую уровень, принятый для такого рода геофизических наблюдений. В настоящей работе предложен метод восстановления геомагнитных данных, основанный на статистических методах обработки временных рядов и принципах машинного обучения с использованием размеченных данных. Его отличительной особенностью является то, что признаковым описанием фрагмента временного ряда выступает пара предшествующего и следующего за ним фрагментов того же ряда, в совокупности образующих обучающую выборку для поиска недостающего фрагмента по набору его признаков с последующим линейным масштабированием для восстановления исходного тренда информационного сигнала. Приводятся оценки параметров временных рядов геомагнитных данных, при которых возможно применение предложенного метода для восстановления как суточных вариаций, так и фрагментов длительностью в несколько минут.

Ключевые слова:
восстановление временных рядов, обработка временных рядов, геомагнитные данные, машинное обучение, статистический анализ.

Цитирование:
Воробьёва, Г.Р. Подход к восстановлению геомагнитных данных путём сопоставления суточных фрагментов временного ряда с равной геомагнитной активностью / А.В. Воробьёв, Г.Р. Воробьёва // Компьютерная оптика. – 2019. – Т. 43, № 6. – С. 1053-1063. – DOI: 10.18287/2412-6179-2019-43-6-1053-1063.

1. Love, J.J. Missing data and the accuracy of magnetic-observatory hour means / J.J. Love // Annals of Geophysics. – 2001. – Vol. 27. – P. 3601-3610.
2. Barkhatov, N.A. The method of artificial neuron networks as a procedure for reconstructing gaps in records of individual magnetic observatories from the data at other stations / N.A. Barkhatov, A.E. Levitin, S.Y. Sakharov // Geomagnetism and Aeronomy. – 2002. – Vol. 42. – P. 187-190.
3. Vorobev, A.V. Approach to assessment of the relative informational efficiency of intermagnet magnetic observatories / A.V. Vorobev, G.R. Vorobeva // Geomagnetism and Aeronomy. – 2018. – Vol. 58, Issue 5. – P. 625-628.
4. Geomagnetic observations and models / ed. by M. Mandea, M. Korte. – Netherlands: Springer, 2011. – P. 149-181.
5. INTERMAGNET technical reference manual. Version 4.6 / ed. by S.-L. Benoît. – Edinburgh: INTERMAGNET, BGS, 2012. – 100 p.
6. Soloviev, A. Mathematical tools for geomagnetic data monitoring and the INTERMAGNET Russian segment / A. Soloviev, [et al.] // Data Science Journal. – 2013. – Vol. 12. – P. WDS114-WDS119.
7. Хомутов, С.Ю. Обработка магнитных данных в обсерваториях (описание специализированного программного пакета): монография / С.Ю. Хомутов. – Паратунка, Камчатский край: ИКИР ДВО РАН, 2017. – 114 с.
8. Richman, M. Missing data imputation through machine learning algorithms / M. Richman [et al.] // Artificial Intelligence Methods in the Environmental Sciences. – 2009. – P. 153-169.
9. Bertsimas, D. From predictive methods to missing data imputation: An optimization approach / D. Bertsimas // Journal of Machine Learning Research. – 2018. – Vol. 18. – P. 1-39.
10. Lopes, N. Handling missing values via a neural selective input model / N. Lopes // Neural Network World. – 2012. – No. 4/12. – P. 357-370.
11. Abidin, N.Z. Performance analysis of machine learning algorithms for missing value imputation / N.Z. Abidin, [et al.] // International Journal of Advanced Computer Science and Applications (IJACSA). – 2018. – Vol. 9(6). – P. 442-447.
12. Liu, Yu. An overview and evaluation of recent machine learning imputation methods using Cardiac imaging data / Yu. Liu, V. Gopalakrishnan // Data. – 2017. – Vol. 2, Issue 1. – 8.
13. Кулаичев, А.П. Методы и средства комплексного анализа данных / А.П. Кулаичев. – М.: «ФОРУМ: ИНФРА», 2006. – 512 с.
14. Волков, Е.А. Численные методы / Е.А. Волков. – М.: Наука, 1987.
15. Бокс, Дж. Анализ временных рядов (прогноз и управление) / Дж. Бокс, Г. Дженкинс. – Вып. 1. – М.: Мир, 1974. – 408 с.
16. Воробьёв, А.В. Индуктивный метод восстановления временных рядов геомагнитных данных / А.В. Воробьёв, Г.Р. Воробьёва // Труды СПИИРАН. – 2018. – № 57. – С. 104-133.
17. Takens, F. Detecting strange attractors in turbulence / F. Takens. – In: Dynamical systems and turbulence, Warwick 1980 / ed. by D. Rand, L.-S. Young. – Berlin, Heidelberg: Springer, 1981. – P. 366-381.
18. Юмагулов, М.Г. Введение в теорию динамических систем / М.Г. Юмагулов. – СПб.: Лань, 2015. – 272 с.
19. Лукашин, Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов / Ю.П. Лукашин. – М.: Финансы и статистика, 2003. – 416 с.
20. Гадзиковский, В.И. Цифровая обработка сигналов / В.И. Гадзиковский. – М.: СОЛОН-Пресс, 2015. – 766 с.
21. Аллен, Б.Д. Think DSP. Цифровая обработка сигналов на Python / Б.Д. Аллен. – М.: ДМК Пресс, 2017. – 160 с.
22. Харченко, М.А. Корреляционный анализ / М.А. Харченко. – Воронеж: Изд-во ВГУ, 2008. – 31 с.

---

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20