一种用于Dst指数预测的深度学习方法
机器学习
2022-05-06 v1
摘要
扰动风暴时间（Dst）指数是空间天气研究中重要且有用的度量，已被用于刻画地磁暴的规模和强度。Dst为负值意味着地球磁场被削弱，这发生于风暴期间。本文提出一种称为Dst Transformer的新型深度学习方法，基于NASA空间科学数据协调存档提供的太阳风参数，进行1至6小时前的短期Dst指数预报。Dst Transformer将多头注意力层与贝叶斯推断相结合，能够在做出Dst预测时量化偶然不确定性和认知不确定性。实验结果表明，所提Dst Transformer在均方根误差和R平方方面优于相关机器学习方法。此外，Dst Transformer能够产生数据与模型的不确定性量化结果，这是现有方法无法做到的。据我们所知，这是贝叶斯深度学习首次被用于Dst指数预报。
引用
@article{arxiv.2205.02447,
title = {A Deep Learning Approach to Dst Index Prediction},
author = {Yasser Abduallah and Jason T. L. Wang and Prianka Bose and Genwei Zhang and Firas Gerges and Haimin Wang},
journal= {arXiv preprint arXiv:2205.02447},
year = {2022}
}
备注
7 pages, 4 figures