基于图网络与新Transformer架构的时空风速预报
机器学习
2023-01-02 v2 人工智能
摘要
本研究聚焦于挪威大陆架的多步时空风速预报。研究旨在利用不同测站相对物理位置所蕴含的空间依赖性来改进局地风速预报。我们的多步预报模型给出10分钟、1小时或4小时预报，分辨率为10分钟，意味着模型产出更具信息量的预测未来趋势时间序列。采用图神经网络（GNN）架构提取空间依赖性，并以不同更新函数学习时间相关性。这些更新函数由不同神经网络架构实现。其中Transformer架构近年对序列建模日益流行。已有多种改进以更好适配时间序列预报，本研究关注Informer、LogSparse Transformer和Autoformer。这是LogSparse Transformer和Autoformer首次应用于风速预报，也是这些模型及Informer首次被构建于风速预报的时空设定中。通过与时空长短期记忆（LSTM）和多层感知机（MLP）模型比较，研究表明以改进Transformer架构作为GNN更新函数的模型能够胜出。此外，我们提出Fast Fourier Transformer（FFTransformer），一种基于信号分解的新颖Transformer架构，由分别分析趋势与周期成分的两个独立流组成。FFTransformer与Autoformer在10分钟和1小时提前预报中取得更优结果，且FFTransformer在4小时提前预报中显著优于所有其他模型。
引用
@article{arxiv.2208.13585,
title = {Spatio-Temporal Wind Speed Forecasting using Graph Networks and Novel Transformer Architectures},
author = {Lars Ødegaard Bentsen and Narada Dilp Warakagoda and Roy Stenbro and Paal Engelstad},
journal= {arXiv preprint arXiv:2208.13585},
year = {2023}
}
备注
(Please cite this version): https://doi.org/10.1016/j.apenergy.2022.120565 Code Available at https://github.com/LarsBentsen/FFTransformer