非深度学习、深度学习与集成学习方法在太阳黑子数预测中的比较研究
太阳与恒星天体物理
2022-05-26 v2 人工智能
机器学习
摘要
太阳活动对人类活动与健康有显著影响。最常用的太阳活动度量指标之一是太阳黑子数。本文比较了三种重要的非深度学习模型、四种流行的深度学习模型及其五种集成模型在太阳黑子数预测中的表现。特别地，我们提出了一种称为 XGBoost-DL 的集成模型，该模型使用 XGBoost 作为两级非线性集成方法来组合深度学习模型。我们的 XGBoost-DL 在比较中取得了最佳的预测性能（RMSE = 25.70，MAE = 19.82），优于最佳非深度学习模型 SARIMA（RMSE = 54.11，MAE = 45.51）、最佳深度学习模型 Informer（RMSE = 29.90，MAE = 22.35）以及 NASA 的预测（RMSE = 48.38，MAE = 38.45）。我们的 XGBoost-DL 预测第 25 太阳活动周峰值太阳黑子数为 133.47（2025 年 5 月），第 26 太阳活动周为 164.62（2035 年 11 月），与 NASA 预测的 137.7（2024 年 10 月）和 161.2（2034 年 12 月）相近但时间更晚。我们用于太阳黑子数预测的 XGBoost-DL 开源 Python 包可在 https://github.com/yd1008/ts_ensemble_sunspot 获取。
引用
@article{arxiv.2203.05757,
title = {A comparative study of non-deep learning, deep learning, and ensemble learning methods for sunspot number prediction},
author = {Yuchen Dang and Ziqi Chen and Heng Li and Hai Shu},
journal= {arXiv preprint arXiv:2203.05757},
year = {2022}
}