Predikce časoprostorových dat pomocí pokročilých technik strojového učení

Abstract

Práce se zabývá modely strojového učení pro predikci časoprostorových dat, se zaměřením na Fourierovy neuronové operátory (FNO), difuzní modely (DDIM) a jejich kombinaci. Cílem bylo generovat přesné a realistické snímky budoucího vývoje na základě historických dat. K vyhodnocení byly použity dvě datové sady: Moving MNIST a SEVIR. Práce zahrnuje implementaci modelů, ladění hyperparametrů a evaluaci pomocí metrik SSIM, RHD a FSS. Nejlepší výsledky dosáhl model FNO trénovaný se ztrátovou funkcí FACL. Ačkoliv DDIM a kombinovaný model dosáhly dobrých výsledků na jednodušších datech, u složitějšího datasetu měly potíže. Kombinovaný model však dosáhl srovnatelných výsledků s FNO na Moving MNIST, což ukazuje jeho potenciál.

The thesis explores machine learning models for spatiotemporal data forecasting, focusing on Fourier Neural Operators (FNO), diffusion models (DDIM), and their combination. The goal was to generate accurate and realistic future frames from historical inputs. Two benchmark datasets were used for evaluation: Moving MNIST and SEVIR. The work includes model implementation, hyperparameter tuning, and evaluation using SSIM, RHD, and FSS metrics. The FNO model trained with FACL loss achieved the best overall performance. While DDIM and the combined model achieved good results on simpler data, they struggled on the more complex dataset. However, the combined model reached results comparable to FNO on Moving MNIST, showing its potential.