變分自編碼器(VAEs)是一種生成式人工智慧,因其能夠建立逼真的影像而備受關注,它們不僅可以應用在影像上,也可以建立時間序列資料。標準VAE可以被改編以捕捉時間序列資料的週期性和順序模式,然後用於生成合成資料。本文將使用一維卷積層、策略性的步幅選擇、靈活的時間維度和季節性依賴的先驗來模擬溫度資料。
我們使用亞利桑那州菲尼克斯市50年的ERA5小時溫度資料訓練了一個模型。為了生成有用的合成資料,它必須捕捉原始資料的幾個特徵:
- 季節性概況 — 夏季應該比冬季更暖
- 晝夜概況 — 白天應該比夜晚更暖
- 自相關性 — 資料應該平滑,連續幾天的溫度應該相似
如果訓練資料是平穩的,沒有長期趨勢,模型表現最佳。但是由於氣候變化,溫度呈現上升趨勢,每十年約上升0.7°F — 這個值來自觀測資料,與發表的顯示近期各地區變暖趨勢的地圖一致。為了考慮到溫度上升,需要對原始觀測資料應用每十年-0.7°F的線性變換,消除上升趨勢。
https://avoid.overfit.cn/post/d7b944fdc95144dc9d9ba694ed1f73fc