通过时间序列离群点检测改进太阳耀斑预测
机器学习
2022-06-16 v1 太阳与恒星天体物理
摘要
太阳耀斑不仅对外层空间技术与宇航员健康构成风险，亦在地球上对我们高度依赖的高科技互联基础设施造成扰乱。尽管已有若干机器学习方法被提出以改进耀斑预测，但据我们所知，尚无任何研究考察离群点对可靠性及这些模型性能的影响。在本研究中，我们考察多变量时间序列基准数据集SWAN-SF中离群点对耀斑预测模型的影响，并检验我们的假设。即，SWAN-SF中存在离群点，移除它们可提升预测模型在未见数据集上的性能。我们采用孤立森林(Isolation Forest)在较弱耀斑实例中检测离群点。我们使用大范围污染率(决定现存离群点百分比)开展了若干实验。我们利用TimeSeriesSVC就各数据集的实际污染状况评估其质量。在我们的最佳发现中，真技能统计量(True Skill Statistic)提升279%，海德克技能分数(Heidke Skill Score)提升68%。结果表明，若恰当检测并移除离群点，总体上可显著改进耀斑预测。
引用
@article{arxiv.2206.07197,
title = {Improving Solar Flare Prediction by Time Series Outlier Detection},
author = {Junzhi Wen and Md Reazul Islam and Azim Ahmadzadeh and Rafal A. Angryk},
journal= {arXiv preprint arXiv:2206.07197},
year = {2022}
}