T$^2$-Net:一种用于湍流预报的半监督深度模型
机器学习
2020-10-28 v1
摘要
准确的空气湍流预报可帮助航空公司规避危险湍流、规划保障乘客安全的航线、最大化效率并降低成本。传统湍流预报方法严重依赖人工定制的湍流指数,在动态复杂天气条件下效果欠佳。近期高分辨率气象数据与湍流记录的可获得性,使得以数据驱动方式更精准地预报湍流成为可能。然而,由于两方面挑战,构建基于机器学习的湍流预报系统并非易事:(1)复杂的时空相关性,湍流由具有复杂时空模式的空气运动引起;(2)标签稀缺,可获取的湍流标签极为有限。为此,本文提出统一半监督框架T-Net以应对上述挑战。具体而言,我们首先基于卷积LSTM构建编码器-解码器范式以建模时空相关性。继而,为攻克标签稀缺问题,提出一种新颖的双重标签猜测方法,以利用海量无标签湍流数据。该方法融合来自主任务湍流预报与辅助任务湍流检测的互补信号生成伪标签,并动态用作额外训练数据。最后,在真实世界湍流数据集上的大量实验结果验证了本方法在湍流预报上的优越性。
引用
@article{arxiv.2010.13903,
title = {T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting},
author = {Denghui Zhang and Yanchi Liu and Wei Cheng and Bo Zong and Jingchao Ni and Zhengzhang Chen and Haifeng Chen and Hui Xiong},
journal= {arXiv preprint arXiv:2010.13903},
year = {2020}
}
备注
Accepted by ICDM 2020