科学研究

当前位置: 首页 >> 科学研究 >> 正文

KDD 2019( CCF-A类会议):Deep Uncertainty Quantification: A Machine Learning Approach for Weather Forecasting

来源:オンカジ 遊雅堂   发布者:服务管理办公室     日期:2019年06月03日 16:46   点击数:  

作者:Wang, Bin, Zheng Yan, Huaishao Luo, Tianrui Li, Jie Lu, and Guangquan Zhang.

摘要:精准的天气预报可为居民出行、粮食储藏、能源预测、产能优化、交通导流、航空航海等诸军民需求提供更精准的天气信息以供于决策支持。如何针对气象要素高度复杂性、不确定性进行有效建模,从而进行准确的预报,成为一个极具挑战性的问题。传统的数值天气预报方法受初始化随机性的影响,预报往往存在较大偏差。本文基于人工智能技术中的深度学习模型,提出了高效的多源信息融合方法,设计了一种可以进行不确定性量化的新型损失函数,并将其用于训练深度学习模型过程中,不仅能够更准确地进行气象要素预报,还可以进行气象变化范围的置信区间预报。与传统的数值天气预报方法相比,该方法能够降低预报误差高达51.28%。

论文链接: