一种跨多时空尺度预测的时空LSTM模型
机器学习
2021-08-27 v1 机器学习
大气与海洋物理
摘要
本文提出一种应用于环境数据集时间序列预测的 novel 时空LSTM（SPATIAL）架构。该框架在多个传感器上针对三种不同海洋变量进行了评估：流速、温度和溶解氧。网络实现沿两个方向进行，这两个方向名义上分离但作为自然环境的组成部分相互连接——即传感器数据的空间方向（各独立传感器之间）与时间分量。来自四个采样流速的传感器和八个同时测量温度与溶解氧的传感器的数据对框架进行了评估。结果对照RF和XGB基线模型进行比较，后者通过滑动窗口矩阵提取日期时间特征及数据历史，独立学习每个传感器的时间信号。结果表明该框架能够准确复现复杂信号，并提供与最先进基准相当的性能。值得注意的是，该新型框架提供了更简洁的预处理与训练流程，通过简单掩码层处理缺失值。通过实现空间与时间方向的学习，本文解决了环境科学中机器学习应用的两个根本挑战：1）数据稀疏性以及收集海洋动力等环境条件测量数据的困难与成本；2）环境数据集在空间与时间方向上天然关联，而经典机器学习方法仅考虑其中一个方向。此外，所有输入步共享参数使SPATIAL成为一种快速、可扩展且易参数化的预测框架。
引用
@article{arxiv.2108.11875,
title = {A spatio-temporal LSTM model to forecast across multiple temporal and spatial scales},
author = {Yihao Hu and Fearghal O'Donncha and Paulito Palmes and Meredith Burke and Ramon Filgueira and Jon Grant},
journal= {arXiv preprint arXiv:2108.11875},
year = {2021}
}