深度不确定性量化：一种用于天气预报的机器学习方法
机器学习
2019-02-05 v3 机器学习
摘要
天气预报通常通过数值天气预报（NWP）求解，由于初始态设置不当，有时会导致不尽如人意的表现。本文设计了一种由有效信息融合机制增强的数据驱动方法，以从包含 NWP 先验知识的历史数据中学习。我们将天气预报问题视为端到端深度学习问题，并通过提出一种新颖的负对数似然误差（NLE）损失函数来求解。我们所提方法的一个显著优势是同时实现单值预报与不确定性量化，我们称之为深度不确定性量化（DUQ）。我们还探索了高效的深度集成策略以进一步提升性能。该新方法在一个由中国北京气象站收集的公共数据集上进行了评估。实验结果表明，与均方误差（MSE）损失和平均绝对误差（MAE）损失相比，所提出的 NLE 损失显著改善了泛化能力。与 NWP 相比，该方法准确率显著提升 47.76%，这是该基准数据集上的最优结果。所提方法的初步版本在一项每日天气预报在线竞赛中获得第二名。
引用
@article{arxiv.1812.09467,
title = {Deep Uncertainty Quantification: A Machine Learning Approach for Weather Forecasting},
author = {Bin Wang and Jie Lu and Zheng Yan and Huaishao Luo and Tianrui Li and Yu Zheng and Guangquan Zhang},
journal= {arXiv preprint arXiv:1812.09467},
year = {2019}
}