【KDD19】Deep Uncertainty Quantification: A Machine Learning Approach for Weather Forecasting

Deep Learning 同时被 3 个专栏收录
30 篇文章 3 订阅
4 篇文章 0 订阅
7 篇文章 0 订阅

address

http://urban-computing.com/pdf/kdd19-BinWang.pdf

ABSTRACT

  • propose a novel negative log-likelihood error loss function(new loss function)
  • single-value forecasting and uncertainty quantification(deep uncertainty quantification)
  • this approach significantly improves accuracy by 47.76% , which is a state-of-the-art result on this benchmark dataset

一、INTRODUCTION

  • The most common method currently utilized in meteorology is the use of physical models to simulate and predict meteorological dynamics known as numerical weather prediction, or NWP may not be reliable due to the instability
  • the NWP may not be reliable due to the instability of these differential equations
  • require big data and a tedious amount of feature engineering

二、RELATED WORKS

三、OUR METHOD

3.1 Problem Statement

3.1.1 Notations.

for a weather station s .
1.

  • E为历史气候特征数据
  • D为将来的数字预报数值和station ID ,timestamps
  • X为【ED】即输入的数据
  • Y为目标预测数据,即这里应该算是ture target value
3.1.2 Task Definition

在这里插入图片描述
给于X, 预测Y的估计值。真实Y在估计近似Y的一个区间内,并满足一个容忍可能性

数据为当天凌晨3点到第二天的15点。即37个小时的预测区间。
target value为t2m、 rh2m、w10m 。

The proposed method can be easily extended for any time interval prediction and more target variables.

3.2 Information Fusion Methodology

在这里插入图片描述
过去三年的target values,明显的可以看出t2m有季节性,二rh2m和w10m noise太多不予判断。

E用来建模近来的气候流体力学。

在这里插入图片描述
把NWP 加入到D中,这样可以很正确的吸取NWP中的重要的信息

在这里插入图片描述
求出凌晨3点到第二天15点,时长为37个小时的每个时刻的该target值求得对应的mean值。
可以从图中明显存在 mean值和方差的统计不同,所谓方差也就是图像斜率,这里我个人理解为图形的变换趋势。
并且可以明显发现id为7的station和其他站点有明显的不同。

对应于每一个station的图形的每一个时刻的mean和方差也不同

最终解决方案,将station ID和time ID带入D中

3.3 Data Preprocessing

3.3.1 Missing values

有两种缺失值的情况

  • 缺失一天(删除这一天的对应values)
  • 缺失一天中的连续时间(用线性差值办法来解决)
3.3.2 Normalization of Continuous Variables

输入数据进行 normalization
输出的结果进行 denormalization

3.3.3 Category Variables

two category variables

  • time ID
  • station ID

Rather than hard-coding, such as onehot or sin-cosine coding.

3.3.4 Input/Output Tensors

在这里插入图片描述
设定tensor每个dimension的类型数据。

  • I day index
  • T为time index
  • S station index
  • N为features

I is the date index and S is the station index.
这样的优点是 更好的扩展性和在实验中好检查。

3.4 Model Architecture

在这里插入图片描述
主要应用于seq2seq model framework(seq2seq tensorflow学习笔记
encoder:
在这里插入图片描述
意思为通过输入E,extract representation c,这里的c ,paper中的解释是得到了从历史真实数据中提取出的气候动力学系数,并把这个值当做decoder的输入initial state
decoder:
decoder输入有timeID , stationID,以及UWP
在这里插入图片描述
并且在timeID和stationID后加了两个embedding层,来获得embedding representation,如下图所示
在这里插入图片描述
之后他这里稍微说了一下model的结构并且把encoder和decoder的输入当做一个输入为X,之后输出为一个点估计
这里需要读到后面才能知道,输出为每个target value的两个值一个是方差一个是平均值,所以文章中也提到可以估计出一个区间。
在这里插入图片描述

3.5 Learning Phase

DUQ 在每个timestamp预测的两个值为 mean和variance
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • y0(t) 为第i天,第s个station,在timestep t的目标变量o的真实值。
  • 在这里插入图片描述为方差
  • 为mean

整个训练过程如图所示,这里比较easy,不做说明
在这里插入图片描述

3.6 Inference Phase

在这里插入图片描述

我个人感觉这篇论文看到这里才算是真的融会贯通了,输出就是mean和方差。
在这里插入图片描述
这里把上下界说的很清楚了,就是把方差当成偏差,之后用mean加减方差。
在这里插入图片描述
输出从左到右分别是,估计的下届,估计的上届,估计的target value, 方差

输出算出来的上下界需要进行denormalization

3.7 Inference Phase

3.8 Evaluation Metrics

3.8.1 Point Estimation Measurement.

利用RMSE来进行判断。
以下是每个station、每个时刻的一个target value的RMSE
在这里插入图片描述
这里定义每一天的RMSE
在这里插入图片描述
又定义了一个评分,SSobj越高,说明ML方法比NWP方法更好。
在这里插入图片描述
定义一天的
在这里插入图片描述
Savg为所有天的SSday的平均值

3.8.2 Prediction Interval Measurement.

为什么要有 预测空隙测量方法呢?因为本篇文章的亮点在于预测出一个上下界的范围。
接下来就是如何来计算出多少点在这个范围之内。
在这里插入图片描述
定义的这个小系数的主要作用就是在于,如果这个值在预测的估计上下限范围之内则为1.否则为0,可以把这个系数当做用来计算是否覆盖的一个中间计算变量。
在这里插入图片描述
计算出所有的数量,即在每一个时刻,每一个站点的目标值是否在估计的范围之内。
在这里插入图片描述
prediction interval coverage probability (PICP)即每一个站点和时刻的覆盖数,即预测间隔覆盖率

四. EXPERIMENTS AND PERFORMANCE ANALYSIS

4.1 Baselines

在这里插入图片描述

4.2 Experimental Environments

GPU+Keras

4.3 Parameter Settings for Reproducibility

paper说了一堆参数的问题,说了epoch不用太在意,因为使用了early-stopping。
在这里插入图片描述

  • 1148 是训练集的天数 87是验证集的天数
  • 28为之前可知的28个小时
  • 37为预测的将来37个小时
  • Encoder的9为观测数据特征值
  • Decoder inputs的31为NWP的29个特征值+stationID+timeID
  • Decoder outpus的3为三个target value的真实观测数据。

4.4 Performance analysis

4.4.1 Effect of information fusion

对于有无obs和有无NWP最后得出结论
单独的obs或者NWP都是效果不好的
obs可以建模出一定的气象流体力学的系数

4.4.2 Effect of deep learning

深度学习好于机器学习
比较不同层或者同一层不同网络点的问题。

4.4.3 Effect of loss function.

在这里插入图片描述
通过early-stopping来计算iteration的时间,发现NLE loss所需的时间最长,paper中的解释是NLE loss 考虑到mean loss+variance loss。经过两个任务的优化过程,所以收敛时间最长,并且这种优化可能会相当于一种正则化的功能。

4.4.4 Effect of ensemble.

多个DUQ model ensemble效果更好

Quality of prediction interval

在这里插入图片描述
绿色为实际obs数据,右侧为UWP数据,点估计数据。还有预测区间估计。
区间估计可以给于更好的 旅游产品规划。 w10m波动较大,总体来说最难预测。

Future works

will be directed towards architecture improvement (e.g., attention
mechanism), automatic hyperparameter-tuning, and theoretical
comparison between NLE and MSE/MAE.

  • 5
    点赞
  • 0
    评论
  • 4
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

相关推荐
©️2020 CSDN 皮肤主题: Age of Ai 设计师:meimeiellie 返回首页
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、C币套餐、付费专栏及课程。

余额充值