۳٫۲٫ تنظیمات آزمایشی

آزمایش‌ها بر روی یک سیستم مجهز به دو پردازنده گرافیکی NVIDIA GeForce RTX 4090 انجام شد که از چارچوب PyTorch برای پردازش تانسور بهینه معماری‌های GPU بهره می‌برد. نرخ یادگیری اولیه روی ۰٫۰۰۱ تنظیم شد و توسط زمانبندی LambdaLR به عنوان مقدار اپسیلون مدیریت شد. $\mathrm{۱}\times {\mathrm{۱۰}}^{–\mathrm{۸}}$ و کاهش وزن از $\mathrm{۱}\times {\mathrm{۱۰}}^{–\mathrm{۳}}$ برای تنظیم پویا نرخ برای همگرایی بهینه و عملکرد مدل.

اندازه دسته ای ۳۰ برای متعادل کردن محدودیت های حافظه و کارایی محاسباتی استفاده شد. طرح آموزشی به گونه‌ای طراحی شده بود که برای ۳۰۰ دوره در هر تکرار اجرا شود و بر قرار دادن مدل در معرض نمونه‌های داده مختلف تمرکز داشت. دوره ای که کمترین تلفات آزمون را در بیش از ۵۰ تکرار به همراه داشت برای نشان دادن عملکرد مدل انتخاب شد. این رویکرد، که پس از آزمایش اولیه انتخاب شد، با هدف به حداکثر رساندن اثربخشی آموزش در منابع محاسباتی، اطمینان از فرآیند یادگیری کامل، و به حداقل رساندن بیش از حد برازش در برابر پس‌زمینه پیچیدگی کار و معماری مدل انتخاب شده، انجام شد.

RMSE معیاری را ارائه می دهد که واحدهای داده اصلی را حفظ می کند و آن را در زمینه مقادیر اصلی قابل تفسیر می کند.

۳٫۳٫ عملکرد خاص سایت

در ابتدا، ما عملکرد سیستم پیشنهادی خود را بر اساس یک سایت خاص ارزیابی کردیم. یعنی ما مدل را به طور مستقل برای داده های هر سایت آموزش و آزمایش کردیم. در این سناریو، مدل خاص سایت بدون نیاز به یک ماژول طبقه‌بندی عمل می‌کند، زیرا مدل صرفاً بر پیش‌بینی برای یک سایت شناخته شده تکی تمرکز می‌کند.

MSE در هفت سایت به طور میانگین ۶۴٫۴۹ بود، با یک انحراف استاندارد که منعکس کننده واریانس خطاهای پیش بینی است. متریک MSE بر خطاهای بزرگتر بیشتر از MAE تاکید می کند که دلیل آن مجذوب شدن عبارات خطا است. این بدان معنی است که مقادیر بالاتر MSE نشان می دهد که برخی از پیش بینی ها خطاهای قابل توجهی بزرگتری دارند. سایت ۵ مجدداً MSE بسیار بالاتر (۱۷۳٫۵۵) را در مقایسه با سایر سایت ها نشان می دهد که تأثیر شرایط هواشناسی منحصر به فرد آن را تقویت می کند. MSE نسبتاً بالاتر در سایت ۵ نشان می دهد که پیش بینی های مدل گهگاه به طور قابل توجهی از مقادیر واقعی منحرف می شود که با چالش های پیش بینی در این منطقه خاص سازگار است.

RMSE، که معیاری را ارائه می‌کند که واحدهای داده‌های اصلی را حفظ می‌کند، به طور متوسط ​​در همه سایت‌ها ۷٫۶۰ است. RMSE به ویژه مفید است زیرا مستقیماً به بزرگی خطاها در واحدهای مشابه مقادیر SPG پیش‌بینی‌شده و واقعی مربوط می‌شود. سایت ۵ دارای بالاترین RMSE (13.17) بود، که نشان می دهد خطاهای این سایت نه تنها مکرر بلکه از نظر اندازه نیز قابل توجه است. با وجود این، میانگین مقدار RMSE 7.60 در تمام سایت‌ها نشان می‌دهد که مدل پیشنهادی حاشیه خطای معقولی را حفظ می‌کند، حتی زمانی که شرایط چالش برانگیز در سایت ۵ در نظر گرفته می‌شود.

۳٫۴٫ عملکرد چند سایتی

پس از آن، عملکرد یک مدل رایج طراحی شده برای برنامه های کاربردی چند سایتی را ارزیابی کردیم. داده های آب و هوای مورد استفاده برای آموزش مدل از همه سایت ها با ترکیب مجموعه داده ها در یک مجموعه داده جامع جمع آوری شدند. این فرآیند شامل عادی سازی و استانداردسازی داده ها برای اطمینان از یکنواختی در سایت های مختلف است. به طور خاص، داده‌های آب و هوا از سال ۲۰۱۳ تا ۲۰۲۰ برای آموزش استفاده شد، در حالی که داده‌های سال‌های ۲۰۲۱ تا ۲۰۲۲ برای آزمایش ذخیره شدند.

برای تجمیع داده‌ها برای آموزش، عناصر هواشناسی از هر سایت را در یک مجموعه داده یکپارچه ترکیب کردیم. داده های هر سایت از قبل پردازش شده بود تا هر مقدار از دست رفته را کنترل کند و از ثبات در ویژگی های ورودی اطمینان حاصل کند. سپس این مجموعه داده جمع‌آوری شده برای آموزش مدل رایج مورد استفاده قرار گرفت و به آن اجازه داد تا از طیف متنوعی از شرایط محیطی بیاموزد.

برای آزمایش، مدل مشترک آموزش‌دیده با استفاده از داده‌های سایت فردی از سال ۲۰۲۱ تا ۲۰۲۲ ارزیابی شد. این رویکرد تضمین می‌کند که عملکرد مدل بر روی داده‌هایی که در مرحله آموزش دیده نمی‌شوند ارزیابی می‌شود، و یک ارزیابی بی‌طرفانه از قابلیت‌های تعمیم آن در سایت‌های مختلف ارائه می‌کند. .

بررسی عملکرد یک مدل رایج بسیار مهم است زیرا نشان دهنده یک راه حل بالقوه ساده برای پیش بینی در سایت های ناشناخته است. با استفاده از یک مجموعه داده جامع که تنوع در مکان‌های جغرافیایی مختلف را در بر می‌گیرد، هدف مدل رایج تعمیم قابلیت پیش‌بینی است، در نتیجه پیش‌بینی‌های دقیق را تسهیل می‌کند، حتی برای سایت‌هایی که به صراحت در داده‌های آموزشی نشان داده نشده‌اند. این رویکرد فرآیند پیش‌بینی را برای سایت‌های جدید یا ناشناخته ساده می‌کند و سازگاری و مقیاس‌پذیری مدل را در شرایط مختلف محیطی آزمایش می‌کند.

به طور خاص، برای سایت ۶، که یکی از بهترین عملکردهای پیش بینی را در تحلیل مدل خاص سایت به نمایش گذاشت، MAE مدل معمولی پایه بدون طبقه بندی تقریباً دو برابر شد. با این حال، در مورد مدل پیشنهادی با طبقه‌بندی‌کننده، افزایش MAE در محدوده ۵۰ درصد بود. این نشان می‌دهد که شامل مدل طبقه‌بندی، رمزگذار را قادر می‌سازد تا اطلاعات مربوط به سایت را تا حد معینی ترکیب کند. این ادغام به طور قابل توجهی به واپس‌گرا کمک می‌کند تا پیش‌بینی‌های دقیق‌تری را با ارائه ویژگی‌های مرتبط با زمینه متناسب با ویژگی‌های هر سایت برای آن انجام دهد. بهبود دقت پیش‌بینی برای سایت ۶ بر ارزش ادغام تفاوت‌های ظریف سایت در چارچوب مدل رایج تأکید می‌کند و نقش طبقه‌بندی کننده را در افزایش سازگاری و قابلیت پیش‌بینی مدل در مکان‌های مختلف نشان می‌دهد.

مقادیر MSE و RMSE این یافته ها را بیشتر اثبات می کند. میانگین MSE در تمام سایت‌ها برای مدل معمولی بدون طبقه‌بندی کننده به طور میانگین ۷۹٫۱۳ است، در حالی که برای مدل با طبقه‌بندی‌کننده، میانگین ۵۵٫۵۴ است که نشان‌دهنده بهبود ۴۲ درصدی است. این کاهش قابل توجه در MSE نقش طبقه‌بندی کننده را در کاهش خطاهای بزرگ‌تر برجسته می‌کند، که برای بهبود استحکام کلی مدل پیش‌بینی بسیار مهم است. RMSE که میانگین ۸٫۶۹ برای مدل بدون طبقه‌بندی و ۷٫۲۱ برای مدل با طبقه‌بندی‌کننده است، ۲۱ درصد بهبود را نشان می‌دهد. بهبود مداوم در معیارهای MSE و RMSE بر اثربخشی طبقه‌بندی کننده در افزایش عملکرد پیش‌بینی مدل رایج تأکید می‌کند.

۳٫۵٫ ناشناخته-عملکرد سایت

برای نشان دادن بیشتر مزایای سیستم پیشنهادی، آزمایش‌های اضافی با تفکیک هفت سایت به دسته‌های شناخته شده و ناشناخته انجام شد. سپس مدل رایج را منحصراً با استفاده از داده‌های سایت‌های شناخته شده آموزش می‌دهیم. به عنوان مثال، ما مدل رایج را با استفاده از داده های سایت های شناخته شده، یعنی ۱، ۲، ۳، و ۷ آموزش دادیم و متعاقباً مدل را در سایت های ناشناخته، یعنی ۴، ۵، و ۶ آزمایش کردیم.

علاوه بر این، در تمام نتایج، روش پیشنهادی ۲ تا ۴ درصد بهبود عملکرد MAE اضافی را نسبت به مدل رایج پایه به همراه داشت. این یافته کارآمدی ماژول طبقه‌بندی‌کننده را در پالایش قابلیت مدل برای انطباق و تعمیم در سایت‌های مختلف برجسته می‌کند، و استدلال برای ادغام چنین ماژول در سیستم پیش‌بینی را بیشتر تقویت می‌کند. نقش طبقه‌بندی کننده در استفاده از اطلاعات خاص سایت، حتی زمانی که تنها مقدار کمی از داده‌ها در دسترس است، برای افزایش دقت کلی و سازگاری مدل در یک سناریوی TL بسیار مهم است.

این اختلاف بین بهبودهای MAE و MSE/RMSE را می توان به ماهیت این معیارها نسبت داد. MAE یک اندازه گیری خطی از میانگین بزرگی خطا ارائه می دهد، در حالی که MSE و RMSE بر خطاهای بزرگتر به دلیل تربیع تفاوت ها تأکید دارند. بهبودهای کمتر قابل توجه در MSE و RMSE نشان می دهد که در حالی که میانگین کلی خطای پیش بینی (همانطور که توسط MAE نشان داده شد) کاهش یافته است، واریانس در بزرگی خطا نسبتاً بدون تغییر باقی مانده است. به عبارت دیگر، اگرچه مدل با طبقه‌بندی‌کننده میانگین خطا را کاهش داد، اما تأثیر خطاهای پیش‌بینی بزرگ‌تر را به‌طور قابل‌توجهی کاهش نداد.

این نتیجه پیچیدگی بهبود دقت پیش‌بینی را در تمام معیارهای خطا نشان می‌دهد و بر نیاز به اصلاح بیشتر مدل برای رسیدگی به خطاهای بزرگ‌تر تأکید می‌کند. افزایش توانایی مدل برای پیش‌بینی پیوسته در تمام بزرگی‌های خطا برای دستیابی به بهبود عملکرد قوی‌تر در MSE و RMSE ضروری است.