As ejeções de massa coronal (CMEs) são eventos solares eruptivos. Eles são frequentemente associados a erupções solares e filamentos. As CMEs podem causar eventos climáticos espaciais, como tempestades geomagnéticas, tempestades de elétrons de alta energia, injeção de plasma quente, tempestades ionosféricas e aumento da densidade na atmosfera superior.
Grandes eventos de CME podem afetar as comunicações, sistemas de navegação, atividades de aviação e até redes elétricas. Para evitar possíveis danos e perdas de ativos, é necessário prever com precisão a chegada dos CMEs em duas partes. O CME "atingir" ou "errar" a Terra? Se a previsão for "acertada", então a próxima pergunta é qual é a hora prevista de chegada do CME?

Em um artigo de pesquisa publicado recentemente em Space:Science &Technology , Yurong Shi, do Centro Nacional de Ciências Espaciais da Academia Chinesa de Ciências, aplicou o algoritmo de recomendação, que pode ser usado para recomendar o evento CME histórico semelhante para previsores, para antecipar o tempo de chegada dos CMEs e provou que o algoritmo de recomendação e a regressão logística podem agir juntos para fornecer aos previsores uma opção para melhorar os resultados da previsão.

Primeiramente, foram elaborados os dados e a metodologia. O autor selecionou amostras de um total de 30.321 eventos CME que foram coletados do catálogo SOHO/LASCO CME, de 1996 a 2020. A sobreamostragem foi usada para resolver os dados desbalanceados e obteve 181 amostras positivas (CMEs que atingiram a terra) e 3486 amostras negativas (CMEs que não atingiram a terra).

Além disso, 8 parâmetros característicos são reunidos pela seleção de parâmetros característicos, incluindo largura angular, ângulo de posição central (CPA), ângulo de posição de medição (MPA), velocidade linear, velocidade inicial, velocidade final, velocidade em 20 raios solares, massa. Um conjunto de dados adimensional completo e unificado dos 8 parâmetros característicos foi montado e pronto para facilitar o desenvolvimento do modelo de previsão. Além disso, para procurar o evento histórico mais semelhante ao evento CME especificado, os autores adotam duas distâncias comumente usadas em aprendizado de máquina e inteligência artificial computacional:distância cosseno e distância euclidiana, ambas com bom desempenho durante o experimento.

Em seguida, o experimento, um ensaio controlado, foi desenhado. A primeira etapa é a amostragem de dados. Um total de 3.667 amostras, incluindo 8 parâmetros característicos, são divididos aleatoriamente em dois subgrupos iguais. Uma (1.833 amostras) é para treinamento com pesos e a outra (1.834 amostras) é para o teste de recomendação subsequente. Durante a etapa de treinamento com pesos, o autor utilizou 1.466 amostras de treinamento que serviram como conjunto de treinamento para treinar pesos seguindo tanto o procedimento de regressão logística quanto o algoritmo de recomendação, enquanto o restante (367 amostras) serviu de conjunto de validação.

Resumidamente, um total de 6 experimentos são conduzidos para treinar pesos e, portanto, 6 conjuntos de coeficientes de peso são obtidos com 4 do algoritmo de regressão logística e 2 do algoritmo de recomendação. Dois quadros de regressão logística foram adotados para comparação. Uma era a função logit fornecida no módulo statsmodels baseado em Python e referida como "sm.logit". O outro também baseado em Python foi o classificador LogisticRegression fornecido na biblioteca scikit-learn (sklearn) e referido como "sk.LR".

Comparando todos os modelos, o modelo sm.logit teve o melhor desempenho tanto no conjunto de validação quanto no conjunto de teste. Foi apropriado escolher os pesos de sm.logit como os pesos ótimos na etapa seguinte deste trabalho em particular. Além disso, pode-se observar que usar os algoritmos de recomendação para treinar os pesos dos parâmetros característicos foi muito demorado, mas foi mais fácil obter os pesos por regressão logística. Portanto, uma nova tentativa foi aplicar os pesos obtidos pela regressão logística ao algoritmo de recomendação. A viabilidade de tal operação foi testada durante a fase final, fase de teste de recomendação.

Em resumo, o autor primeiro calculou os pesos dos parâmetros característicos das CMEs com base na regressão logística e depois os inseriu no algoritmo de recomendação para fornecer os eventos históricos mais semelhantes como referência para a previsão da eficácia das CMEs. Pode-se constatar que em cada pontuação de habilidade o modelo aplicando os pesos da regressão logística ao algoritmo de recomendação foi melhor do que aquele usando apenas o algoritmo de recomendação, então este modelo híbrido foi viável. Tal tratamento evitou treinar os pesos de recomendação para economizar tempo e recursos computacionais.

Atualmente, a aplicação do algoritmo de recomendação para a previsão de CMEs é muito rara na literatura. O autor provou que uma vez que o modelo de regressão logística confirma a eficácia de uma CME, o algoritmo de recomendação pode ser usado para recomendar eventos históricos semelhantes. Recomendar eventos históricos semelhantes como uma referência vívida para os previsores é uma grande melhoria para o serviço de previsão em contraste com a previsão binária "sim" ou "não" fornecida apenas pelo modelo de regressão logística. Os meteorologistas espaciais podem usar esse método para executar uma análise comparativa. + Explorar mais

Uma nova abordagem para previsão de falhas de software usando seleção de recursos