结合多方面预处理与对比学习增强基于多变量时间序列的太阳耀斑预测

由于强烈的太阳耀斑对宇航员、太空设备和卫星通信系统构成重大风险，准确的太阳耀斑预测至关重要。我们的研究通过对基于多变量时间序列的光球磁场参数数据集采用先进的数据预处理和分类方法，增强了太阳耀斑预测。首先，我们的研究采用了一种新颖的预处理流水线，包括缺失值插补、归一化、平衡采样、近决策边界样本移除和特征选择，以显著提高预测准确性。其次，我们将对比学习与 GRU 回归模型相结合，开发了一种名为 ContReg 的新颖分类器，该分类器采用双重学习方法，从而进一步增强了预测性能。为了验证我们预处理流水线的有效性，我们比较并展示了每个步骤的性能提升；为了展示 ContReg 分类器的有效性，我们将其性能与基于序列的深度学习架构、机器学习模型以及先前研究的结果进行了比较。我们的结果显示出卓越的真实技能统计分数，超越了以往方法，并突显了精确的数据预处理和分类器开发在基于时间序列的太阳耀斑预测中的关键作用。