基于长短期记忆网络的高维混沌系统数据驱动预测
计算物理
2019-09-20 v5 机器学习
混沌动力学
摘要
我们提出了一种利用长短期记忆（LSTM）循环神经网络对高维混沌系统进行数据驱动预测的方法。所提出的 LSTM 神经网络在其降阶空间中推断高维动力系统，并被证明是其吸引子的有效非线性逼近器集合。我们在由 Lorenz 96 系统、Kuramoto-Sivashinsky 方程和一个原型气候模型得到的时间序列上展示了 LSTM 的预测性能，并与高斯过程（GPs）进行比较。在所有考虑的应用中，LSTM 网络在短期预测精度上均优于 GPs。我们提出了一种混合架构，通过均值随机模型扩展 LSTM（MSM-LSTM），以确保收敛到不变测度。这种新颖的混合方法完全由数据驱动，并扩展了 LSTM 网络的预测能力。
引用
@article{arxiv.1802.07486,
title = {Data-Driven Forecasting of High-Dimensional Chaotic Systems with Long Short-Term Memory Networks},
author = {Pantelis R. Vlachas and Wonmin Byeon and Zhong Y. Wan and Themistoklis P. Sapsis and Petros Koumoutsakos},
journal= {arXiv preprint arXiv:1802.07486},
year = {2019}
}
备注
31 pages