基于长短期记忆网络 (LSTM) 和分解-LSTM 的太阳闪变预测：结合滑动窗口模式识别
机器学习
2025-09-18 v2 太阳与恒星天体物理
人工智能
摘要
我们研究了利用长短期记忆网络 (LSTM) 和分解-LSTM (DLSTM) 网络，结合集成算法，对来自 GOES 目录的太阳闪变发生时间序列数据进行预测。该数据集覆盖 2003 年至 2023 年，包含 151,071 例闪变事件。在约等于可能的模式中，识别出 7,552 个年度模式窗口，凸显了由于太阳呈自组织临界性驱动行为导致的长期预测的挑战。采用滑动窗口技术检测不规则和规则化闪变时间序列中的时间准模式。规范化可减少复杂度、增强大型闪变活动，并更有效地捕获活跃日。为解决类别不平衡问题，应用了重抽样方法。LSTM 和 DLSTM 模型在不规则时间序列的峰值通量和等待时间序列上进行训练，而在 3 小时间隔的规则化时间序列滑动窗口上，应用了结合集成方法的 LSTM 和 DLSTM。绩效指标，特别是 TSS (0.74)、召回率 (0.95) 和受体操作特征曲线下的面积 (AUC=0.87)，表明在规则化时间序列上采用集成方法的 DLSTM 模型优于其他模型，能够以更少的误报提供更准确的大型闪变预测。DLSTM 的优越性能归因于其将时间序列分解为趋势和季节性分量，从而有效地隔离随机噪声。这一研究强调了先进机器学习技术在太阳闪变预测中的潜力，并凸显了 incorporating 各种日长期相位和重抽样策略以提高预测可靠性的重要性。
引用
@article{arxiv.2507.05313,
title = {Solar Flare Prediction Using Long Short-term Memory (LSTM) and Decomposition-LSTM with Sliding Window Pattern Recognition},
author = {Zeinab Hassani and Davud Mohammadpur and Hossein Safari},
journal= {arXiv preprint arXiv:2507.05313},
year = {2025}
}
备注
Published in the Astrophysical Journal Supplement Series, volume 279, 2025, DOI: 10.3847/1538-4365/addc73