摘要
天气预报通常使用Numerical weather prediction(NWP,数值计算)方法来进行预测,然而这种方法会因为初始状态的设置不当而导致结果不理想。本文设计了一个数据驱动的方法,在有效的信息融合机制的辅助下,从融合了NWP的历史数据中进行学习。将天气预报问题视为端到端的深度学习问题,并通过提出新的负对数似然误差(NLE)损失来解决这个问题。该方法的显著优势是它可以同时实现单值预测和不确定性量化,称之为深度不确定性量化(DUQ)。
贡献
第一,本文提出了一种深度学习和信息融合机制,能够有效应用于气象数据预测。该方法是首次将气象历史观测数据与 NWP 结合用于处理气象数据预测问题。
第二,本文使用 NLE(Negative log-likelihood)损失函数,与 MSE、MAE 等损失函数相比,使用 NLE 能够提升点估计的一般化程度。此外,本文使用深不确定性量化机制(deep uncertainty quantification,DUQ)而不是传统的贝叶斯深度学习(Bayesian deep le arning,BDL),目的是更好的与当前主流的深度学习框架融合使用,例如 Tensorflow 和 PyTorch。此外,本文还引入反向传播机制(BP)用于优化。
第三,除了简单的点估计,DUQ 同时能够实现连续区间预测。因此,本文的方法除了可以用于气象数据预测外,也可用于