Deep echo state networks with uncertainty quantification for spatio‐temporal forecasting

计算机科学 不确定度量化 贝叶斯概率 回声状态网络 高斯过程 非线性系统 集合预报 数据同化 人工智能 数据挖掘 高斯分布 人工神经网络 机器学习 循环神经网络 量子力学 物理 气象学
作者
Patrick L. McDermott,Christopher K. Wikle
出处
期刊:Environmetrics [Wiley]
卷期号:30 (3) 被引量:56
标识
DOI:10.1002/env.2553
摘要

Abstract Long‐lead forecasting for spatio‐temporal systems can entail complex nonlinear dynamics that are difficult to specify a priori. Current statistical methodologies for modeling these processes are often highly parameterized and, thus, challenging to implement from a computational perspective. One potential parsimonious solution to this problem is a method from the dynamical systems and engineering literature referred to as an echo state network (ESN). ESN models use reservoir computing to efficiently compute recurrent neural network forecasts. Moreover, multilevel (deep) hierarchical models have recently been shown to be successful at predicting high‐dimensional complex nonlinear processes, particularly those with multiple spatial and temporal scales of variability (such as those we often find in spatio‐temporal environmental data). Here, we introduce a deep ensemble ESN (D‐EESN) model. Despite the incorporation of a deep structure, the presented model is computationally efficient. We present two versions of this model for spatio‐temporal processes that produce forecasts and associated measures of uncertainty. The first approach utilizes a bootstrap ensemble framework, and the second is developed within a hierarchical Bayesian framework (BD‐EESN). This more general hierarchical Bayesian framework naturally accommodates non‐Gaussian data types and multiple levels of uncertainties. The methodology is first applied to a data set simulated from a novel non‐Gaussian multiscale Lorenz‐96 dynamical system simulation model and, then, to a long‐lead United States (U.S.) soil moisture forecasting application. Across both applications, the proposed methodology improves upon existing methods in terms of both forecast accuracy and quantifying uncertainty.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
Siso发布了新的文献求助10
1秒前
PSL发布了新的文献求助10
1秒前
1秒前
快乐科研完成签到 ,获得积分10
2秒前
4秒前
4秒前
金金金金完成签到,获得积分10
4秒前
沁沁完成签到,获得积分10
6秒前
ysyzxs完成签到,获得积分10
6秒前
思源应助nn采纳,获得30
6秒前
独享属于自己的风完成签到,获得积分10
6秒前
赘婿应助諵十一采纳,获得10
6秒前
熊大发布了新的文献求助10
6秒前
6秒前
碧蓝咖啡豆完成签到 ,获得积分10
6秒前
我是老大应助云_123采纳,获得10
7秒前
小董不懂完成签到,获得积分10
7秒前
7秒前
噼里啪啦发布了新的文献求助10
7秒前
7秒前
嘉梦完成签到,获得积分10
8秒前
三叔应助满意的夜柳采纳,获得10
10秒前
烟花应助keken采纳,获得10
10秒前
Vyasa发布了新的文献求助10
11秒前
12秒前
12秒前
PSL完成签到,获得积分10
12秒前
12秒前
良辰应助天天采纳,获得10
13秒前
熊大完成签到,获得积分10
13秒前
13秒前
帅气绮露发布了新的文献求助10
14秒前
Ava应助panbl451245采纳,获得10
14秒前
彳亍1117应助跳跳骑士采纳,获得10
14秒前
旺旺完成签到,获得积分10
15秒前
king2580发布了新的文献求助10
16秒前
复杂焱发布了新的文献求助10
17秒前
绝世镜天发布了新的文献求助50
17秒前
17秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3135387
求助须知:如何正确求助?哪些是违规求助? 2786384
关于积分的说明 7777028
捐赠科研通 2442291
什么是DOI,文献DOI怎么找? 1298501
科研通“疑难数据库(出版商)”最低求助积分说明 625124
版权声明 600847