【时空序列预测第十一篇】时空序列预测模型之LightNet
一、Address
来自于北交通的一篇文章，收录于KDD2019 Applied Data Science Track Paper
论文链接：https://dl.acm.org/doi/pdf/10.1145/3292500.3330717
二、Introduction
2.1 Framework of Conventional Prediction
传统的预测方式如下图， 橙色框部分
大体来说，就是通过过去的天气数据对数字天气预测系统进行初始化，之后对将来的数据进行预测，得到的是一个grid格式的模拟数据，最后通过Lightninvg Parameterization机制把这种预测模式数据转换为lightning forecasts.
2.2 Data Description
这篇paper使用的是自己的real world 数据集
Simulated Micro-Physical Parameters
ice mixing ratio (QICE)
snow mixing ratio (QSNOW)
graupel mixing ratio (QGRAUP)
数据格式为
Simulated Radar Reflectivity （它的格式与上面的一致）
Simulated Maximum Vertical Velocity 垂直的最大速度与lightning强相关
格式为：
Real-World Lightning Observations
二分类问题，预测每一个location是否存在lightning，所以这回的模型的目的是时空序列预测分类。
三、Model
3.1 Encoder
都是通过conv+convlstm结构，这里把convlstm当作模型的backbone
WRF Encoder 主要是对data中说明的前几个变量进行encoding
obs Encoder 对过去的真实观察的lightning数据进行encoding
3.2 Fusion
对两种不一样的历史数据通过convlstm得出的c和h分别进行在z方向上的stacking之后进行conv得到decoder的初始c和h
3.3 Decoder
解码器没啥好说的，就是循环预测
3.4 loss
因为这个数据集不均匀，出现lightning的次数明显少，因为是分类问题，所以利用加权的交叉熵loss
四、Experiments
这个结果就很真实，不是LightNet都是top1 result，反而第二的结果更多，话说我个人觉得这里应该和convLSTM本身的模型去比一比，毕竟都把convlstm当作backbone了，但是实验中没有对比
五、conclusion
模型算是从seq2seq的一种延伸
引入了多种数据，并对最终的结果进行预测
引入了多模态数据融合
所以说做模型也不是一定要从模型角度，也可以从数据的特殊性以及依赖性的角度出发。
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