Прогнозирование хаотической многомасштабной системы Лоренца 96 на основе данных с использованием методов машинного обучения: резервуарные вычисления, искусственная нейронная сеть и сеть с долговременной краткосрочной памятью
Data-driven predictions of a multiscale Lorenz 96 chaotic system using machine-learning methods: reservoir computing, artificial neural network, and long short-term memory network
2020-07-02
SCID: 54.1/xz7r9vvg
Discuss with AI
Сеть с эхо-состояниемДолгая краткосрочная памятьМногоуровневая система Лоренца 96Резервуарные вычисленияСуррогатное моделирование
Figures from the paper
Abstract (AI)
В работе исследуется эффективность трех методов глубокого обучения для прогнозирования краткосрочной эволюции и воспроизведения долгосрочной статистики многомасштабной пространственно-временной системы Лоренца 96: сети с эхо-состоянием (разновидности резервуарных вычислений, RC-ESN), глубокой полносвязной искусственной нейронной сети (ANN) и рекуррентной нейронной сети с долговременной краткосрочной памятью (RNN-LSTM). Система Лоренца 96 имеет три уровня нелинейно взаимодействующих переменных, описывающих медленные/крупномасштабные (X), промежуточные (Y) и быстрые/мелкомасштабные (Z) процессы. Для обучения и тестирования доступна только переменная X; переменные Y и Z никогда не известны и не используются. Показано, что RC-ESN значительно превосходит ANN и RNN-LSTM в краткосрочном прогнозировании, точно предсказывая хаотические траектории на протяжении сотен временных шагов численного решателя, что соответствует нескольким масштабам времени Ляпунова. RNN-LSTM и ANN также демонстрируют определенные прогностические возможности, причем RNN-LSTM превосходит ANN. Кроме того, даже после утраты информации о траектории данные, предсказанные с помощью RC-ESN и RNN-LSTM, имеют функции плотности вероятности (PDF), близкие к истинной PDF, включая хвосты распределения. Однако PDF данных, предсказанных с помощью ANN, отклоняется от истинной PDF. Обсуждаются следствия, ограничения и применения к моделированию суррогатных моделей сложных нелинейных динамических систем, основанному на данных и дополненному данными, включая системы погоды и климата.
Key Findings
1
Данные, сгенерированные ANN, заметно отклонялись от истинной функции плотности вероятности, что ограничивает их статистическую точность для суррогатного моделирования.
2
После расхождения траекторий данные RC-ESN и RNN-LSTM близко воспроизводили истинную функцию плотности вероятности, включая её хвосты.
3
RNN-LSTM и ANN также продемонстрировали прогностические способности, причём RNN-LSTM превзошла ANN.
4
Резервуарные вычисления с echo state network существенно превзошли ANN и RNN-LSTM в краткосрочном прогнозировании, точно предсказывая хаотические траектории в течение сотен шагов численного интегратора.
5
Три метода машинного обучения оценивались для краткосрочного прогнозирования и воспроизведения долгосрочной статистики многомасштабной системы Лоренца–96, используя только переменные медленного масштаба.
Research Object
многоуровневая пространственно-временная хаотическая система Лоренца–96
Research Subject
краткосрочное прогнозирование траекторий и воспроизведение долгосрочных статистических характеристик, включая соответствие функций плотности вероятности, с использованием методов машинного обучения
Publication Details
Publication Date
2020-07-02
Journal
Publisher
ISSN
Cited by
218
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Распознавание речи с помощью глубоких рекуррентных нейронных сетей2013
Глубокие сети с эхо-состояниями и количественной оценкой неопределенности для пространственно-временного прогнозирования2018