यह पत्र GOES कैटलॉग से समय श्रृंखला डेटा का उपयोग करके सौर भड़कने की घटनाओं की भविष्यवाणी करने के लिए एन्सेम्बल एल्गोरिदम के साथ दीर्घकालिक-अल्पकालिक मेमोरी (LSTM) और अपघटन-LSTM (DLSTM) नेटवर्क को संयोजित करने की एक विधि का अध्ययन करता है। 2003 से 2023 (151,071 भड़कने की घटनाओं वाले) के डेटा का उपयोग करते हुए, हम लगभग 7,552 वार्षिक पैटर्न विंडो की पहचान करते हैं, जो सूर्य के जटिल और स्व-संगठित क्रिटिकलिटी-आधारित व्यवहार के कारण दीर्घकालिक भविष्यवाणी की कठिनाई को उजागर करते हैं। एक स्लाइडिंग विंडो तकनीक का उपयोग अनियमित और नियमित भड़कने की समय श्रृंखला में अस्थायी अर्ध-पैटर्न का पता लगाने के लिए किया जाता है, और नियमितीकरण जटिलता को कम करता है, बड़ी भड़कने की गतिविधि को बढ़ाता है, और सक्रिय दिनों को अधिक प्रभावी ढंग से कैप्चर करता है। प्रदर्शन मूल्यांकन मेट्रिक्स (TSS 0.74, रिकॉल 0.95, ROC वक्र के अंतर्गत क्षेत्र AUC 0.87) दर्शाते हैं कि नियमित समय श्रृंखला के लिए एनसेंबल तकनीकों का उपयोग करने वाला DLSTM अन्य मॉडलों से बेहतर प्रदर्शन करता है, और अनियमित समय श्रृंखला पर प्रशिक्षित मॉडलों की तुलना में कम त्रुटि के साथ अधिक सटीक बड़े फ्लेयर पूर्वानुमान प्रदान करता है। DLSTM के बेहतर प्रदर्शन का श्रेय समय श्रृंखला को प्रवृत्ति और मौसमी घटकों में विघटित करके यादृच्छिक शोर को प्रभावी ढंग से अलग करने की इसकी क्षमता को दिया जाता है। यह अध्ययन सौर फ्लेयर पूर्वानुमान के लिए उन्नत मशीन लर्निंग तकनीकों की क्षमता पर प्रकाश डालता है और पूर्वानुमान विश्वसनीयता बढ़ाने के लिए विभिन्न सौर चक्र चरणों और पुन: नमूनाकरण रणनीतियों को एकीकृत करने के महत्व पर बल देता है।
