物理引导的循环神经网络用于动力学系统建模：在湖泊水温与水质监测中的应用
机器学习
2018-10-09 v1 机器学习
摘要
在本文中，我们引入一种新颖的框架，将基于物理的模型中的科学知识与循环神经网络相结合，以推进许多动力学系统中的科学发现。我们将首先描述在基于物理的模型输出中学习混合物理-数据模型的使用。然后，我们进一步将真实世界动力学系统中的物理知识作为训练循环神经网络的额外约束加以纳入。我们将此方法应用于湖泊温度与水质建模，其中我们考虑沿深度维度和时间维度的物理约束。通过利用科学知识引导数据驱动模型的构建与学习，我们证明该方法能够取得更好的预测精度以及结果的科学一致性。
引用
@article{arxiv.1810.02880,
title = {Physics Guided Recurrent Neural Networks For Modeling Dynamical Systems: Application to Monitoring Water Temperature And Quality In Lakes},
author = {Xiaowei Jia and Anuj Karpatne and Jared Willard and Michael Steinbach and Jordan Read and Paul C Hanson and Hilary A Dugan and Vipin Kumar},
journal= {arXiv preprint arXiv:1810.02880},
year = {2018}
}
备注
3 pages, 3 figures, 8th International Workshop on Climate Informatics