Deep Uncertainty Quantification: A Machine Learning Approach for Weather Forecasting论文解读

本文提出了一种名为深度不确定性量化(DUQ)的机器学习方法,用于天气预报,融合数值天气预测(NWP)历史数据。DUQ不仅进行点预测,还能量化不确定性,通过负对数似然误差(NLE)损失函数提高预测的准确性。实验表明,DUQ在预测温度、相对湿度和风速方面优于传统和非深度学习模型。
摘要由CSDN通过智能技术生成

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

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值