利用对抗自编码器与对抗 LSTM 改进城市空气污染模拟的预报
机器学习
2021-04-19 v2 计算物理
流体动力学
摘要
本文提出了一种利用深度学习（最具体地说是对抗训练）改进城市空气污染计算流体动力学（CFD）模拟预报的方法。该对抗方法旨在减小预报与底层物理模型之间的偏差。我们的两步法将基于主成分分析（PCA）的对抗自编码器（PC-AAE）与对抗长短期记忆（LSTM）网络相集成。一旦通过 PCA 获得 CFD 解的降阶模型（ROM），就在主成分时间序列上使用对抗自编码器。随后，在 PC-AAE 产生的潜空间上对抗训练长短期记忆网络（LSTM）以进行预报。训练完成后，对抗训练的 LSTM 优于以经典方式训练的 LSTM。研究区域位于南伦敦，包含繁忙交通路口中的三维速度矢量。
引用
@article{arxiv.2104.06297,
title = {Adversarial autoencoders and adversarial LSTM for improved forecasts of urban air pollution simulations},
author = {César Quilodrán-Casas and Rossella Arcucci and Laetitia Mottet and Yike Guo and Christopher Pain},
journal= {arXiv preprint arXiv:2104.06297},
year = {2021}
}
备注
8 pages; 3 figures; Published as a workshop paper at ICLR 2021 SimDL Workshop. arXiv admin note: text overlap with arXiv:2101.01568