Fulltext available Open Access
Title: Wettervorhersage durch maschinelles Lernen: Regenprognose in Hamburg mittels Regressionsanalyse und modernen Deep-Learning-Ansätzen
Language: German
Authors: Anshori, Muhamad Iqbal 
Keywords: Wettervorhersage; maschinelles Lernen; Regressionsanalyse; Zeitreihenanalyse; mehrschichtiges Lernen; lineare Regression; CNN; LSTM; CNN-LSTM; Transformer; überwachtes Lernen; Weather forecasting; machine learning; regression analysis; time series analysis; deep learning; linear regression; supervised learning
Issue Date: 7-Feb-2024
Abstract: 
In dieser Bachelorarbeit werden verschiedene moderne Maschinelles Lernen-Verfahren zur Vorhersage der Niederschlagshöhe in Hamburg untersucht und vergleicht. Anhand der vorhergesagte Niederschlagshöhe wird ermittelt, ob es morgen regnet oder nicht. Dafür werden die Wetterdaten aus Deutsche Wetterdienst (DWD) abgerufen, analysiert und für das Experiment vorbereitet. In dem Experiment werden fünf verschiedene moderne maschinelles Lernen-Verfahren, und zwar lineare Regression, LSTM, eindimensionale CNN, CNN-LSTM und Transformer anhand der Wetterdaten trainiert und anschließend evaluiert. Anhand der Ergebnisse hat sich gezeigt, dass CNN-LSTM und Transformer eine gute Vorhersage bis 75% Genauigkeit liefern bei der Vorhersage, ob es morgen regnet oder nicht.

In this bachelor thesis, various modern machine learning methods for predicting the amount of precipitation in Hamburg are examined and compared. The predicted amount of precipitation is used to determine whether or not it will rain tomorrow. For this purpose, the weather data from the German Weather Service (DWD) is retrieved, analysed and prepared for the experiment. In the experiment, five different modern machine learning methods, namely linear regression, LSTM, one-dimensional CNN, CNN-LSTM and Transformer, are trained using the weather data and then evaluated. The results have shown that CNN-LSTM and Transformer provide a good prediction of up to 75% accuracy in predicting whether it will rain tomorrow or not.
URI: http://hdl.handle.net/20.500.12738/14781
Institute: Department Informatik 
Fakultät Technik und Informatik 
Type: Thesis
Thesis type: Bachelor Thesis
Advisor: Neitzke, Michael 
Referee: Zukunft, Olaf 
Appears in Collections:Theses

Files in This Item:
Show full item record

Page view(s)

215
checked on Nov 26, 2024

Download(s)

316
checked on Nov 26, 2024

Google ScholarTM

Check

HAW Katalog

Check

Note about this record


Items in REPOSIT are protected by copyright, with all rights reserved, unless otherwise indicated.