基于深度生成模型的概率预报
机器学习
2019-09-30 v1 机器学习
摘要
类比集合(AnEn)方法试图利用与确定性数值天气预报(NWP)的最佳相似态相对应的一组历史观测来估计大气未来状态的概率分布。这种模型后处理 method 已成功用于提高若干与天气相关应用的预报精度，包括空气质量、短期风能和太阳能预报等。为了提供有意义的概率预报，AnEn 方法需要在内存中存储至少数月且涵盖相关预测所需季节的历史预测与观测集合。尽管 AnEn 方法的内存与计算成本低于暴力动力学集合方法，但对于大量站点和大型数据集，AnEn 所需的内存量很容易变得难以承受。此外，为了找到与 NWP 模型生成的某预测相对应的最佳相似态，当前方法需要通过应用某种度量在整个数据集上搜索。这种方法需要在整个历史数据集上应用该度量，可能耗费大量时间。在本工作中，我们研究了一种使用深度生成模型实现 AnEn 方法的替代方案。由此，生成模型可以全部或部分替代预测-观测对的数据集，将生成概率预报所需的内存减少数个数量级。此外，生成模型可以在常数时间内生成与某预报相对应的有意义相似态集合而无需执行任何搜索，即使在存在海量历史数据集的情况下也能节省大量时间。
引用
@article{arxiv.1909.11865,
title = {Probabilistic Forecasting using Deep Generative Models},
author = {Alessandro Fanfarillo and Behrooz Roozitalab and Weiming Hu and Guido Cervone},
journal= {arXiv preprint arXiv:1909.11865},
year = {2019}
}
备注
23 pages, 9 figures, submitted to Computers and Geosciences