基于卷积高斯神经过程的环境传感器布设
机器学习
2023-05-16 v5 机器学习
摘要
环境传感器对于监测天气状况与气候变化影响至关重要。然而，以最大化其测量信息量的方式布设传感器颇具挑战，尤其在南极等偏远地区。概率机器学习模型可通过寻找能最大程度降低预测不确定性的站点来建议信息丰富的传感器布设位置。高斯过程（GP）模型被广泛用于此目的，但它们难以捕捉复杂的非平稳行为并扩展到大型数据集。本文提出使用卷积高斯神经过程（ConvGNP）来解决这些问题。ConvGNP 利用神经网络在任意目标位置参数化联合高斯分布，从而实现灵活性与可扩展性。以模拟的南极地表气温异常作为训练数据，ConvGNP 学习了空间与季节的非平稳性，优于非平稳 GP 基线。在模拟传感器布设实验中，ConvGNP 比 GP 基线更好地预测了新观测带来的性能提升，从而得到信息更丰富的传感器布设。我们将本方法与基于物理的传感器布设方法进行对比，并提出了迈向业务化传感器布设推荐系统的未来步骤。我们的工作可助力实现主动引导测量采样以改进现实数字表征的环境数字孪生。
引用
@article{arxiv.2211.10381,
title = {Environmental Sensor Placement with Convolutional Gaussian Neural Processes},
author = {Tom R. Andersson and Wessel P. Bruinsma and Stratis Markou and James Requeima and Alejandro Coca-Castro and Anna Vaughan and Anna-Louise Ellis and Matthew A. Lazzara and Dani Jones and J. Scott Hosking and Richard E. Turner},
journal= {arXiv preprint arXiv:2211.10381},
year = {2023}
}
备注
Accepted in Environmental Data Science (Climate Informatics 2023 Special Issue)