МОДЕЛИРОВАНИЕ КОЛИЧЕСТВА ГЕОМАГНИТНЫХ БУРЬ С ИСПОЛЬЗОВАНИЕМ НЕЛИНЕЙНОЙ ПУАССОНОВСКОЙ РЕГРЕССИИ

Abstract

В данной работе предложена модель прогнозирования динамики временного ряда количества геомагнитных бурь с использованием нелинейной пуассоновской регрессии. Исследуемый ряд количества геомагнитных бурь был сформирован на основе данных индекса Dst за период с 1964 г. по 2018 г. Для построения авторегрессионной модели была использована искусственная нейронная сеть, обучение которой было адаптировано с учетом статистических особенностей исследуемого ряда. В работе показано, что флуктуации ряда количества геомагнитных бурь близки к закону Пуассона, поэтому для оценки качества прогностической модели была предложена новая мера на основе анализа отношения среднеквадратичных отклонений оцененных параметров модели. В результате работы, построен прогноз числа геомагнитных бурь на 1 неделю вперед, при этом показано, точность прогноза выше на 20% по сравнению со стандартными подходами к обучению нейросетевых пргностических систем. Аналогичный подход может успешно применяться для прогнозирования динамики редких событий в задачах солнечно-земной физики.

The paper proposes a prediction model of magnetic storms counts data using nonlinear Poisson regression. The investigated time series were converted from Dst index data for the time interval from 1964 to 2018. An artificial neural network was used as a basis of the nonlinear autoregressive model, training procedures were adapted using statistical properties of the investigated time series. It is shown that the fluctuations of geomagnetic storms count data are close to the Poisson's distribution, a special measure of the quality was proposed for estimating the prediction efficiency. It bases on the analysis of the standard deviation ratio for the estimated model parameters. The prediction model was tested on the geomagnetic storms counts dynamics. It is shown that the prediction accuracy for the 1-week counts is higher on 20% in comparison with the standard approaches for the training of artificial neural network systems. A similar approach can be successfully applied for the forecasting of a count data dynamics in other applications of the atmospheric and solar-terrestrial physics.