Application d'un modèle d'apprentissage automatique pour la prévision météorologique

Abstract

تتخلل تأثیرات الطقس تقریبًا كل جانب من جوانب حیاتنا الیومیة ، من السفر إلى التجارة إلى الحكومة. یمكن أن یؤدي تقدیم تنبؤات دقیقة بالطقس إلى زیادة كفاءة التخطیط وتخصیص الموارد من قبل الأفراد والشركات. الموضوع الذي تتناولھ ھذه الأطروحة ھو تطویر نظام التنبؤ بالطقس من خلال تطبیق نموذج التعلم الآلي القائم على التعلم العمیق. تم تدریب النموذج على بیانات الطقس السابقة ، والتي تختلف عن النماذج الرقمیة القیاسیة للتنبؤ بالطقس والتي تخلق تمثیلات ریاضیة للقوانین الفیزیائیة. والتي ھي شكل من (LSTMs) في ھذا السیاق ، اقترحنا الذاكرة طویلة وقصیرة المدى الشبكة العصبیة المتكررة) المستخدمة بشكل شائع للتنبؤ بالسلسلة الزمنیة ، )RNN أشكال حیث ركزنا على عاملین رئیسیین: درجة الحرارة والرطوبة.The effects of weather permeate nearly every aspect of our daily lives, from travel to commerce to government. Providing accurate weather forecasts can increase the efficiency of planning and resource allocation by individuals and businesses. The subject addressed in this thesis is the development of a weather forecasting system by the application of a machine learning model based on deep learning. The model is trained on past weather data, which differs from standard numerical weather forecasting models which create mathematical representations of physical laws. In this context, we have proposed Long and Short Term Memory (LSTMs) which is a form of RNN (Recurrent Neural Network) commonly used for time series prediction where we will focus on two main factors: temperature and humidity.