【时空序列预测第十一篇】LightNet: A Dual Spatiotemporal Encoder Network Model for Lightning Prediction

一、Address

来自于北交通的一篇文章，收录于KDD2019 Applied Data Science Track Paper

LightNet: A Dual Spatiotemporal Encoder Network Model for Lightning Prediction

论文链接：https://dl.acm.org/doi/pdf/10.1145/3292500.3330717

二、Introduction

2.1 Framework of Conventional Prediction

传统的预测方式如下图， 橙色框部分

大体来说，就是通过过去的天气数据对数字天气预测系统进行初始化，之后对将来的数据进行预测，得到的是一个grid格式的模拟数据，最后通过Lightninvg Parameterization机制把这种预测模式数据转换为lightning forecasts.

2.2 Data Description

这篇paper使用的是自己的real world 数据集

• Simulated Micro-Physical Parameters

  • ice mixing ratio (QICE)

  • snow mixing ratio (QSNOW)

  • graupel mixing ratio (QGRAUP)

数据格式为

• Simulated Radar Reflectivity （它的格式与上面的一致）

• Simulated Maximum Vertical Velocity    垂直的最大速度与lightning强相关

格式为：

• Real-World Lightning Observations

二分类问题，预测每一个location是否存在lightning，所以这回的模型的目的是时空序列预测分类。

三、Model

3.1 Encoder

都是通过conv+convlstm结构，这里把convlstm当作模型的backbone

• WRF Encoder 主要是对data中说明的前几个变量进行encoding

• obs Encoder 对过去的真实观察的lightning数据进行encoding

3.2 Fusion

对两种不一样的历史数据通过convlstm得出的c和h分别进行在z方向上的stacking之后进行conv得到decoder的初始c和h

3.3 Decoder

解码器没啥好说的，就是循环预测

3.4 loss

因为这个数据集不均匀，出现lightning的次数明显少，因为是分类问题，所以利用加权的交叉熵loss

四、Experiments

这个结果就很真实，不是LightNet都是top1 result，反而第二的结果更多，话说我个人觉得这里应该和convLSTM本身的模型去比一比，毕竟都把convlstm当作backbone了，但是实验中没有对比

五、conclusion

• 模型算是从seq2seq的一种延伸

• 引入了多种数据，并对最终的结果进行预测

• 引入了多模态数据融合

• 所以说做模型也不是一定要从模型角度，也可以从数据的特殊性以及依赖性的角度出发。

更多精彩内容（请点击图片进行阅读）

公众号：AI蜗牛车

保持谦逊、保持自律、保持进步

个人微信

备注：昵称+学校/公司+方向

如果没有备注不拉群！

拉你进AI蜗牛车交流群