【时空序列预测第十五篇】HPRNN: A HIERARCHICAL SEQUENCE PREDICTION MODEL FOR LONG-TERM WEATHER RADAR ECHO EXTRAPO
一、Address
来自NUDT的一篇ICASSP paper
HPRNN: A HIERARCHICAL SEQUENCE PREDICTION MODEL FOR LONG-TERM WEATHER RADAR ECHO EXTRAPOLATION
地址:https://sci-hub.se/10.1109/ICASSP40776.2020.9054232
二、Introduction
2.1 天气雷达回波图
对应的这篇paper主要的背景也是weather,数据集就是shixingjian提出的HKO-7数据集
2.2 出现问题以及主要原因
2.2.1 长期衰减的问题
其实这个问题是长期time series预测的一个通病,大多数都会有这种问题,对于这种问题的解决也是很多
2.2.2 两个主要的原因
一个是本身就有复杂的变化非常不好预测,另一个就是预测的时候会有error的一个累加
三、Model
3.1 Model architecture
HPRNN
frame encoder
short-range
an integration layer
a long-range RNN module
a guiding layer
a refinement module
a frame decoder
属于端到端的模型框架
3.2 各部分
3.2.1 frame encoder
由CNN组成,目标是学到原始雷达回波图更高层次的representation(最后得到feature maps sequence)
3.2.2 short-range
RNN module 通过feature maps sequence得到short-range内的序列变换信息,并对未来进行预测(short程度),主要使用convLSTM
3.2.3 an integration layer
把short-range层得到的hidden states转换为integrated hidden representations,之后传到long-term , 具体计算如下:这里可能是作者图和文章里面的标记有点不符合,大家也可以自行看一下,图上的t-n+1,在文中其实是t-m+1,所以这里才可以n代表window的大小,二者并不矛盾,只是图上可能标记有些问题..
3.2.4 a long-range RNN module
这里主要的思想是,通过前面integration layer得到的S(相当于压缩之后),用RNN建模,可以提取到long-range的信息,主要应用ConvGRU模块,之后通过这个module来对未来的S进行预测(long程度)
3.2.5 a guiding layer
把long-range的hidden state反向转换为short-range的hidden state, 简单点说相当于 反向映射(对应于integration layer)
3.2.6 a refinement module
这层主要解决的是为了让生成的更realistic并且accurate enough
refinement module 包含2cnn+4res+1convLSTM
3.2.7 a frame decoder
就是把h转换为pixel, 通俗点说就是把特征信息转换为普通的雷达回波图,完成最终的预测(采用deconv)
4. 模型框架总结
序列雷达回波图通过cnn得到深层信息feature maps, 之后通过ConvLSTM得到hidden states,此时为short-range,完成short级别的预测。
之后将这个hidden states sequence转化为long range的RNN(convGRU)输入(通过windows和cnn), 之后进行long-range的预测。
之后通过deconv重新回到short range级别,之后通过得到的ht+1-ht+n当作short range RNN的输入,进行将来多个时刻的预测,之后得到预测的hidden states。
之后通过2cnn+4个res+1个convLSTM(cnn和res对称)得到预测的features信息,最终转换为预测的雷达回波图
具体每层的模型参数可以自行看文中的structure details, 这里不赘述了,因为基本上都是正常操作
四、实验
4.1 数据集
数据集使用HKO-7,和轨迹GRU的雷达回波图数据集一致,具体可以看我之前写的解读
4.2 实验细节
用输入的十帧预测未来的10,20,30(6min一帧, 即预测未来的1h 2h 3h, 对应于short middle long term)
L1+L2 loss
sliding window size 3
POD FAR CSI HSS 指标
4.3 实验结果
4.4 指标结果
更多精彩内容(请点击图片进行阅读)
公众号:AI蜗牛车
保持谦逊、保持自律、保持进步
个人微信
备注:昵称+学校/公司+方向
如果没有备注不拉群!
拉你进AI蜗牛车交流群
【时空序列预测第十五篇】HPRNN: A HIERARCHICAL SEQUENCE PREDICTION MODEL FOR LONG-TERM WEATHER RADAR ECHO EXTRAPO相关推荐
- 【时空序列预测第二篇】Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting
个人公众号 AI蜗牛车 作者是南京985AI硕士,CSDN博客专家,研究方向主要是时空序列预测和时间序列数据挖掘,获国家奖学金,校十佳大学生,省优秀毕业生,阿里天池时空序列比赛rank3.公众号致力于 ...
- 【时空序列预测实战】风险时空预测?keras之ConvLSTM实战来搞定
作者 | Eric琨 学校 | 武汉大学信管 研究 | NLP.时空序列 出品 | AI蜗牛车 前言 毕设临近截止,故写一篇心得以供新手学习,理论在知乎上有很多介绍的不错的文章,这里强烈推荐微信公众号 ...
- python连载第十五篇~史上最全列表知识源码+答案
#2017-12-19 19:34:41 December Tuesday the 51 week, the 353 day #python连载第十五篇~list列表#列表定义,访问,索引,操作,切片 ...
- 2021AIOps挑战赛|基于移动通信网络运维中的多指标时空序列预测
2021国际AIOps挑战赛决赛暨AIOps创新高峰论坛于2021年5月13日在北京成功举行.本文根据中国移动研究院首席科学家.人工智能与智慧运营中心总经理冯俊兰博士现场发言纪要整理而成. 演讲内容 ...
- 中国移动研究院冯俊兰:基于移动通信网络运维中的多指标时空序列预测
这和我当年做的工作就很像了. 转载自:https://mp.weixin.qq.com/s/veqH753nxWW0Hr0PDB1uSg 中国移动研究院冯俊兰:基于移动通信网络运维中的多指标时空序列预 ...
- 卷积LSTM网络应用于时空序列预测
时空序列预测问题是输入的是按照某一时刻之前若干个时刻表示空间信息的二维矩阵,预测某一时刻后面若干个时刻的空间状态.可以形式化为: 卷积LSTM(Convolutional LSTM)是把卷积神经网络的 ...
- 坚持的力量 第十五篇
第十五篇 漩涡鸣人 从他身上,我看到了进步和向上的力量,经别人推荐,我发现我渐渐的喜欢上了<火影忍者>. 首先,<火影>中的歌曲很有震撼力和穿透力,产生心灵的共鸣 ...
- 秒杀多线程第十五篇 关键段,事件,互斥量,信号量的“遗弃”问题
秒杀多线程第十五篇 关键段,事件,互斥量,信号量的"遗弃"问题 在<秒杀多线程第九篇 经典线程同步总结 关键段 事件 互斥量 信号量>中对经典多线程同步互斥问题进行了回 ...
- CCIE理论-第十五篇-IPV6-重分布+ACL+前缀列表
CCIE理论-第十五篇-IPV6-重分布+ACL+前缀列表 重分布前面讲过,这里再讲一次+实操+效果看看 在ipv6中重分布直连路由是需要加上include-connected的 环境 就这么简单哈, ...
最新文章
- Metadata Service 架构详解 - 每天5分钟玩转 OpenStack(165)
- python socket 简介
- commons-logging和log4j
- C++ Primer 5th笔记(chap 16 模板和泛型编程) 类模板的成员函数
- JGroups 入门实践(转)
- 操作系统:程序的编译、链接、装入及地址转换
- SAP ui5 xml view parse and control creation point
- Asp.Net生命周期的详解
- html表白照片墙,【原创】【申精】用python去告白 绘制照片墙(自定义格式)
- python pychart三维_详解python模块pychartdir安装及导入问题
- js保存html页面的图片,html使用js截取页面保存为图片
- php iis session 超时设置,如何配置IIS Session超时时间
- 无法显示添加端口对话框 服务器,服务器添加开放端口
- https://www.nowcoder.com/acm/contest/107/F
- 卷积神经网络中feature map的含义
- Python初学笔记
- 数据结构计算机复试题,2021考研计算机408数据结构试题及答案解析
- arcgis悬挂点修改_ArcGIS拓扑编辑修正点位置的问题
- macos显卡测试软件,GpuTest显卡测试软件 for Mac 64位
- 官方文档-Linux服务器集群系统(一)