Автоматизированное проектирование интерпретируемой модели машинного обучения для оперативного прогнозирования силы ветра на морском побережье

В статье рассматривается задача проектирования системы оперативного краткосрочного прогнозирования скорости ветра в конкретной точке морского побережья. Предложен автоматизированный подход к проектированию гибридных моделей машинного обучения, объединяющих ансамбль многослойных нейронных сетей и интерпретируемую систему на нечеткой логике. Метод основан на автоматизированном формировании ансамбля нейронных сетей и системы на нечеткой логике с применением самоконфигурируемых эволюционных алгоритмов, что позволяет адаптироваться к особенностям входных данных без ручной настройки. После построения нейросетевого ансамбля формируется отдельная система на нечеткой логике, обучающаяся на его входах и выходах. Такой подход позволяет воспроизвести поведение нейросетевой модели в интерпретируемом виде. На основе экспериментальной проверки на метеорологическом датасете доказана эффективность метода, который обеспечивает баланс между качеством прогноза и интерпретируемостью модели. Показано, что построенная интерпретируемая система воспроизводит ключевые закономерности работы ансамбля нейросетей, оставаясь при этом компактной и понятной для анализа. Построенная модель может быть использована при принятии решений в портовых службах и при организации прибрежных мероприятий для быстрого и простого получения прогноза. Предложенный подход в целом позволяет получать аналогичные модели в различных ситуациях, похожих на рассмотренную.

1. Ратнер Ю.Б., Фомин В.В., Иванчик А.М., Иванчик М.В. Система оперативного прогноза ветрового волнения Черноморского центра морских прогнозов. Морской гидрофизический журнал. 2017;(5):56–66. https://doi.org/10.22449/0233-7584-2017-5-56-66

2. Зеленько А.А., Струков Б.С., Реснянский Ю.Д., Мартынов С.Л. Система прогнозирования ветрового волнения в мировом океане и морях России. Труды Государственного океанографического института. 2014;(215):90–101.

3. Solari G., Repetto M.P., Burlando M., et al. The Wind Forecast for Safety Management of Port Areas. Journal of Wind Engineering and Industrial Aerodynamics. 2012;104–106:266–277. https://doi.org/10.1016/j.jweia.2012.03.029

4. Burlando M., De Gaetano P., Pizzo M., Repetto M.P., Solari G., Tizzi M. Wind Short-Term Forecast in Port Areas. In: Proceedings of the 6th European-African Conference on Wind Engineering (EACWE), 07–11 July 2013, Cambridge, United Kingdom. 2013. P. 6–8.

5. Chu X., Bai W., Sun Yu., Li W., Liu C., Song H. A Machine Learning-Based Method for Wind Fields Forecasting Utilizing GNSS Radio Occultation Data. IEEE Access. 2022;10:30258–30273. https://doi.org/10.1109/ACCESS.2022.3159231

6. Zhang W., Tian M., Hai Sh., et al. Improving the Forecasts of Coastal Wind Speeds in Tianjin, China Based on the WRF Model with Machine Learning Algorithms. Journal of Meteorological Research. 2024;38(3):570–585. https://doi.org/10.1007/s13351-024-3096-z

7. Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии). Томск: Изд-во НТЛ; 2006. 128 с.

8. Тэрано Т., Асаи К., Сугэно М. Прикладные нечеткие системы. Москва: Мир; 1993. 368 с.

9. Rokach L., Maimon O.Z. Data Mining with Decision Trees: Theory and Applications. Singapore: World Scientific Publishing Co. Pte. Ltd.; 2008. 244 p.

10. Semenkin E. Computational Intelligence Algorithm-Based Comprehensive Human Expert and Data-Driven Model Mining for the Control, Optimization and Design of Complicated Systems. International Journal on Information Technologies & Security. 2019;11:63–66.

11. Липинский Л.В., Семенкин Е.С. Применение алгоритма генетического программирования в задачах автоматизации проектирования интеллектуальных информационных технологий. Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2006;(3):22–26.

12. Koza J.R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. Cambridge: The MIT Press; 1998. 819 p.

13. Al-Helali B., Chen Q., Xue B., Zhang M. Genetic Programming-Based Feature Selection for Symbolic Regression on Incomplete Data. Evolutionary Computation. 2024;1–27. https://doi.org/10.1162/evco_a_00362

14. Gorzałczany M.B., Rudziński F. Time-Series-Dynamics Modelling and Forecasting – An Accurate and Interpretable Genetic-Fuzzy Approach. In: Advances in Fuzzy Logic and Technology 2017: Proceedings of: EUSFLAT-2017 – The 10th Conference of the European Society for Fuzzy Logic and Technology, 11–15 September 2017, Warsaw, Poland; IWIFSGN'2017 – The Sixteenth International Workshop on Intuitionistic Fuzzy Sets and Generalized Nets, 13–15 September 2017, Warsaw, Poland: Volume 2. Cham: Springer; 2018. P. 165–175. https://doi.org/10.1007/978-3-319-66824-6_15

15. Ishibuchi H., Nozaki K., Tanaka H. Distributed Representation of Fuzzy Rules and Its Application to Pattern Classification. Fuzzy Sets and Systems. 1992;52(1):21–32. https://doi.org/10.1016/0165-0114(92)90032-Y

16. Holland J.H. Genetic Algorithms. Scientific American. 1992;267:66–72. https://doi.org/10.1038/scientificamerican0792-66

17. Alam T., Qamar Sh., Dixit A., Benaida M. Genetic Algorithm: Reviews, Implementations, and Applications. International Journal of Engineering Pedagogy. 2020;10(6):57–77. https://doi.org/10.3991/ijep.v10i6.14567

18. Mamdani E.H., Assilian S. An Experiment in Linguistic Synthesis with a Fuzzy Logic Controller. International Journal of Man-Machine Studies. 1975;7(1):1–13. https://doi.org/10.1016/S0020-7373(75)80002-2

19. Шерстнев П.А., Семенкин Е.С. Самоконфигурируемые алгоритмы генетического программирования с адаптацией на основе истории успеха. Сибирский аэрокосмический журнал. 2025;26(1):60–70.

20. Breiman L., Friedman J., Olshen R.A., Stone Ch.J. Classification and Regression Trees. New York: Chapman & Hall/CRC; 1984. 368 p. https://doi.org/10.1201/9781315139470

21. Захарова О.И., Артюшкина Е.С., Холопов С.В. Деревья решений и алгоритмы их построения. Евразийское научное объединение. 2020;(4–2):97–99.

22. Карасева Т.С. Самонастраивающийся алгоритм генетического программирования для решения задачи Коши и вариационной задачи в символьном виде. Труды Института системного анализа Российской академии наук. 2019;69(3):80–90. https://doi.org/10.14357/20790279190307

23. Mitrofanov S., Semenkin E.S. Decision Tree Pruning Method Using Delayed Sampling. In: 2024 International Conference on Information Technologies (InfoTech), 11–12 September 2024, Sofia, Bulgaria. IEEE; 2024. P. 1–4. https://doi.org/10.1109/InfoTech63258.2024.10701393

24. Storn R., Price K. Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of Global Optimization. 1997;11(4):341–359. https://doi.org/10.1023/A:1008202821328

25. Sherstnev P.A. Self-Configuring Evolutionary Algorithms Based Design of Hybrid Interpretable Machine Learning Models. In: Hybrid Methods of Modeling and Optimization in Complex Systems: Proceedings of International Workshop "Hybrid Methods of Modeling and Optimization in Complex Systems" (in the Framework of the Eleventh International Conference on Mathematical Models and Their Applications), 22–24 November 2022, Krasnoyarsk, Russia. European Publisher; 2023. P. 313–321. https://doi.org/10.15405/epct.23021.38

26. Tanabe R., Fukunaga A. Success-History Based Parameter Adaptation for Differential Evolution. In: 2013 IEEE Congress on Evolutionary Computation, 20–23 June 2013, Cancun, Mexico. IEEE; 2013. P. 71–78. https://doi.org/10.1109/CEC.2013.6557555

27. Mann H.B., Whitney D.R. On a Test of Whether One of Two Random Variables Is Stochastically Larger than the Other. Annals of Mathematical Statistics. 1947;18(1):50–60. https://doi.org/10.1214/aoms/1177730491