Рассмотрение оптимальности работы различных архитектур нейронных сетей для различных задач является на данный момент актуальной темой для исследования. В данной статье была рассмотрена эффективность работы полносвязных, рекуррентных и сверточных нейронных сетей в контексте разработки простой модели для прогноза погоды. Были рассмотрены архитектуры и принципы работы полносвязных нейронных сетей, устройство одномерных и двумерных сверточных нейронных сетей, а также архитектуру, особенности, преимущества и недостатки рекуррентных нейронных сетей: простых рекуррентных нейронных сетей, сетей LSTM и GRU, а также их двунаправленные подвиды для каждого из трех вышеперечисленных видов. На основе имеющихся теоретических материалов были разработаны простые нейронные сети для сравнения эффективности той или иной архитектуры, где в качестве критерия выступают время обучения и величина ошибки, а в качестве данных для обучения: температура, скорость ветра и атмосферное давление. Были рассмотрены скорость обучения, минимальное и среднее значение ошибки для полносвязной нейронной сети, сверточной нейронной сети, простой рекуррентной сети, LSTM и GRU, а также для двунаправленных рекуррентных нейронных сетей. На основе полученных результатов был проведен анализ возможных причин эффективности той или иной архитектур. На основе полученных данных были построены графики зависимости скорости работы от величины ошибки для трех исследуемых наборов данных: температуры, скорости ветра и атмосферного давления, а также сделаны выводы об эффективности определенной модели в контексте прогноза временных рядов метеорологических данных. Полученные результаты планируется использовать в дальнейших работах со смежными темами, либо развивать данную тему.
This article examines the efficiency of fully connected, recurrent, and convolutional neural networks in the context of developing a simple model for weather forecasting. The architectures and working principles of fully connected neural networks, the structure of one-dimensional and two-dimensional convolutional neural networks, as well as the architecture, features, advantages, and disadvantages of recurrent neural networks—specifically, simple recurrent neural networks, LSTM, and GRU, along with their bidirectional variants for each of the three aforementioned types—are discussed. Based on the available theoretical materials, simple neural networks were developed to compare the efficiency of each architecture, with training time and error magnitude serving as criteria, and temperature, wind speed, and atmospheric pressure as training data. The training speed, minimum and average error values for the fully connected neural network, convolutional neural network, simple recurrent network, LSTM, and GRU, as well as for bidirectional recurrent neural networks, were examined. Based on the results obtained, an analysis was conducted to explore the possible reasons for the effectiveness of each architecture. Graphs were plotted to show the relationship between processing speed and error magnitude for the three datasets examined: temperature, wind speed, and atmospheric pressure. Conclusions were drawn about the efficiency of specific models in the context of forecasting time series of meteorological data.