具有不确定性量化的机器学习 HASDM 模型
机器学习
2021-09-17 v1 空间物理
摘要
基于 SET HASDM 密度数据库，我们开发了首个具备稳健且可靠不确定性估计的热层中性质量密度模型。该数据库由 Space Environment Technologies (SET) 创建，包含美国太空军高精度的 High Accuracy Satellite Drag Model (HASDM) 的 20 年输出，代表了密度与阻力建模的最先进水平。我们利用主成分分析（PCA）进行降维，生成供非线性机器学习（ML）回归模型训练的系数。这些模型使用三种独特损失函数：均方误差（MSE）、预测密度负对数（NLPD）与连续 ranked 概率分数（CRPS）。我们还测试了三套输入集，结果表明引入地磁指数的时间历史可提升性能。这些模型借助蒙特卡洛（MC） dropout 提供不确定性估计，使用 NLPD 损失函数可在不牺牲模型精度（平均绝对误差 <10%）的前提下得到校准良好的不确定性估计。通过将最佳 HASDM-ML 模型与沿卫星轨道的 HASDM 数据库比较，我们发现该模型在所有空间天气条件下均能提供密度空间中稳健且可靠的不确定性。风暴期对比显示 HASDM-ML 在极端事件期间也能提供有意义的不确定性度量。
引用
@article{arxiv.2109.07651,
title = {Machine-Learned HASDM Model with Uncertainty Quantification},
author = {Richard J. Licata and Piyush M. Mehta and W. Kent Tobiska and S. Huzurbazar},
journal= {arXiv preprint arXiv:2109.07651},
year = {2021}
}