用于热带气旋强度预测的堆叠迁移学习
机器学习
2017-08-23 v1 机器学习
摘要
考虑到过去几十年气候模式的剧烈变化，热带气旋风速强度预测是一项具有挑战性的任务。为了构建稳健的预测模型，需要考虑气旋在空间与时间特征上的不同特性。迁移学习整合来自相关源数据集的知识以补充目标数据集，尤其是在缺乏数据的情况下。堆叠是一种旨在提升泛化能力的集成学习形式，近期已被用于迁移学习问题，被称为迁移堆叠。本文采用迁移堆叠作为研究气旋影响的方法，评估不同地理位置的气旋是否有助于提升泛化性能。此外，我们使用常规神经网络评估持续时间对气旋预测性能的影响。因此，我们开发了一种有效的策略，通过神经网络结合迁移学习与常规学习方法来评估不同类型气旋之间的关系。
引用
@article{arxiv.1708.06539,
title = {Stacked transfer learning for tropical cyclone intensity prediction},
author = {Ratneel Vikash Deo and Rohitash Chandra and Anuraganand Sharma},
journal= {arXiv preprint arXiv:1708.06539},
year = {2017}
}