基于时序错位循环神经网络的死燃料湿度预测迁移学习
应用统计
2026-05-12 v1 机器学习
摘要
本文提出一种时序错位迁移学习方法，这是一种将循环神经网络（RNN）中LSTM层学习到的动态进行时间尺度重新缩放的技术，以启用跨燃料湿度类别的任务迁移。燃料湿度内容（FMC）基于特征滞后时间划分为理想化类别。10h燃料来自气象站传感器的大量实时数据可用，但其他燃料类别在空间和时间上的观测稀疏。我们使用迁移学习将在10h FMC上预训练的RNN适用于预测1h、100h和1000h燃料的FMC。我们使用来自于俄克拉荷马的一项标志性现场研究的数据进行验证，该研究曾用于校准最先进的Nelson燃料湿度模型。
引用
@article{arxiv.2605.08379,
title = {Transfer Learning for Dead Fuel Moisture Prediction Using Time-Warping Recurrent Neural Networks},
author = {Jonathon Hirschi and Jan Mandel and Adam Kochanski},
journal= {arXiv preprint arXiv:2605.08379},
year = {2026}
}
备注
Preprint. Related to PhD thesis work that is also available for preprint at https://doi.org/10.48550/arXiv.2604.02474