Učící se celulární automat pro predikci vývoje prostorové distribuce parametrů v čase

Abstract

Tato práce se zabývá návrhem a implementací simulačního modelu pro predikci vývoje počasí na bázi celulárního automatu (CA) a vícevrstvého perceptronu (MLP). CA umožňuje modelovat lokální interakce mezi jednotlivými objemovými elementy atmosféry, zatímco neuronová síť typu MLP se využívá k predikci komplexních vzorců vývoje počasí na základě historických meteorologických dat a terénem pod ním. V práci jsou popsány teoretické základy obou přístupů, jejich integrace do simulačního modelu a následný proces implementace. Byly použity moderní softwarové nástroje pro efektivní vývoj a optimalizaci modelu. Dále je rozebrán proces shromažďování a předzpracování meteorologických dat, trénování neuronové sítě a testování modelu, a rovněž se věnuje jeho omezením a možným směrům budoucího vylepšení. Výsledky experimentů ukazují, že kombinace CA a MLP poskytuje vysokou přesnost, ale s omezenou schopností predikce.