A Deep Learning approach for predicting COSMO-Model's execution time

I modelli di previsione meteorologica sono programmi che permettono di simulare il tempo meteorologico futuro e formularne dunque una previsione. Il tempo di esecuzione di questi modelli è un aspetto critico, in quanto la loro utilità è basata sulle tempistiche con cui vengono prodotti i risultati. La previsione del tempo di esecuzione di un modello numerico di previsione meteorologica permette di ottimizzare sia la pianificazione dell'esecuzione del modello stesso che l'allocazione delle risorse a disposizione, nonché di individuare eventuali anomalie che si possono presentare e a fronte delle quali possono essere adottate delle contromisure. Nel presente lavoro si mostra come grazie all'uso di modelli deep learning si riescano ad ottenere risultati molto precisi per la previsione dei tempi di esecuzione su sistema HPC GALILEO del modello numerico di previsione meteorologica COSMO-Model in uso presso la Struttura Idro-Meteo-Clima di Arpae Emilia-Romagna. Il lavoro si compone di due parti: nella prima, sono stati definiti i parametri che influenzano i tempi di esecuzione del modello e sono state generate due tipologie di dataset, selezionando ed eseguendo su GALILEO numerose configurazioni di COSMO-Model. Nella seconda parte, i dataset sono stati usati per addestrare e valutare i modelli deep learning in grado di prevedere il tempo di esecuzione. Dalla loro valutazione è emerso come questi modelli deep learning permettano di ottenere risultati accurati per la previsione del tempo di esecuzione di COSMO-Model.