Predicting Drought Indices in Nakhon Ratchasima Province using a Deep Belief Network with Restricted Boltzmann Machines

Abstract

In this study, we examine the ability of deep learning in making prediction from time series data. First, the precipitation data from Nakhon Ratchasima province in northeastern region of Thailand is converted into various types of standardized precipitation index (SPI). Next, for each SPI, a deep belief network, consisting of restricted Boltzmann machines, learns its parameters from data through unsupervised path using minimized contrastive divergent algorithm follow by supervised path using backpropagation algorithm. Last, the prediction accuracies from all types of the standardized precipitation index are evaluated and compared. The result shows that the long term SPI of 12 months makes more accurate prediction than the short term SPI of 3, 6, and 9 months.ในการศึกษาครั้งนี้ เราจะตรวจสอบความสามารถของ deep learning ในการทำนายโดยใช้ข้อมูลชุดเวลา ซึ่งเป็นข้อมูลน้ำฝนจากจังหวัดนครราชสีมา ภาคตะวันออกเฉียงเหนือของประเทศไทย ข้อมูลน้ำฝนจะถูกแปลงเป็นดัชนีของ standardized precipitation index (SPI) ในหลาย ๆ ช่วงเวลา ข้อมูล SPI ในแต่ละช่วงเวลาจะถูกเรียนรู้โดย deep belief network ซึ่งเป็นโครงสร้างที่ประกอบจากหลาย ๆ restricted Boltzmann machines ประกอบด้วยกัน ตัวแปรแต่ละตัวในวิธีการนี้จะถูกเรียนรู้ผ่านกระบวนการ 2 ขั้นตอน กระบวนการแรกคือ unsupervised path ซึ่งเรียนรู้โดยใช้อัลกอริทึม minimized contrastive divergent กระบวนการที่สองคือ supervised path ซึ่งเรียนรู้โดยใช้อัลกอริทึม backpropagation จากการเปรียบเทียบความแม่นยำของค่าดัชนี SPI ของแต่ละช่วงเวลา พบว่า SPI ที่ช่วงเวลา 12 เดือน มีค่าความแม่นยำสูงกว่าช่วงเวลา 3, 6 และ 9 เดือน