时间序列模型_时间序列模型学习

点击关注 交通充电圈

  每天进步看得见

paper title

Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting

01 概要

在本文中，将降水量的预测归结为一个时空序列预测问题，其中输入和预测数据都是时空序列。通过将全连通LSTM(FC-LSTM)扩展到从输入数据到状态，状态到状态转换中都具有卷积结构，提出了卷积LSTM(convlsm)，并用它建立了一个降水实时预测问题的端到端可训练模型。

02 引言

这项研究的目标是在相对较短的时间内(例如0-6小时)，准确和及时地预测局部地区的降雨强度。从本质上讲，降水预报是一个时空序列预报问题，它以过去雷达图的序列为输入，以一个固定数目(通常大于1)的未来雷达图序列作为输出。在这篇论文中，提出一个新的卷积LSTM(ConvlTM)模型来进行降水短时预报。将降水量预测描述为一个时空序列数据预测问题。为了更好地模拟时空关系，将FC-LSTM的思想扩展到在输入到状态和状态到状态转换中都具有卷积结构的convltm。通过叠加多个convlsm层并形成编码预测网络结构，可以建立一个端到端的降水预测训练模型。

03 模型方法

假设观察到一个由M×N网格表示的动态系统。在网格中的每个单元格内，都有随时间变化的P测量值。因此，任何时刻的观测都可以用张量X∈RP×M×N来表示，其中R表示观测特征的域。如果周期性地记录观测值，将得到一系列张量。时空序列预测问题是在给定包括当前观测在内的先前J观测的情况下，预测未来最可能的长度K序列：

对于降水实时预测，每个时间戳的观测值都是二维雷达回波图。如果我们将地图划分为平铺的非重叠块，并将块内的像素视为其测量值(见下图)，那么现在的问题自然就变成了一个时空序列预测问题。注意到时空序列预测问题不同于一步时间序列预测问题，因为问题的预测目标是同时包含空间和时间结构的序列。

FC-LSTM在处理时空数据方面的主要缺点是它在输入到状态和状态到状态转换中使用了完全连接，在这种情况下没有对空间信息进行编码。为了克服这个问题，本文设计的一个显著特点是所有输入X1，···，Xt，单元输出C1，···，Ct，隐藏状态H1，···，Ht和convlsm的it，ft，ot都是三维张量，其最后两个维度是空间维度(行和列)。为了更好地了解输入和状态，可以把它们想象成空间网格上的向量。convlsm通过其局部邻域的输入和过去状态来确定网格中某个单元的未来状态。这可以很容易地通过在状态到状态和输入到状态转换中使用卷积运算来实现。convlsm的关键方程如下所示，其中“*”表示卷积运算符，“◦”表示哈达玛积：

与FC-LSTM一样，ConvLTM也可以作为更复杂结构的子模块。对于文章的时空序列预测问题，使用下图所示的结构，它由两个网络组成，一个编码网络和一个预测网络。这两个网络都是由多个convlsm层叠加而成的。由于预测目标与输入具有相同的维数，将预测网络中的所有状态串联起来，并将它们输入到1×1的卷积层中，以生成最终的预测。

ConvLSTM可以直接使用以下所示的代码直接调用

交通充电圈

微信号｜Transport_Circle

   END  

朋友来了呀

请多多关注呢