基于循环与序列到序列网络的海浪多元多步预报、重构与特征选择
机器学习
2020-03-03 v2 大气与海洋物理
机器学习
摘要
本文探讨海浪多元多步预报、重构与特征选择的概念。我们引入循环神经网络框架，并结合贝叶斯超参数优化与Elastic Net方法。针对有效波高与海浪输出功率，我们考虑了短期与长期预报及重构。序列到序列神经网络首次被开发用于基于邻近波浪传感器的信息重构海浪的缺失特征。我们的结果表明，Adam与AMSGrad优化算法是优化序列到序列网络最鲁棒的算法。对于有效波高重构情形，我们在一个被广泛研究的数据集上将所提方法与替代方法比较，并基于若干误差度量展示了所提方法的优越性。我们设计了一个基于美国东海岸沿线测量站的新案例研究，并探究特征选择概念。比较证实了利用Elastic Net的益处。此外，案例研究表明当特征数量较多时，更深层的结构可提升性能。
引用
@article{arxiv.1906.00195,
title = {Multivariate, Multistep Forecasting, Reconstruction and Feature Selection of Ocean Waves via Recurrent and Sequence-to-Sequence Networks},
author = {Mohammad Pirhooshyaran and Lawrence V. Snyder},
journal= {arXiv preprint arXiv:1906.00195},
year = {2020}
}