基于 LSTM 的序列到序列预测方法比较：使用 GOES 数据预测 24 小时太阳质子通量剖面
机器学习
2025-10-08 v1 太阳与恒星天体物理
人工智能
摘要
太阳质子事件(SPE)会对卫星、宇航员和技术系统造成显著辐射危险。准确预测其质子通量时间轮廓对于提前警报和减轻措施至关重要。本文探索基于长短期记忆网络的深度学习序列到序列(seq2seq)模型，用于预测 SPE 发生后 24 小时的质子通量剖面。我们使用 40 个与 NOAA GOES 观察到的 well-connected SPEs 构成的数据集(1997-2017)，每个 SPE 都与一个 >=M 类西半部太阳闪 flare 和未扰动的质子通量剖面相关联。通过 4 折分层交叉验证，我们评估了 seq2seq 模型配置( varying hidden units 和 embedding dimensions)下的多种预测情景：(i) 仅输入质子通量 vs. 组合质子+X射线输入; (ii) 原始通量数据 vs. 趋势平滑数据; (iii) 自回归预测 vs. one-shot 预测。我们的主要结果如下：首先，one-shot 预测始终产生低于自回归预测的误差，避免了迭代方法中误差的累积。其次，在原始数据上，仅质子模型优于组合质子+X射线模型。然而，在趋势平滑数据上，两者之间的差距缩小或反转。第三，趋势平滑显著增强了组合质子+X射线模型的性能，通过缓解 X 射线通道的波动。第四，尽管在原始数据上训练的模型在平均性能上最佳，但最佳性能的模型是基于原始数据训练的，这表明架构选择有时能超过数据预处理的优势。
引用
@article{arxiv.2510.05399,
title = {Comparing LSTM-Based Sequence-to-Sequence Forecasting Strategies for 24-Hour Solar Proton Flux Profiles Using GOES Data},
author = {Kangwoo Yi and Bo Shen and Qin Li and Haimin Wang and Yong-Jae Moon and Jaewon Lee and Hwanhee Lee},
journal= {arXiv preprint arXiv:2510.05399},
year = {2025}
}
备注
7 pages; accepted as a workshop paper at ICDM 2025