Wettervorhersage durch maschinelles Lernen: Regenprognose in Hamburg mittels Regressionsanalyse und modernen Deep-Learning-Ansätzen

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.