机构名称：
¥ 1.0
机器学习（ML）方法已成为建模和预测复杂的高维时空数据集的重要工具，例如在环境和气候建模应用程序中发现的数据集。mL方法可以提供短期预测的快速，低成本替代方案，而不是昂贵的数值相似，同时通过能够坚固，动态地量化预测性不确定性，从而解决了数值建模的显着杰出限制。对高级气候变量的低成本和近乎遗传的预测在预警系统，象征和参数性小规模的本地相关模拟中具有明确的应用。本文通过将数据驱动的自动编码器与高斯工艺（GP）相结合以产生基于概率张量的回归模型，从而提出了一种多任务时空回归的新方法。提出了该方法，以同时预测全球尺度上的一步温度和压力。通过在学习的潜在空间中进行概率回归，可以将样品传播回原始特征空间，以大大降低的计算成本产生不确定性估计。复合GP-AutoEncoder模型能够同时预测全球温度和压力值，平均误差分别为3.82℃和638 HPA。此外，平均而言，真实值在所提出的后验分布范围内95.6％的时间说明该模型会产生良好的预测后验分布。
Wrap-forecasting-Global-Climate-drivers-gaussian-processes ...
主要关键词
相关文件推荐
