用时间序列聚类解释LSTM对太阳耀斑爆发的预测
太阳与恒星天体物理
2020-03-11 v2 机器学习
摘要
我们对一个长短期记忆(LSTM)模型所做的太阳耀斑预测进行事后分析，该模型采用空间天气HMI活动区斑块(SHARP)参数的数据，这些参数由耀斑起源的磁极性反转线附近的数据算出。我们训练LSTM模型进行二分类，给出下一小时发生M/X级耀斑概率的预测分数。然后我们开发一种降维技术来降低SHARP参数(LSTM输入)的维度，并展示对应于从低预测分数到高预测分数转变的SHARP参数不同模式。我们的工作表明，SHARP参数的一个子集包含强太阳耀斑爆发迫近的关键信号。对于这些事件，当其对M/X级耀斑的LSTM预测分数从很低过渡到很高时，这些参数的动力学具有高度一致的轨迹。结果证明了存在少数SHARP参数的阈值，一旦超过即表明强耀斑爆发的高概率。我们的方法提炼了深度学习模型学到的太阳耀斑爆发知识，并提供了更具可解释性的近似，从而对驱动太阳耀斑的过程给出物理见解。
引用
@article{arxiv.1912.12360,
title = {Interpreting LSTM Prediction on Solar Flare Eruption with Time-series Clustering},
author = {Hu Sun and Ward Manchester and Zhenbang Jiao and Xiantong Wang and Yang Chen},
journal= {arXiv preprint arXiv:1912.12360},
year = {2020}
}
备注
26 pages, 18 figures, 2 tables