为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;...为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;运用注意力机制捕捉同一序列内的时序变化模式,以建模时间序列的动态演变规律;采用蒙特卡洛随机失活(Monte Carlo dropout)方法近似模型参数,并将预测序列建模为随机分布,以实现精确的时间序列不确定性预测.实验证明,该方法在保持较高预测精度的同时,还能进行可靠的不确定性估计,可以为决策任务提供置信度信息.展开更多
为了全面了解太阳活动规律,需要连续观测时长覆盖多个太阳活动周的、高质量数据.太阳磁图是研究太阳活动的重要数据,连续、长时间和高空间分辨率的太阳磁图能够提供更精细的太阳磁场演化信息,有助于更准确地预报太阳活动和空间天气事件...为了全面了解太阳活动规律,需要连续观测时长覆盖多个太阳活动周的、高质量数据.太阳磁图是研究太阳活动的重要数据,连续、长时间和高空间分辨率的太阳磁图能够提供更精细的太阳磁场演化信息,有助于更准确地预报太阳活动和空间天气事件.因此,提出一种基于深度学习的超分率算法,对MDI(Michelson Doppler Imager)磁图进行超分,取得与日震和磁成像仪(Helioseismic and Magnetic Imager,HMI)磁图一致的分辨率,从而能够获得持续时长将近两个太阳活动周的高质量太阳磁图数据库.为了引导网络学习磁图中有效的特征信息,将注意力机制引入到网络中,学习注意力权重图.此外,采用了不确定性损失作为模型训练的损失函数,该方法能够对于带有磁场变化的纹理和边缘分配更大的权重,同时不增加网络参数和计算量.实验证明,提出的算法显著提高了超分太阳磁图的质量,在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR:33.3168)、结构相似性(Structure Similarity Index Measure,SSIM:0.8754)、相关性(Correlation Coefficient,CC:0.9323)和均方根误差(Root Mean Square Error,RMSE:21.8544)等指标上取得了最优的结果.展开更多
文摘为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;运用注意力机制捕捉同一序列内的时序变化模式,以建模时间序列的动态演变规律;采用蒙特卡洛随机失活(Monte Carlo dropout)方法近似模型参数,并将预测序列建模为随机分布,以实现精确的时间序列不确定性预测.实验证明,该方法在保持较高预测精度的同时,还能进行可靠的不确定性估计,可以为决策任务提供置信度信息.
文摘为了全面了解太阳活动规律,需要连续观测时长覆盖多个太阳活动周的、高质量数据.太阳磁图是研究太阳活动的重要数据,连续、长时间和高空间分辨率的太阳磁图能够提供更精细的太阳磁场演化信息,有助于更准确地预报太阳活动和空间天气事件.因此,提出一种基于深度学习的超分率算法,对MDI(Michelson Doppler Imager)磁图进行超分,取得与日震和磁成像仪(Helioseismic and Magnetic Imager,HMI)磁图一致的分辨率,从而能够获得持续时长将近两个太阳活动周的高质量太阳磁图数据库.为了引导网络学习磁图中有效的特征信息,将注意力机制引入到网络中,学习注意力权重图.此外,采用了不确定性损失作为模型训练的损失函数,该方法能够对于带有磁场变化的纹理和边缘分配更大的权重,同时不增加网络参数和计算量.实验证明,提出的算法显著提高了超分太阳磁图的质量,在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR:33.3168)、结构相似性(Structure Similarity Index Measure,SSIM:0.8754)、相关性(Correlation Coefficient,CC:0.9323)和均方根误差(Root Mean Square Error,RMSE:21.8544)等指标上取得了最优的结果.
