利用具有不确定性量化的贝叶斯深度学习方法预测 SYM-H 指数
天体物理仪器与方法
2024-02-28 v1 机器学习
摘要
我们提出了一种名为 SYMHnet 的新型深度学习框架，该框架采用图神经网络和双向长短期记忆网络，协同学习太阳风和行星际磁场参数的模式，以基于 1 分钟和 5 分钟分辨率数据对 SYM-H 指数进行短期预测。SYMHnet 输入由 NASA 空间科学数据协调档案提供的参数值时间序列，并输出给定时间点 t 后 w 小时（w 为 1 或 2）的 SYM-H 指数值。通过将贝叶斯推断融入学习框架，SYMHnet 在预测未来 SYM-H 指数时能够量化偶然（数据）不确定性和认知（模型）不确定性。实验结果表明，SYMHnet 在平静期和风暴期，对于 1 分钟和 5 分钟分辨率数据均表现良好。结果还显示，SYMHnet 的性能通常优于相关的机器学习方法。例如，在使用 5 分钟分辨率数据预测大型风暴（SYM-H = -393 nT）中的 SYM-H 指数（提前 1 小时）时，SYMHnet 的预测技能得分（FSS）为 0.343，而近期梯度提升机（GBM）方法的 FSS 为 0.074。在预测大型风暴中的 SYM-H 指数（提前 2 小时）时，SYMHnet 的 FSS 为 0.553，而 GBM 方法的 FSS 为 0.087。此外，SYMHnet 能提供数据和模型不确定性量化的结果，而相关方法则无法做到。
引用
@article{arxiv.2402.17196,
title = {Prediction of the SYM-H Index Using a Bayesian Deep Learning Method with Uncertainty Quantification},
author = {Yasser Abduallah and Khalid A. Alobaid and Jason T. L. Wang and Haimin Wang and Vania K. Jordanova and Vasyl Yurchyshyn and Huseyin Cavus and Ju Jing},
journal= {arXiv preprint arXiv:2402.17196},
year = {2024}
}
备注
28 pages, 8 figures