基于语义的端到端学习用于台风强度预测
计算与语言
2020-08-12 v2 机器学习
机器学习
摘要
灾害预测是灾害监测与防范中最关键的任务之一。现有技术采用不同的机器学习方法，根据历史环境数据预测即将发生的灾害。然而，对于短期灾害（如地震），仅依靠历史数据的预测能力有限。因此，需要额外的预警来源以实现准确预测。我们将社交媒体视为除历史环境数据之外的补充知识来源。然而，社交媒体帖子（如推文）非常非正式且只包含有限内容。为缓解这些局限，我们提出结合语义增强的词嵌入模型，用其语义表示（由传统 word2vec 计算）来表征推文中的实体。此外，我们研究了社交媒体帖子与台风量级（亦称强度）——就推文的数量与情感而言——之间的相关性。基于这些见解，我们提出一个端到端框架，从灾害相关推文和环境数据中学习，以改进台风强度预测。本文是我们最初发表于 K-CAP 2019 [32] 工作的扩展。我们扩展了本文：用最先进的深度神经模型构建框架，用新的台风及其至今的推文更新数据集，并针对灾害预测中近期基线方法对本文方法进行基准测试。实验结果表明，就 F1 分数而言，我们的方法优于最先进基线方法的准确率，与上次实验相比（CNN 提升 12.1%，BiLSTM 提升 3.1%）。
引用
@article{arxiv.2003.13779,
title = {Semantic-based End-to-End Learning for Typhoon Intensity Prediction},
author = {Hamada M. Zahera and Mohamed Ahmed Sherif and Axel Ngonga},
journal= {arXiv preprint arXiv:2003.13779},
year = {2020}
}