LSTM (Long Short‑Term Memory) තාක්ෂණය තවමත් කාල‑ශ්රේණි විශ්ලේෂණයේ ප්රධාන තෝරාගැනීමක්. එය අධික පරමාණුක දත්ත ගොඩනැගීමට හැකියාව ඇති නමුත්, ප්රතිඵලය පෙන්වන්නේ සරල සංඛ්යාවක් පමණක්. ඒ නිසා මොඩලය කොහොමද එම අගය ගණනය කළේ කියලා තේරුම් ගන්න බොහොම අමාරුයි.
මෙම මාර්ගෝපදේශය දිනපතා තාපමාන දත්ත භාවිතා කර LSTM එකක් පුහුණු කරයි, පසුපස එය ත්රිත්ව XAI ක්රම – permutation importance, SHAP, Integrated Gradients – මගින් විග්රහ කරයි. පළමුව දත්ත සූදානමට 7 දිනයන් පුරා වූ කවුළුවක් ගොඩනැගීම, ඒ කවුළුවේ පළමු 7 දින භාවිතා කර 8 වැනි දිනේ තාපමානය අනාවැකි කිරීම සිදු කරයි. දත්තය 0‑1 අතර සීමා කරන්නේ gradient‑වීඩය වැළැක්වීමටයි.
ඉන්පසු, දෙකක් stacked LSTM ස්ථර, dropout, early stopping සමඟ මොඩලයක් නිර්මාණය කරයි. පළමු LSTM ස්ථරයේ return_sequences=True සැකසීම දෙවන ස්ථරයට සම්පූර්ණ hidden state අනුක්රමය ලබාදෙයි. early stopping හි patience=10 සහ restore_best_weights=True යොදා ගෙන, වඩාත් හොඳ epoch එකේ බරයන් ගොඩනැගේ.
පුහුණු කිරීම අවසන් වූ පසු, මොඩලය පසුගිය දිනයේ තාපමානයට වැඩි වශයෙන් පදනම් වෙයිද, නැත්නම් සතිය පුරා සමාන වශයෙන් භාවිතා කරයිද කියලා විශ්ලේෂණය කරමු. permutation importance ක්රමය එක් එක් ලැග් දිනය අහඹු ලෙස අස්ථානගත කර, ඒ අනුව දෝෂය (MSE) කෙතරම් වැඩි වුණාද බලයි. වැඩි දෝෂයක් ඇති දිනය මොඩලය සඳහා අත්යවශ්ය බව පෙන්වයි.
SHAP (Shapley Additive exPlanations) සහ Integrated Gradients යන තවත් දෙකක්, ලැග් දිනයන්ගේ දායකත්වය වඩාත් නිරූපණය කරන අතර, මොඩලයේ පිරිවරය (weights) සහ gradient‑වල ගැඹුරු සම්බන්ධතාවය පෙන්වයි. මෙයින් පෙනෙන්නේ, කාල‑ශ්රේණි අනාවැකි සඳහා LSTM එකේ “කියවීමේ හැකියාව” වැඩි දියුණු කර ගැනීමට XAI ක්රම ඉතා වැදගත් බවයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
- ඉගෙනුම් ව්යාපෘති: විශ්වවිද්යාල, තාක්ෂණික පාසල් සිසුන්ට LSTM + XAI එකක් සමඟ ප්රායෝගික ව්යාපෘති කිරීමේ හැකියාව ලැබේ.
- ව්යාපාරික අයදුම්: කෘෂි, සංචාරක, බලශක්ති ආදියෙහි කාල‑ශ්රේණි දත්ත අනාවැකි වඩාත් විශ්වාසදායකව භාවිතා කර, තීරණ ගැනීමේ වැරදි අඩු කරයි.
- සමාජික ප්රයෝජන: කාලගුණ අනාවැකි පද්ධතියේ විස්තරකරණය ජනතාවට පාරිසරික අවදානම් ගැන හොඳ අවබෝධයක් ලබා දෙයි.
අවසානයේ, LSTM මොඩලයක් පුහුණු කිරීම පමණක් නොව, එය “කොහොමද” කියලා පැහැදිලි කිරීමත් සමඟ, AI තාක්ෂණය ශ්රී ලංකාවේ පරිසරයට, ව්යාපාරයට, අධ්යාපනයට නව මාර්ගයක් ගොඩනැගේ.
