感知预报的模型驱动 LSTM
机器学习
2023-03-24 v1
摘要
空气质量差会对人类健康产生重大影响。美国国家海洋和大气管理局（NOAA）的空气质量预报指导正受到由野火和热浪等极端天气事件导致的极端空气质量事件日益增多的挑战。这些极端空气质量事件进一步影响人类健康。用于修正模式偏差的传统方法对线性和潜在分布做出假设。极端空气质量事件往往在事件发生前缺乏强信号，这种行为倾向导致现有方法对偏差或欠补偿或过度补偿。深度学习因其泛化能力和学习非线性问题的能力，在存在极端空气质量事件时的空气质量预报方面具有前景。然而，在这些异常空气质量事件存在的情况下，使用单一网络泛化至未来预报的标准深度网络方法，即便具备包含地理和气象的完整特征集，也未必总能给出最佳性能。本工作中，我们描述了一种结合无监督学习和感知预报的双向 LSTM 网络的方法，利用美国本土 AirNow 站点的臭氧和 PM2.5 数据对业务化空气质量预报进行偏差修正。采用在站点地理特征（如经纬度、城市化和海拔）上训练的无监督聚类方法，所学聚类通过划分 LSTM 网络的训练数据来指导训练。LSTM 具有预报感知能力，并采用一种独特方式跨预报日进行前向与后向时间学习。将预报模式的 RMSE 与偏差修正模式的 RMSE 比较，偏差修正模式显示出显著改进（臭氧 RMSE 降低 27%）优于基准预报。
引用
@article{arxiv.2303.12963,
title = {Forecast-Aware Model Driven LSTM},
author = {Sophia Hamer and Jennifer Sleeman and Ivanka Stajner},
journal= {arXiv preprint arXiv:2303.12963},
year = {2023}
}