具有不确定性量化的深度回声状态网络用于时空预测
机器学习
2018-09-05 v2 机器学习
摘要
时空系统的长期预报往往涉及复杂的非线性动力学，难以先验指定。当前用于建模这些过程的统计方法通常参数化程度很高，因而从计算角度难以实现。对此问题的一个潜在的简约解决方案是来自动力系统与工程文献的一种方法，称为回声状态网络（ESN）。ESN模型利用所谓的“储层计算”来高效计算循环神经网络（RNN）预测。此外，所谓的“深度”模型近来已被证明在预测高维复杂非线性过程（尤其是具有多个空间和时间变化尺度的过程，如我们在时空环境数据中常发现的那样）方面取得成功。本文我们引入一种深度集成ESN（D-EESN）模型。我们提出该模型用于时空过程的两种版本，二者均产生预测及相关的不确定性度量。第一种方法利用自助集成框架，第二种在层次贝叶斯框架（BD-EESN）内发展。这一更一般的层次贝叶斯框架自然适应非高斯数据类型和多级不确定性。该方法首先应用于由一种新颖的非高斯多尺度Lorenz-96动力系统仿真模型模拟的数据集，然后应用于美国（U.S.）土壤湿度长期预报应用。
引用
@article{arxiv.1806.10728,
title = {Deep Echo State Networks with Uncertainty Quantification for Spatio-Temporal Forecasting},
author = {Patrick L. McDermott and Christopher K. Wikle},
journal= {arXiv preprint arXiv:1806.10728},
year = {2018}
}