动态时间规整作为基于机器学习的地磁扰动时间指数预报的新评估方法
机器学习
2022-03-15 v1 机器学习
摘要
基于神经网络和机器学习的模型在空间物理中日益流行。特别是，利用神经网络模型预报地磁指数正成为一个热门研究领域。这些模型通常使用均方根误差（RMSE）和皮尔逊相关系数等指标进行评估。然而，这些经典指标有时无法捕捉关键行为。为展示经典指标的不足，我们训练了一个长短期记忆网络（long short-term memory network），基于 OMNIWeb 数据，对原点时间 处的扰动风暴时间指数进行提前 1 至 6 小时的预报。利用相关系数和 RMSE 对模型结果进行检查，表明其性能与最新文献相当。然而，目视检查显示神经网络做出的预测与持续性模型（persistence model）表现相似。本文提出一种新方法，用于度量两个时间序列是否相互存在时间偏移，例如持续性模型输出与观测值之间。该基于动态时间规整（Dynamical Time Warping）的新度量能够识别由持续性模型产生的结果，并在印证神经网络输出的目视观测方面展现出良好前景。最后，为消除结果中的持续性行为，我们探索了不同的神经网络训练方法。
引用
@article{arxiv.2006.04667,
title = {Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine Learning},
author = {Brecht Laperre and Jorge Amaya and Giovanni Lapenta},
journal= {arXiv preprint arXiv:2006.04667},
year = {2022}
}
备注
Accepted for publication in Frontiers in Astronomy and Space Sciences, section Space Physics