Глубокие сети с эхо-состояниями и количественной оценкой неопределенности для пространственно-временного прогнозирования
Deep echo state networks with uncertainty quantification for spatio‐temporal forecasting
2018-12-18
SCID: 54.1/6bwg8p48
Discuss with AI
глубокие сети с эхосостояниемиерархическая байесовская модельрезервуарные вычисленияпространственно-временное прогнозированиеквантификация неопределённости
Figures from the paper
Abstract (AI)
Долгосрочное прогнозирование пространственно-временных систем может включать сложную нелинейную динамику, которую трудно априори задать. Современные статистические методы моделирования таких процессов часто характеризуются большим числом параметров и поэтому сложны с вычислительной точки зрения. Одним из возможных экономных решений этой проблемы является метод, известный в литературе по динамическим системам и инженерным наукам как сеть с эхо-состояниями (echo state network, ESN). Модели ESN используют резервуарные вычисления для эффективного получения прогнозов рекуррентных нейронных сетей. Кроме того, недавно было показано, что многоуровневые (глубокие) иерархические модели успешно предсказывают многомерные сложные нелинейные процессы, особенно процессы с несколькими пространственными и временными масштабами изменчивости, характерными, например, для пространственно-временных экологических данных. В настоящей работе представлена глубокая ансамблевая модель ESN (D-EESN). Несмотря на глубокую структуру, предложенная модель обладает высокой вычислительной эффективностью. Мы представляем две версии этой модели для пространственно-временных процессов, формирующие прогнозы и соответствующие меры неопределенности. Первый подход использует бутстреп-ансамблевую схему, а второй разработан в рамках иерархического байесовского подхода (BD-EESN). Эта более общая иерархическая байесовская схема естественным образом учитывает негауссовские типы данных и несколько уровней неопределенности. Сначала методология применяется к набору данных, смоделированному с использованием новой модели моделирования негауссовской многомасштабной динамической системы Лоренца–96, а затем — к задаче долгосрочного прогнозирования влажности почвы в Соединенных Штатах (США). В обоих случаях предложенная методология превосходит существующие методы как по точности прогнозирования, так и по количественной оценке неопределенности.
Key Findings
1
На смоделированной негауссовской многомасштабной системе Лоренца–96 и при долгосрочном прогнозировании влажности почвы в США методы превзошли существующие подходы по точности прогнозов и оцениванию неопределённости.
2
Предложены глубокие ансамблевые сети с эхо-состоянием (D-EESN) для эффективного прогнозирования высокоразмерных нелинейных пространственно-временных процессов.
3
Разработаны бутстрэп-ансамблевая и иерархическая байесовская версии, обе формирующие прогнозы с оценками неопределённости.
4
Байесовская D-EESN естественно поддерживает негауссовские наблюдения и несколько уровней неопределённости.
Research Object
пространственно-временные экологические процессы, в частности моделируемая негaуссовская многомасштабная динамическая система Лоренца–96 и долгосрочное прогнозирование влажности почвы в США
Research Subject
точность долгосрочного пространственно-временного прогнозирования и количественная оценка неопределённости для сложной нелинейной динамики с несколькими пространственными и временными масштабами
Publication Details
Publication Date
2018-12-18
Journal
Publisher
ISSN
Cited by
91
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью2
Обзор количественной оценки неопределенности в глубоком обучении: методы, приложения и проблемы2021
Прогнозирование хаотической многомасштабной системы Лоренца 96 на основе данных с использованием методов машинного обучения: резервуарные вычисления, искусственная нейронная сеть и сеть с долговременной краткосрочной памятью2020