この論文では、GOESカタログの時系列データを使用して、太陽フレアの発生を予測するために、長短期メモリ（LSTM）および分解-LSTM（DLSTM）ネットワークとアンサンブルアルゴリズムを組み合わせた方法を研究します。 2003年から2023年までのデータ（151,071個のフレアイベントを含む）を使用して、太陽の複雑で自己組織的臨界性に基づく行動による長期予測の難しさを強調し、約7,552個の年間パターンウィンドウを識別します。不規則で規則的なフレア時系列の時間的準パターンを検出するためにスライディングウィンドウ技術を使用し、規則化は複雑さを減らし、大きなフレア活動を改善し、活動的な日をより効果的に捉えます。クラスの不均衡問題を解決するためにリサンプリング手法を適用し、LSTMおよびDLSTMモデルを不規則時系列のピークフラックスとレイテンシシーケンスについて学習し、アンサンブル技術と統合されたLSTMおよびDLSTMを3時間間隔の規則化時系列のスライドウィンドウに適用します。パフォーマンス評価指標（TSS 0.74、再現率0.95、ROC曲線の下の面積AUC 0.87）は、規則化された時系列のアンサンブル技術を使用したDLSTMが他のモデルより優れており、不規則時系列について学習したモデルと比較して、より少ない誤差でより正確な大きなフレア予測を提供することを示しています。 DLSTMの優れた性能は、時系列をトレンド成分と季節成分に分解し、ランダムノイズを効果的に分離する能力に起因します。本研究は、太陽フレア予測に対する高度な機械学習技術の可能性を強調し、予測信頼性を高めるために、さまざまな太陽周期ステップとリサンプリング戦略を統合することの重要性を強調しています。
