基于季节集成自编码器的短期日降水预报
机器学习
2021-01-26 v1
摘要
短期降水预报对于从个人规划、城市管理到防洪等多尺度人类活动规划至关重要。然而短期大气动力学高度非线性，难以用经典时间序列模型轻易刻画。另一方面，深度学习模型善于学习非线性相互作用，但其并非为处理时间序列中的季节性而设计。本研究旨在开发一种既能处理非线性又可检测日降水数据中隐含季节性的预报模型。为此，我们提出一种季节集成自编码器（SSAE），其由两个长短期记忆（LSTM）自编码器组成：一个用于学习短期动力学，另一个用于学习时间序列中的季节性。实验结果表明，SSAE 不仅在各种气候类型下均优于多种时间序列模型，而且与其他深度学习模型相比具有更低的输出方差。结果还显示，SSAE 的季节分量将预报值与真实值间的相关系数从预见期 1 的 4% 提升至预见期 3 的 37%。
引用
@article{arxiv.2101.09509,
title = {Short-term daily precipitation forecasting with seasonally-integrated autoencoder},
author = {Donlapark Ponnoprat},
journal= {arXiv preprint arXiv:2101.09509},
year = {2021}
}
备注
35 pages, 13 figures