一种利用机器学习算法预测 CME 到达时间的新工具：CAT-PUMA
太阳与恒星天体物理
2018-03-28 v1
摘要
日冕物质抛射（CMEs）可以说是太阳系中最剧烈的爆发活动。CMEs 能在行星际空间造成严重扰动，甚至多方面影响人类活动，对基础设施造成破坏并带来经济损失。快速且准确地预测 CME 到达时间对于将 CME 与地球空间相互作用时可能造成的破坏降至最低至关重要。本文提出一种用于部分/全晕 CME 到达时间预测的新方法，即利用机器学习算法（CAT-PUMA）。通过对 CME 特征和太阳风参数的详细分析，我们构建了一个预测引擎，利用 182 个先前观测到的地效部分/全晕 CMEs 并采用支持向量机（SVM）算法。我们证明 CAT-PUMA 准确且快速。特别地，将 CAT-PUMA 应用于引擎未知的测试集所得预测显示，CME 到达时间的预测平均绝对误差约为 5.9 小时，其中 54% 的预测绝对误差小于 5.9 小时。与其他模型的比较表明，对于所研究的 77% 的事件，CAT-PUMA 具有更准确的预测；并且其运行非常快，即在提供 CME 的必要输入参数后数分钟内即可完成。附录中提供了包含 CAT-PUMA 引擎和两个示例源代码的实用指南，供学界使用 CAT-PUMA 进行自己的预测应用。
引用
@article{arxiv.1802.02803,
title = {A New Tool for CME Arrival Time Prediction Using Machine Learning Algorithms: CAT-PUMA},
author = {Jiajia Liu and Yudong Ye and Chenlong Shen and Yuming Wang and Robert Erdélyi},
journal= {arXiv preprint arXiv:1802.02803},
year = {2018}
}
备注
13 pages, 7 figures, 2 tables; accepted by the Astrophysical Journal