一种分布式气象预测方法：通过联邦学习与GAN解决降水预测模型中的数据不平衡问题
机器学习
2023-10-23 v1 人工智能
摘要
气象数据的分类涉及将气象现象划分为不同类别，从而便于为农业、航空和灾害管理等多个领域进行细致分析与精确预测。这需要使用机器学习模型来分析大型多维气象数据集以发现模式与趋势。这些数据集可能包含温度、湿度、风速和压力等变量，它们共同影响气象条件。此外，分类算法必须妥善应对数据不平衡等挑战，即某些天气事件（如风暴或极端温度）可能样本不足。本实证研究探讨了在集中式与联邦式环境下，针对表格气象数据中类别不平衡问题的数据增强方法。采用合成少数类过采样技术（Synthetic Minority Over-sampling Technique）或生成对抗网络（Generative Adversarial Networks, GAN）等数据增强技术，可提升模型对罕见但关键的天气事件进行分类的准确率。此外，随着联邦学习的发展，机器学习模型可在去中心化数据库上进行训练，在保障隐私与数据完整性的同时，减少对集中式数据存储与处理的需求。因此，气象数据分类构成了连接原始气象数据与可操作洞察的关键桥梁，增强了我们预见和应对多样天气状况的能力。
引用
@article{arxiv.2310.13161,
title = {A Distributed Approach to Meteorological Predictions: Addressing Data Imbalance in Precipitation Prediction Models through Federated Learning and GANs},
author = {Elaheh Jafarigol and Theodore Trafalis},
journal= {arXiv preprint arXiv:2310.13161},
year = {2023}
}