Modelli di Ensemble Learning per migliorare le previsioni di Temperatura e Radiazione Solare

This thesis discusses the internship experience carried out at Hypermeteo S.r.l., a company specialized in processing meteorological forecast data for the Business To Business sector. The accuracy of meteorological variable predictions is crucial to ensuring the quality of the services provided. For this purpose, the forecasting system used by the company relies on a set of numerical weather models that solve the physical equations governing the state of the atmosphere, providing forecasts on a spatial grid. The data from these models, made available by their respective providers, are integrated using a simple arithmetic mean to obtain the final estimates. During this internship, the use of Ensemble Learning algorithms, in particular the Multilevel Stacking technique, was explored with the aim of reducing the forecasting error for temperature and solar radiation compared to the currently used system. Initially, the numerical basemodels, the ensemble based on the arithmetic mean, and their respective performances will be presented. Subsequently, the tests conducted and the structure of the final models will be widely covered, comparing them to the benchmark using appropriate metrics such as RMSE and MAE.

In questa tesi verrà trattata l'esperienza di tirocinio svolta presso Hypermeteo S.r.l., azienda specializzata nell'elaborazione di dati meteorologici storici e previsionali per il settore Business To Business. La precisione nella previsione delle variabili meteorologiche è di fondamentale importanza per garantire la qualità dei servizi erogati. A tal scopo, il sistema previsionale adottato dall'azienda si basa su una serie di modelli numerici meteorologici che risolvono le equazioni fisiche che governano lo stato dell'atmosfera, fornendo previsioni su una griglia spaziale. I dati dei diversi modelli, resi disponibili dagli enti proprietari, vengono integrati fra loro tramite una semplice media aritmetica per ottenere le stime finali. Durante questo tirocinio si è sperimentato l'utilizzo di algoritmi di Ensemble Learning, in particolare la tecnica del Multilevel Stacking, con l'obiettivo di ridurre l'errore di previsione della temperatura e della radiazione solare, rispetto al sistema attualmente in uso. Inizialmente verranno presentati i modelli numerici di base, l'ensemble basato sulla media aritmetica e le relative prestazioni. Successivamente saranno ampiamente trattati i test effettuati e la struttura dei modelli finali, confrontandoli con il benchmark attraverso opportune metriche quali RMSE e MAE.