基于降阶模型的对立训练LSTM用于城市空气污染模拟
机器学习
2021-01-06 v1 流体动力学
摘要
本文提出一种利用深度学习改进空气污染计算流体动力学模拟预报的方法。我们的方法集成了主成分分析（PCA）和对抗训练，可提升由原始模型解获得的降阶模型的预报技巧。通过PCA得到降阶模型（ROM）后，在ROM上对抗训练一个长短期记忆网络（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。研究区域位于伦敦，包含速度场和一个复现繁忙交通路口的浓度示踪物。这种基于对抗训练LSTM的方法用于ROM，以产生更快的空气污染示踪物预报。
引用
@article{arxiv.2101.01568,
title = {Adversarially trained LSTMs on reduced order models of urban air pollution simulations},
author = {César Quilodrán-Casas and Rossella Arcucci and Christopher Pain and Yike Guo},
journal= {arXiv preprint arXiv:2101.01568},
year = {2021}
}
备注
6 pages, Third workshop on Machine LEarning and the Physical Sciences at NeurIPS 2020