ہوا کی رفتار کی پیشن گوئی کے لیے طویل مدتی یادداشت کے بار بار چلنے والے نیورل نیٹ ورکس کا اطلاق

خلاصہ:

ہوا کی رفتار کی پیشن گوئی بجلی کی پیداوار کے لیے ہوا سے بجلی کی پیشن گوئی میں سب سے اہم اور چیلنجنگ مسائل میں سے ایک ہے۔ طویل مدتی میموری کو قلیل مدتی میموری کے حل کے طور پر استعمال کیا جاتا تھا تاکہ تدریجی معلومات کے غائب ہونے یا پھٹنے کے مسئلے سے نمٹنے کے لیے تربیتی عمل کے دوران ریکرنٹ نیورل نیٹ ورک (RNN) کے ذریعے تجربہ کیا جاتا تھا جب مطالعہ ٹائم سیریز کے لیے استعمال کیا جاتا تھا۔

طویل مدتی یادداشت میموری سے الگ نہیں ہوتی۔ یادداشت ایک پیچیدہ عمل ہے جس میں انسانی دماغ کے تمام پہلو شامل ہوتے ہیں، بشمول احساس، ادراک، ادراک، عمل درآمد، رد عمل وغیرہ۔ ہمارا مقصد یہ ہے کہ ہم جو معلومات حاصل کرتے ہیں اسے بعد میں استعمال کے لیے طویل مدتی میموری میں محفوظ کریں۔

لانگ شارٹ ٹرم میموری ماڈل (LTM) اس عمل میں اہم ہے۔ LTM سے مراد ہماری معلومات کو ذخیرہ کرنے کی صلاحیت ہے جس پر کارروائی کی گئی ہے۔ یعنی، LTM ہمیں قلیل مدتی میموری سے معلومات کو دماغ میں ذخیرہ کرنے میں مدد کرتا ہے۔ اور میموری کے لیے، طویل مدتی اسٹوریج ہی حتمی مقصد ہے۔

ہماری زندگیوں میں، بہت سے عوامل جو طویل مدتی یادداشت پیدا کرتے ہیں ذاتی تجربے اور سرگرمیوں سے متعلق ہیں۔ مثال کے طور پر، کافی دیر تک کسی صورت حال کا سامنا کرنا، لیکچر سننا، یا یادداشت کی مہارت کو بہتر بنانا یادداشت کو بڑھا سکتا ہے۔

لانگ شارٹ ٹرم میموری ماڈل کی وضاحت اس طرح کی جا سکتی ہے: جب ہم پہلی بار کوئی معلومات سیکھتے ہیں، تو ہم اسے قلیل مدتی میموری میں محفوظ کر سکتے ہیں۔ یہ معلومات ایک مخصوص وقت کے لیے محفوظ کی جائیں گی، لیکن یہ تیزی سے غائب ہو جائیں گی۔ تاہم، اگر ہم اس معلومات کے بارے میں گہرائی سے سوچتے ہیں یا اسے پچھلے تجربات سے جوڑتے ہیں، تو یہ طویل مدتی میموری میں منتقل ہو جائے گی۔

لہذا، ہماری طویل مدتی یادداشت کو بڑھانے کی کلید یہ ہے کہ ہم اپنے دماغ کو فعال، مثبت اور تخلیقی سوچ رکھیں۔ ہم کتابیں پڑھ کر، انٹرایکٹو گیمز کھیل کر، نئی چیزوں کی تلاش، اور ڈائری لکھ کر اپنے دماغ کی ورزش کر سکتے ہیں۔ خاص طور پر، سیکھنے اور تلاش کو قریب سے ملانا یادداشت کو بہتر بنا سکتا ہے۔

مختصر یہ کہ یادداشت پر طویل مدتی اور قلیل مدتی میموری ماڈل کا اثر بہت اہم ہے۔ زندگی اور مطالعہ میں ہمیں یادداشت پر توجہ دینے اور اس پر عمل کرنے کی ضرورت ہے۔ فعال سوچ اور ورزش کے ذریعے، ہم اپنی طویل مدتی یادداشت کی صلاحیت کو مسلسل بہتر بنا سکتے ہیں اور نیا علم زیادہ آسانی اور مؤثر طریقے سے سیکھ سکتے ہیں۔ یہ دیکھا جا سکتا ہے کہ ہمیں اپنی یادداشت کو بہتر کرنے کی ضرورت ہے۔ Cistanche یادداشت کو نمایاں طور پر بہتر بنا سکتا ہے کیونکہ یہ نیورو ٹرانسمیٹر کے توازن کو بھی منظم کر سکتا ہے، جیسے کہ acetylcholine کی سطح میں اضافہ اور ترقی کے عوامل، جو یادداشت اور سیکھنے کے لیے بہت اہم ہیں۔ اس کے علاوہ، Cistanche خون کے بہاؤ کو بھی بہتر بنا سکتا ہے اور آکسیجن کی ترسیل کو فروغ دے سکتا ہے، جو اس بات کو یقینی بنا سکتا ہے کہ دماغ کو مناسب غذائیت اور توانائی حاصل ہو، اس طرح دماغی توانائی اور برداشت کو بہتر بنایا جا سکتا ہے۔

یادداشت کو بہتر بنانے کے لیے سپلیمنٹس جانیں پر کلک کریں۔

اس مطالعے میں، اس مسئلے کو طویل المیعاد یادداشت پر مبنی پیشن گوئی ماڈل اور مستقبل میں ایک سے زیادہ وقتی مراحل کی ہوا کی رفتار کی قدروں کی پیش گوئی کرنے کے لیے تیار کردہ ایک گہرے نیورل نیٹ ورک کی تجویز کے ذریعے حل کیا گیا ہے۔

ہیلی فیکس، کینیڈا میں موسمی ڈیٹا بیس کو ہوا کی رفتار فی گھنٹہ کی دو سیریز کے ذریعہ کے طور پر استعمال کیا گیا تھا۔ دو مختلف موسم بہار (مارچ 2015) اور موسم گرما (جولائی 2015) پیشین گوئی کے ماڈل کی تربیت اور جانچ کے لیے استعمال کیے گئے۔ نتائج سے معلوم ہوا کہ مجوزہ ماڈل کا استعمال ہوا کی رفتار کی پیشن گوئی کی درستگی کو مؤثر طریقے سے بہتر بنا سکتا ہے۔

مطلوبہ الفاظ: پیشن گوئی طویل مدتی میموری؛ ایک سے زیادہ وقت کی سیریز؛ آر این این ہوا کی رفتار

1. تعارف

ہوا کی رفتار کی پیشن گوئی کرنا ماحول کے دیگر متغیرات کے مقابلے میں ایک بہت مشکل چیلنج ہے، اور یہ ان کی افراتفری اور وقفے وقفے سے چلنے کی وجہ سے ہے جس کی وجہ سے ہوا کی طاقت کو گرڈ میں ضم کرنے میں دشواری ہوتی ہے۔

چونکہ ہوا کی رفتار سبز توانائی کے سب سے ترقی یافتہ اور سستے ذرائع میں سے ایک ہے، اس لیے مختصر مدت میں اس کی درست پیشن گوئی ایک اہم معاملہ بن گیا ہے اور اس کا بجلی کے گرڈ پر فیصلہ کن اثر پڑتا ہے۔ متحرک اور شماریاتی دونوں طریقے، اور کچھ ہائبرڈ طریقے جو دو طریقوں کو جوڑتے ہیں، ہوا کی رفتار کی مختصر مدت کی پیش گوئی کے لیے لاگو کیے گئے تھے۔

ہائی ریزولوشن عددی موسم کی پیشن گوئی (NWP) ماڈلز کو چلانے کے لیے بہت سے بنیادی اصولوں کو سمجھنے کی ضرورت ہوتی ہے جو ان کی حمایت کرتے ہیں، بشمول ڈیٹا کو اکٹھا کرنا، NWP ماڈل کی جگہ اور وقت کا اندازہ لگانے کے بارے میں علم، اور پیشین گوئیوں کی توثیق اور توثیق کرنے کا طریقہ۔ یہ کمپیوٹیشنل وقت کے لحاظ سے بہترین ہوسکتا ہے۔

ہوا کی رفتار کی پیشن گوئی کے لیے قابل اعتماد طریقے اور تکنیکیں ہوا کے وسائل کی خصوصیات اور پیشین گوئی کے لیے تیزی سے اہم ہوتی جا رہی ہیں [1]۔ کسی بھی پیشن گوئی کا بنیادی مقصد ٹائم سیریز کے ماڈلز کی تعمیر، شناخت، ٹیون، اور توثیق کرنا ہے۔

ٹائم سیریز کی پیشن گوئی عام طور پر مشین لرننگ اور مصنوعی ذہانت کے سب سے اہم اطلاق شدہ مسائل میں سے ایک ہے، کیونکہ پیشن گوئی کے طریقوں میں بہتری سے مختلف عوامل کے رویے کی زیادہ درست پیش گوئی کرنا ممکن ہو جائے گا۔ روایتی طور پر، اس طرح کے ماڈل 1960 اور 1970 کی دہائیوں میں تیار کردہ شماریاتی تجزیہ اور ریاضیاتی ماڈلنگ کے طریقوں پر مبنی ہوتے ہیں [2]۔

ARIMA ماڈل کو ماڈل کی پیشن گوئی کی درستگی کے لیے عام غلطی کے تناسب کے اقدامات کا استعمال کرتے ہوئے ہوا کی رفتار کی پیش گوئی کرنے کے لیے استعمال کیا گیا تھا [3]۔ حال ہی میں، مشین لرننگ کمیونٹی میں گہرائی سے سیکھنے کو خاصی مقبولیت حاصل ہوئی ہے کیونکہ یہ ایک عام فریم ورک سمجھا جاتا ہے جو بہت سی پوشیدہ پرتوں کے ساتھ گہرے نیورل نیٹ ورکس کی تربیت میں سہولت فراہم کرتا ہے [4]۔

الگورتھم میں بہتری اور کمپیوٹنگ پاور میں غیر معمولی ترقی کے ساتھ مل کر بڑے ڈیٹا سیٹس کی دستیابی مشین لرننگ کے موضوع میں دلچسپی کے بے مثال اضافے کا باعث بنی۔

یہ طریقے ماضی اور مستقبل کے درمیان بے ترتیب انحصار کو جاننے کے لیے صرف تاریخی ڈیٹا کا استعمال کرتے ہیں۔ ان طریقوں میں سے، ریکرنٹ نیورل نیٹ ورکس (RNNs) جو کہ ترتیب کے ایک مرحلے سے دوسرے مرحلے تک چھپی ہوئی حالت کو ان پٹ کے ساتھ ملا کر، اور اسے ان پٹ کے درمیان آگے پیچھے روٹ کر کے ڈیٹا کی ترتیب سیکھنے کے لیے بنائے گئے ہیں [5] .

طویل مدتی میموری پر مبنی ریکرنٹ نیورل نیٹ ورک (LSTM-RNN) کو ہوا کی طاقت سے 1 سے 24 گھنٹے آگے کی پیش گوئی کرنے کے لیے استعمال کیا گیا ہے [6]۔ LSTM، ایکسٹریم لرننگ مشین (ELM) اور SVM کے درمیان موازنہ کیا گیا۔ نتائج سے معلوم ہوا ہے کہ ڈائریکشنل لوپ نیورل نیٹ ورک ڈھانچہ اور ایک خصوصی پوشیدہ یونٹ کے ذریعے پیشن گوئی کی درستگی کو بہتر بنانے میں گہری سیکھنے کے طریقے روایتی مشین سیکھنے کے طریقوں سے زیادہ موثر ہیں۔ مطالعات نے تجویز کیا ہے کہ NWP ماڈلز اور مصنوعی نیورل نیٹ ورکس کو جوڑنا فائدہ مند ثابت ہوسکتا ہے اور روایتی NWPmodel ڈاؤن اسکیلنگ طریقوں کے مقابلے میں بہتر درستگی فراہم کرتا ہے [8]۔

عددی موسم کی پیشن گوئی کا طریقہ (NWP) سب سے زیادہ استعمال شدہ طریقوں میں سے ایک ہے، اور یہ حساب کی بڑی مقدار کی وجہ سے قلیل مدتی اور درمیانی مدت کی پیش گوئی کے بجائے طویل مدتی کے لیے موزوں ہے [9]۔ بار بار چلنے والے نیورل نیٹ ورک ماڈلز کی ہوا کی رفتار کی پیشن گوئی کی درستگی کا تجزیہ کیا گیا ہے، اور انہوں نے غیر متغیر اور ملٹی ویریٹیٹ ARIMA ماڈلز کے مقابلے میں بہتر نتائج پیش کیے ہیں [10]۔

لکیری اور غیر لکیری خود بخود ماڈلز بیرونی متغیرات کے ساتھ اور اس کے بغیر مختصر مدت کی ہوا کی رفتار کی پیشن گوئی کرنے کے لیے تیار کیے گئے تھے۔ تین پرفارمنس میٹرکس، MAE، RMSE اور MAPE ماڈلز کی درستگی کی پیمائش کے لیے استعمال کیے گئے تھے [11]۔

LSTM طریقہ ہوا کی رفتار کی پیشن گوئی کے لیے استعمال کیا گیا تھا اور نتائج کا موازنہ روایتی مصنوعی اعصابی نیٹ ورک اور آٹوریگریسو انٹیگریٹڈ موونگ ایوریج ماڈلز سے کیا گیا تھا، مجوزہ طریقہ بہتر نتائج ثابت ہوا [12]۔ لانگ ٹرم میموری ماڈل (LSTM) ہوا کی تاریخی رفتار اور آٹو ریگریشن کے لیے دو سالہ ڈیٹا کا استعمال کرتے ہوئے پانچ مقامات کے لیے مختصر مدت کے لیے spatio-temporal wind speed forecast کے لیے کیا گیا تھا۔

اس ماڈل کا مقصد ایک مختصر وقت کے افق پر پیشن گوئی کی درستگی کو بہتر بنانا ہے۔ مثال کے طور پر، دو یا تین گھنٹے کے لیے LSTM کا استعمال NWP ماڈل کا استعمال کرتے ہوئے افق کو پندرہ دن تک بڑھانے کی پیش گوئی کر سکتا ہے جو عام طور پر چھ گھنٹے کی فریکوئنسی کے ساتھ خود کو اپ ڈیٹ کرتا ہے [13]۔ ملٹی ویریٹ ٹائم سیریز کی پیشن گوئی کرنے کے لیے RNNs کی تربیت کی رفتار عام طور پر نسبتاً سست ہوتی ہے خاص طور پر جب بڑے نیٹ ورک کی گہرائی کے ساتھ استعمال کیا جاتا ہے۔

حال ہی میں طویل مدتی میموری (LSTM) کہلانے والی RNN کی مختلف قسم کو تربیتی مرحلے کے دوران معیاری RNN فن تعمیر [14,15] کے غائب ہونے اور پھٹنے والے تدریجی مسائل کو بہتر طریقے سے حل کرنے کی وجہ سے اس کی اعلی کارکردگی کی وجہ سے پسند کیا گیا ہے۔

لانگ شارٹ ٹرم میموری (LSTM) اور دنیاوی کنوولیشنل نیٹ ورکس (TCN) ماڈلز ڈیٹا سے چلنے والے ہلکے پھلکے موسم کی پیشن گوئی کے لیے تجویز کیے گئے تھے، اور ان کی کارکردگی کا موازنہ مشین لرننگ کے کلاسک اپروچز (معیاری ریگریشن (SR)، سپورٹ ویکٹر ریگریشن (SVR)، رینڈم فاریسٹ (SVR) سے کیا گیا تھا۔ RF))، شماریاتی مشین لرننگ اپروچز (Autoregressive integrated Moving اوسط (ARIMA)، ویکٹر آٹو ریگریشن (VAR)، اور ویکٹر ایرر کریکشن ماڈل (VECM))، اور ڈائنامک اینسبل میتھڈ (آربٹریج آف فورکاسٹنگ ماہر (AFE))۔

مجوزہ ماڈل کے نتائج موثر اور درست موسم کی پیشن گوئی کرنے کی صلاحیت کو ظاہر کرتے ہیں [16]۔ ہوا کی رفتار کی طویل مدتی پیشن گوئی میں LSTM الگورتھم پر تحقیق کی مسلسل ترقی کے باوجود، زیادہ تر تحقیق میں پیشین گوئی کے لیے روایتی RNN الگورتھم کو اب بھی ترجیح دی جاتی ہے۔

اس مقالے میں، ہوا کی رفتار کی پیشن گوئی کے میدان میں LSTMalgorithm کے اطلاق پر زور دیا گیا ہے اور مختلف ونڈ اسپیڈ ٹائم سیریز کے تحت الگورتھم کی پیشن گوئی کی کارکردگی اور درستگی کے درمیان موازنہ تربیت اور جانچ کے لیے استعمال کیا گیا ہے۔

2. طریقہ کار اور ڈیٹا ماخذ

2.1 ڈیٹا ذرائع

اس مطالعے میں، مجوزہ ماڈل کو صرف ہوا کی رفتار کی مختصر مدت کی پیشن گوئی کے لیے لاگو کیا گیا تھا تاکہ NWP ماڈلز جیسے ویدر ریسرچ اینڈ فورکاسٹنگ ماڈل (WRF) کا استعمال کرتے ہوئے ڈائنامیکل ڈاون اسکیلنگ کرنے کے اعلی کمپیوٹیشنل وقت سے بچا جا سکے۔ نووا اسکاٹیا میں ہیلی فیکس ڈاکیارڈ اسٹیشن سے ونڈ اسپیڈ ڈیٹا، جو عرض البلد 44.66◦ N، طول البلد 63.58◦ W پر واقع ہے۔

ہوا کی رفتار 3.80 میٹر کی اونچائی پر ناپی گئی، اور اسے دو مختلف موسموں، بہار (مارچ 2015) اور موسم گرما (جولائی 2015) کے لیے بطور ذریعہ استعمال کیا گیا، جیسا کہ شکل 1 میں دکھایا گیا ہے۔

دونوں موسموں کے لیے، ہر گھنٹے میں ریکارڈ کردہ ڈیٹا، (576 ریڈز/24 دن) مشاہدات اور (168 ریڈنگز/7 دن) بالترتیب، تربیت اور ٹیسٹنگ گروپس کے طور پر۔ تربیتی عمل کی ہم آہنگی کی درستگی کو بہتر بنا سکتا ہے۔

2.2 بار بار اعصابی نیٹ ورکس

ریکرنٹ نیورل نیٹ ورکس (RNNs) ترتیب وار ڈیٹا نیورل نیٹ ورکس ہیں جن کا مقصد اسی ترتیب میں پچھلے مراحل سے متعلق مشاہدات کے سلسلے میں اگلے مرحلے کی پیش گوئی کرنا ہے۔

RNNs میں چھپی ہوئی پرتیں ہوتی ہیں جو وقت کے ساتھ تقسیم ہوتی ہیں، جو انہیں سیریل ڈیٹا پڑھنے کے پچھلے مراحل میں حاصل کردہ معلومات کو ذخیرہ کرنے کی اجازت دیتی ہیں۔ ہوا کی رفتار مختصر اور طویل مدتی پر منحصر ہے۔

سادہ RNN ماڈل طویل مدتی انحصار کو سنبھالنے سے قاصر ہے۔ ایک مسئلہ جو RNN کے کھلنے سے پیدا ہوتا ہے وہ یہ ہے کہ اگر نیٹ ورک کو بہت زیادہ وقت تک کھولا جاتا ہے تو کچھ وزن کا گریڈینٹ بہت چھوٹا یا بہت بڑا ہونا شروع ہو جاتا ہے۔

اس رجحان کو غائب ہونے والی تدریجی مسئلہ کہا جاتا ہے، اور یہ قلیل مدتی میموری کو صرف اس لیے ذخیرہ کر سکتا ہے کیونکہ اس میں صرف پچھلے وقت کے اسٹیپ کی پوشیدہ پرت کو فعال کرنے کے افعال شامل ہیں اور یہ طویل مدتی [17,18] میں معلومات کے ضائع ہونے کا سبب بنتا ہے۔

نیٹ ورک فن تعمیر کی ایک قسم جو اس مسئلے کو حل کرتی ہے LSTM ہے۔ ایک عام نفاذ میں، چھپی ہوئی پرت کو کمپیوٹنگ یونٹس کے ایک پیچیدہ بلاک سے بدل دیا جاتا ہے جو گیٹس پر مشتمل ہوتا ہے جو بلاک میں غلطی کو پھنساتے ہیں، جو ایک نام نہاد "ایرر کیروسل" بناتا ہے [5]۔ شکل 2 RNN ڈھانچہ دکھاتا ہے جہاں پہلے چھپی ہوئی پرت کا آؤٹ پٹ موجودہ پوشیدہ پرت میں داخل ہوتا ہے۔ RNN ماڈل کی طرف سے اظہار کیا جاتا ہے

2.2 بار بار اعصابی نیٹ ورکس

ریکرنٹ نیورل نیٹ ورکس (RNNs) ترتیب وار ڈیٹا نیورل نیٹ ورکس ہیں جن کا مقصد اسی ترتیب میں پچھلے مراحل سے متعلق مشاہدات کے سلسلے میں اگلے مرحلے کی پیش گوئی کرنا ہے۔ RNNs میں چھپی ہوئی پرتیں ہوتی ہیں جو وقت کے ساتھ تقسیم ہوتی ہیں، جو انہیں سیریل ڈیٹا پڑھنے کے پچھلے مراحل میں حاصل کردہ معلومات کو ذخیرہ کرنے کی اجازت دیتی ہیں۔ ہوا کی رفتار مختصر اور طویل مدتی پر منحصر ہے۔

سادہ RNN ماڈل طویل مدتی انحصار کو سنبھالنے سے قاصر ہے۔ ایک مسئلہ جو RNN کے کھلنے سے پیدا ہوتا ہے وہ یہ ہے کہ اگر نیٹ ورک کو بہت زیادہ وقت تک کھولا جاتا ہے تو کچھ وزن کا گریڈینٹ بہت چھوٹا یا بہت بڑا ہونا شروع ہو جاتا ہے۔ اس رجحان کو غائب ہونے والی تدریجی مسئلہ کہا جاتا ہے، اور یہ قلیل مدتی میموری کو صرف اس لیے ذخیرہ کر سکتا ہے کیونکہ اس میں صرف پچھلے وقت کے اسٹیپ کی پوشیدہ پرت کو فعال کرنے کے افعال شامل ہیں اور یہ طویل مدتی [17,18] میں معلومات کے ضائع ہونے کا سبب بنتا ہے۔

نیٹ ورک فن تعمیر کی ایک قسم جو اس مسئلے کو حل کرتی ہے LSTM ہے۔ ایک عام نفاذ میں، چھپی ہوئی پرت کو کمپیوٹنگ یونٹس کے ایک پیچیدہ بلاک سے بدل دیا جاتا ہے جو گیٹس پر مشتمل ہوتا ہے جو بلاک میں غلطی کو پھنساتے ہیں، جو ایک نام نہاد "ایرر کیروسل" بناتا ہے [5]۔ شکل 2 RNN ڈھانچہ دکھاتا ہے جہاں پہلے چھپی ہوئی پرت کا آؤٹ پٹ موجودہ پوشیدہ پرت میں داخل ہوتا ہے۔

RNN ماڈل کا اظہار اس بات سے کیا جاتا ہے کہ یہ ان پٹ کہاں ہے، یہ پوشیدہ پرت کی اسٹیٹ ویلیو ہے، اس کی قدر آؤٹ پٹ لیئرٹ ٹائم ٹی پر کی جاتی ہے، ان پٹ لیئر سے وزن کیوں ہے، تاخیر سے آؤٹ پٹ کے وقت t - وزن کیوں ہے 1، tanh پوشیدہ پرت پر ایکٹیویشن فنکشن کے طور پر ہائپربولک ٹینجنٹ ہے، اور σ آؤٹ پٹ پرت پر ایکٹیویشن فنکشن کے طور پر سگمائڈ فنکشن ہے۔

2.3۔ طویل قلیل مدتی یادداشت

طویل مدتی میموری نیٹ ورکس ایک قسم کا ریکرنٹ نیورل نیٹ ورک (RNN) ہے جو طویل مدتی انحصار کے مسئلے سے بچنے کے لیے ڈیزائن کیا گیا ہے، جہاں ہر نیوران میں ایمیوری سیل ہوتا ہے جو RNN کے ذریعے استعمال ہونے والی پچھلی معلومات کو محفوظ کرنے کے قابل ہوتا ہے یا اگر ضروری ہو تو اسے بھول جاتا ہے [19] . فی الحال، یہ ٹائم سیریز کی پیشن گوئی کے مسائل میں کامیابی کے ساتھ بڑے پیمانے پر استعمال ہوتا ہے۔

LSTM-RNN کو میموری سیل سے ڈیزائن کیا گیا تھا جو طویل مدتی انحصار کو محفوظ کرتا ہے۔ میموری سیل کے علاوہ، LSTM سیل میں ایک ان پٹ گیٹ، آؤٹ پٹ گیٹ اور بھول گیٹ ہوتا ہے۔

سیل کے ہر گیٹ کو موجودہ ان پٹ tx، پچھلے لمحے میں چھپی ہوئی حالت ht−1 اور سیل کی اندرونی میموری کی ریاستی معلومات Ct−1 مختلف کارروائیوں کو انجام دینے اور یہ طے کرنے کے لیے حاصل ہوتی ہے کہ آیا منطقی فنکشن کا استعمال کرتے ہوئے اسے چالو کرنا ہے۔ یونٹ کی حالت ht، وقت t پر آؤٹ پٹ، اور وقت t1 پر ان پٹ کی پوشیدہ حالت کا تعین غیر خطی طور پر فعال کرنے والے tanh ( ) اور آؤٹ پٹ گیٹ کی معلومات سے ہوتا ہے۔

3. نتائج اور بحث

اس مطالعہ میں، MATLAB سافٹ ویئر (R2019b) کا استعمال LSTM کے تربیتی عمل کے لیے کیا گیا، جو کہ RNN کے لیے ایک ترتیب کے مستقبل کے اوقات کی قدروں کی پیش گوئی کرنے کے لیے ایک جدید فن تعمیر ہے۔ سیکوینس ریگریشن نیٹ ورک کو ایل ایس ٹی ایم کی ترتیب کے لیے تربیت دی گئی تھی، جہاں جوابات ایک ہی وقت میں بدلتے ہوئے اقدار کے ساتھ تربیتی ترتیب ہیں۔

یعنی ان پٹ سیکوئنس کے فور ٹائم سٹیپ پر، LSTM نیٹ ورک اگلی ٹائم سٹیپ کی قدر کا اندازہ لگانا سیکھتا ہے۔ اس کام میں، مجوزہ ماڈل کی تاثیر اور لاگو ہونے کا جامع اور منظم انداز میں جائزہ لینے کے لیے، دو مختلف موسموں کے لیے ہوا کی رفتار کے لیے اعداد و شمار کی دو سیریز منتخب کی گئیں، جو کہ بالترتیب موسم بہار (مارچ 2015) اور موسم گرما (جولائی 2015) ہیں۔ )۔

ہر ڈیٹا سیریز کو 1–576 (24 دن) مشاہدے کے طور پر اور 577–744 (7 دن) میں بالترتیب، تربیت اور ٹیسٹ گروپ کے طور پر تقسیم کیا گیا تھا۔ تربیت کے اعداد و شمار کو معیاری بنایا گیا ہے تاکہ ٹریننگ کو انحراف سے روکنے کے لیے پیشین گوئی کے وقت میں صفر اوسط اور اکائی کا فرق ہو۔ سب سے کم RMSE حاصل کرنے کا بہترین تربیتی پیرامیٹر 0.005 کی ابتدائی سیکھنے کی شرح کا استعمال کرتے ہوئے پایا جاتا ہے۔

اعداد و شمار 4 اور 5 موسم بہار (1–31 مارچ 2015) اور موسم گرما (1–31 جولائی 2015) میں جمع کی گئی فی گھنٹہ ہوا کی رفتار کے سلسلے کی پیش گوئی شدہ اقدار کے ساتھ مشاہدہ شدہ اقدار کا موازنہ ظاہر کرتے ہیں، LSTM کی تشخیص کے لیے، جو ایک بار تربیت دی گئی تھی۔ پچھلی پیشین گوئی کی قدر) اور پیشین گوئیوں کے درمیان ہر بار قدم کی پیشین گوئی کرنے کے لیے دوبارہ استعمال کیا جاتا ہے جس کی نمائندگی مساوات (2)-(4) سے ہوتی ہے۔ اس کا مطلب یہ ہے کہ ایک بار جب ماڈل ٹریننگ ڈیٹا پر پہلے فٹ ہوجاتا ہے تو کوئی اپ ڈیٹ نہیں کیا جاتا ہے، اور اس معاملے میں ماڈل کو فکسڈ ماڈل کہا جاتا ہے کیونکہ وہاں نو اپ ڈیٹس موجود ہیں۔

LSTM نیٹ ورک ٹریننگ کے اختیارات 200 پوشیدہ ماڈیولز کے لیے منتخب کیے گئے تھے۔ ابتدائی سیکھنے کی شرح 0.005 ہے، اور تکرار کی زیادہ سے زیادہ تعداد 250 مقرر کی گئی ہے۔ گریڈیئنٹس کو پھٹنے سے روکنے کے لیے گریڈیئنٹ تھریشولڈ 1 پر سیٹ کیا گیا ہے۔ سیکھنے کی شرح کو 125 دوروں کے بعد ایک عنصر 0.2 سے ضرب دے کر گرا دیا جاتا ہے۔ دونوں اعداد و شمار 6 اور 7 میں، LSTM کو پیشن گوئی شدہ اقدار اور ٹیسٹ سیٹ سے تازہ ترین ریاستی اقدار کا استعمال کرتے ہوئے ٹائم سیریز کی پیشن گوئی کے لیے نئے ڈیٹا کے ساتھ اپ ڈیٹ کیا گیا ہے اور ان کے لیے دستیاب کیا گیا ہے۔ اگلے وقت کے مرحلے پر پیشن گوئی کے لیے ماڈل خاص طور پر، ترمیم شدہ LSTM نے Ct−1 کو ان پٹ، بھولنے اور آؤٹ پٹ گیٹس میں اپنایا۔

اس کی وجہ یہ ہے کہ جب بھی LSTM آگے بڑھتا ہے، Ct−1 LSTM کے ان پٹ، بھولنے اور آؤٹ پٹ کو متاثر کرتا ہے۔ تمام پیشین گوئیاں ٹیسٹ ڈیٹا سیٹ میں جمع کی جاتی ہیں اور ماڈل کی مہارت کا خلاصہ کرنے کے لیے غلطی کے اسکور کا حساب لگایا جاتا ہے۔ روٹ میین مربع ایرر (RMSE) استعمال کیا جاتا ہے کیونکہ یہ بڑی غلطیوں پر جرمانہ عائد کرتا ہے اور اس کے نتیجے میں پیشن گوئی شدہ ڈیٹا کی طرح اکائیوں میں سکور ہوتا ہے، جو کہ ہوا کی رفتار فی گھنٹہ ہے۔

یہاں، پیشین گوئیاں زیادہ درست ہوتی ہیں جب نیٹ ورک کی حالت کو پیشن گوئی شدہ اقدار کے بجائے مشاہدہ شدہ اقدار کے ساتھ اپ ڈیٹ کرتے ہیں۔ نتائج سے، یہ دیکھا گیا ہے کہ دونوں سیریز بہار (مارچ 2015) اور سمر (جولائی 2015) میں LSTM اپ ڈیٹ استعمال کرتے وقت RMSE کی قدر میں بالترتیب 4.5845 اور 4.9392 کی کمی ہوئی، اور یہ ہر ایک کی مختلف خصوصیات کی وجہ سے ہے۔

اس کام میں اور مختلف ماڈلز کے مطابق پچھلے مختلف مطالعات کی بنیاد پر، یہ نوٹ کیا گیا ہے کہ پیشین گوئی کے ماڈلز کی درستگی معلومات کی مختلف خصوصیات کے مطابق مختلف ہوتی ہے، اور اس لیے اب تک، کوئی ایسا ماڈل نہیں پہنچا ہے جو مختلف معلومات کے ساتھ ایک جیسی درستگی کے ساتھ کام کرتا ہو۔ . جدول 1 RMSE ایرر میٹرکس کا استعمال کرتے ہوئے مجوزہ LSTM ماڈل میں دو ڈیٹا سیریز (جولائی 2015) اور (مارچ 2015) کی خامیاں دکھاتا ہے۔

4. نتائج

ہوا کی رفتار کے ذرائع کا ایک درست پیشن گوئی ماڈل ضروری معلومات فراہم کرنے کے لیے ضروری ہے تاکہ گرڈ آپریٹرز اور سسٹم ڈیزائنرز کو ایک بہترین ونڈ پاور پلانٹ پیدا کرنے اور توانائی کی مارکیٹ میں طلب اور رسد میں توازن قائم کرنے کے لیے ضروری معلومات فراہم کی جائیں۔

اس مطالعے میں ہوا کی رفتار کی پیشن گوئی کرنے کے لیے ترمیم شدہ لانگ شارٹ ٹرم میموری (LSTM) تجویز کی گئی ہے۔ چونکہ پیشین گوئیوں کے درمیان وقت کے مراحل کی اصل قدر تک رسائی ہو سکتی ہے، اس لیے ہوا کی رفتار کی پیش گوئی ہر پیشین گوئی میں نیٹ ورک کی حالت کو گیٹس کی بجائے مشاہداتی قدر کا استعمال کرتے ہوئے اپ ڈیٹ کر کے کی جاتی ہے۔

اس کی وجہ یہ ہے کہ جب بھی LSTM آگے بڑھتا ہے، سیل سٹیٹ LSTM کے ان پٹ، بھول جانے اور آؤٹ پٹ کو متاثر کرتا ہے۔ ماڈل کے نتائج نے ہوا کی رفتار کی پیش گوئی کرنے میں بہتر درستگی کا مظاہرہ کیا۔

مصنف کی شراکتیں: Conceptualization, ME; طریقہ کار، ME؛ سافٹ ویئر، ME؛ توثیق، ME؛ رسمی تجزیہ، ME، اور AM؛ تحریری- اصل مسودہ کی تیاری، ME؛ تحریری جائزہ اور ترمیم، AM؛ نگرانی، AM؛ پروجیکٹ ایڈمنسٹریشن، AM تمام مصنفین نے مخطوطہ کے شائع شدہ ورژن کو پڑھا اور اس سے اتفاق کیا ہے۔

فنڈنگ: اس تحقیق کو جزوی طور پر لیبیا کی وزارت تعلیم، گرانٹ نمبر 3772 کی طرف سے فنڈ کیا گیا تھا۔

ادارہ جاتی جائزہ بورڈ کا بیان: قابل اطلاق نہیں ہے۔

باخبر رضامندی کا بیان: قابل اطلاق نہیں ہے۔

ڈیٹا کی دستیابی کا بیان: قابل اطلاق نہیں ہے۔

مفادات کے تصادم: مصنفین مفادات کے تصادم کا اعلان نہیں کرتے ہیں۔

حوالہ جات

1. Monfared، M.؛ رستیگر، ایچ. کوجبادی، ایچ ایم مصنوعی ذہین طریقوں کا استعمال کرتے ہوئے ہوا کی رفتار کی پیشن گوئی کے لیے ایک نئی حکمت عملی۔ Renew.Energy 2009, 34, 845–848. [کراس ریف]

2. باکس، GE؛ جینکنز، جی ایم؛ Reinsel, GC; Ljung، GM ٹائم سیریز تجزیہ: پیشن گوئی اور کنٹرول، 5th ایڈیشن؛ جان ولی اینڈ سنز: ہوبوکن، NJ، USA، 2015؛ صفحہ 129-171۔

3. السرائیتی، ایم. میرابیت، اے. الدرہ، اے ٹائم سیریز کا تجزیہ اور ہوا کی رفتار کے ڈیٹا کی پیشن گوئی۔ IEEEIndustry Applications Society کے سالانہ اجلاس، بالٹیمور، MD، USA، 29 ستمبر تا 3 اکتوبر 2019 کی کارروائی میں؛ صفحہ 1-5۔

4. یادو، اے پی؛ کمار، اے. Behera، L. RNN پر مبنی شمسی تابکاری کی پیشن گوئی انکولی سیکھنے کی شرح کا استعمال کرتے ہوئے. بھیڑ، ارتقائی، اور میمیٹک کمپیوٹنگ پر بین الاقوامی کانفرنس میں؛ اسپرنگر: چام، سوئٹزرلینڈ، 2013؛ صفحہ 442-452۔

5. Hochreiter, S.; شمڈوبر، جے طویل مختصر مدت کی یادداشت۔ نیورل کمپیوٹ۔ 1997، 9، 1735–1780۔ [کراس ریف] [پب میڈ]

6. کمار، ڈی. ماتھر، ایچ ڈی؛ بھانوٹ، ایس. بنسل، RC ایک الگ تھلگ مائکرو گرڈ میں لوڈ فریکوئنسی کنٹرول کے لیے LSTM RNN کا استعمال کرتے ہوئے شمسی اور ہوا کی طاقت کی پیشن گوئی۔ انٹر جے ماڈل۔ سمول۔ 2020۔ [کراس ریف]

7. ش، ایکس۔ لی، ایکس؛ ہوانگ، Q. ہوانگ، ایس. رین، کے. Hu, Y. ویریشنل ماڈل سڑنے اور طویل مختصر مدتی میموری کے ہائبرڈ ماڈل کا استعمال کرتے ہوئے ہر گھنٹہ آگے کی ہوا کی طاقت کی پیشن گوئی۔ توانائیاں 2018، 11، 3227۔ [کراس ریف]

8. Rodrigues, ER; Oliveira, I.; کنہا، آر. نیٹو، ایم ڈیپ ڈاؤن اسکیل: ہائی ریزولوشن ویدر فورکاسٹ کے لیے ایک گہری سیکھنے کی حکمت عملی۔ ای-سائنس (ای-سائنس) پر 2018 IEEE 14ویں بین الاقوامی کانفرنس کی کارروائی میں، ایمسٹرڈیم، نیدرلینڈز، 29 اکتوبر-1 نومبر 2018؛ IEEE: نیویارک، نیویارک، امریکہ، 2018؛ صفحہ 415-422۔

9. چن، این. Qian، Z.؛ نبنی، آئی ٹی؛ Meng, X. Gaussian عمل اور عددی موسم کی پیشن گوئی کا استعمال کرتے ہوئے ہوا کی طاقت کی پیشن گوئی۔ IEEE Trans۔ پاور سسٹم۔ 2013، 29، 656–665۔ [کراس ریف]

10. کاو، Q.؛ Ewing, BT; تھامسن، ایم اے بار بار چلنے والے نیورل نیٹ ورکس کے ساتھ ہوا کی رفتار کی پیشن گوئی۔ یور جے اوپر Res. 2012، 221,148–154۔ [کراس ریف]

11. لیڈیا، ایم. کمار، ایس ایس؛ Selvakumar, AI; کمار، GE لکیری اور غیر لکیری آٹوریگریسو ماڈلز قلیل مدتی ہوا کی رفتار کی پیشن گوئی کے لیے۔ توانائی کی تبدیلی۔ منیج۔ 2016، 112، 115–124۔ [کراس ریف]

12. غدیری، A.؛ سنندا ​​جی، بی ایم؛ Ghaderi, F. گہری پیشن گوئی: گہری سیکھنے پر مبنی Spatio-Temporal Forecasting; کورنیل یونیورسٹی: اتھاکا، نیویارک، امریکہ، 2017۔

For more information:1950477648nn@gmail.com