본 논문은 GOES 카탈로그의 시계열 데이터를 사용하여 태양 플레어 발생을 예측하기 위해 장단기 메모리(LSTM) 및 분해-LSTM(DLSTM) 네트워크와 앙상블 알고리즘을 결합한 방법을 연구합니다. 2003년부터 2023년까지의 데이터(151,071개의 플레어 이벤트 포함)를 사용하여, 태양의 복잡하고 자기조직 임계성에 기반한 행동으로 인한 장기 예측의 어려움을 강조하며 약 7,552개의 연간 패턴 창을 식별합니다. 불규칙 및 규칙화된 플레어 시계열에서 시간적 준패턴을 감지하기 위해 슬라이딩 윈도우 기법을 사용하며, 규칙화는 복잡성을 줄이고 큰 플레어 활동을 향상시키고 활동적인 날들을 더 효과적으로 포착합니다. 클래스 불균형 문제를 해결하기 위해 리샘플링 기법을 적용하고, LSTM 및 DLSTM 모델은 불규칙 시계열의 피크 플럭스와 대기 시간 시퀀스에 대해 학습되며, 앙상블 기법과 통합된 LSTM 및 DLSTM은 3시간 간격의 규칙화된 시계열의 슬라이딩 윈도우에 적용됩니다. 성능 평가 지표(TSS 0.74, 재현율 0.95, ROC 곡선 아래 면적 AUC 0.87)는 규칙화된 시계열에 대한 앙상블 기법을 사용한 DLSTM이 다른 모델보다 우수하며, 불규칙 시계열에 대해 학습된 모델에 비해 더 적은 오류로 더 정확한 큰 플레어 예측을 제공함을 보여줍니다. DLSTM의 우수한 성능은 시계열을 추세 및 계절적 구성 요소로 분해하여 랜덤 노이즈를 효과적으로 분리하는 능력에 기인합니다. 본 연구는 태양 플레어 예측에 대한 고급 기계 학습 기술의 잠재력을 강조하고, 예측 신뢰성을 높이기 위해 다양한 태양 주기 단계와 리샘플링 전략을 통합하는 중요성을 강조합니다.
