融合传统与下一代储备池计算以准确高效地预测动力系统
机器学习
2024-06-07 v2
摘要
储备池计算机是用于时间序列预测的强大机器学习架构。最近，下一代储备池计算机被引入，相较于 RCs 具有明显的优势，例如更低的计算成本和更少的训练数据需求。然而，NGRCs 也有其实际困难，包括对采样时间和数据中非线性类型的敏感性。在此，我们引入一种混合 RC-NGRC 方法用于动力系统的时间序列预测。我们表明，在 RC 和 NGRC 单独使用均不足的情况下（例如，由于有限计算资源的限制、次优超参数、稀疏采样的训练数据等），我们的混合方法可以产生准确的短期预测并捕获混沌动力系统的长期统计特性。在这些条件下，针对多个模型混沌系统，我们展示了具有小规模储备池的混合 RC-NGRC 方法可以实现接近具有更大储备池的传统 RC 的预测性能，这表明混合方法在解决 NGRCs 一些局限性的同时，相较于传统 RCs 可以在计算效率上提供显著提升。我们的结果表明，当计算效率是高优先级且单独使用 NGRC 不足时，混合 RC-NGRC 方法可能特别有益。
引用
@article{arxiv.2403.18953,
title = {Hybridizing Traditional and Next-Generation Reservoir Computing to Accurately and Efficiently Forecast Dynamical Systems},
author = {Ravi Chepuri and Dael Amzalag and Thomas Antonsen and Michelle Girvan},
journal= {arXiv preprint arXiv:2403.18953},
year = {2024}
}
备注
12 pages, 7 figures