ConvLSTM：一种用于降水预报的机器学习方法

ConvLSTM：一种用于降水预报的机器学习方法

论文 Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting

原文：https://arxiv.org/abs/1506.04214v1

论文主要提出了捕捉空间关系的结构 Convolutional LSTM

模型基于FC-LSTM（原结构没有考虑空间相关性）

摘要

降水临近预报的目标是在相对较短的时间内预测局部区域未来的降雨强度。 以前很少有研究从机器学习的角度研究过这个至关重要且具有挑战性的天气预报问题。 在本文中，我们将降水临近预报表述为时空序列预测问题，其中输入和预测目标都是时空序列。 通过扩展全连接 LSTM (FC-LSTM) 在输入到状态和状态到状态转换中具有卷积结构，我们提出了卷积 LSTM (ConvLSTM) 并使用它来构建端到端 降水临近预报问题的可训练模型。 实验表明，我们的 ConvLSTM 网络更好地捕获时空相关性，并且始终优于 FC-LSTM 和用于降水临近预报的最新状态操作 ROVER 算法

介绍

在本文中，我们提出了一种用于降水临近预报的新型卷积 LSTM (ConvLSTM) 网络。 我们将降水临近预报制定为时空序列预测问题，可以在 [23] 中提出的一般序列到序列学习框架下解决。 为了很好地建模时空关系，我们将 FC-LSTM 的思想扩展到 ConvLSTM，它在输入到状态和状态到状态的转换中都具有卷积结构。 通过堆叠多个 ConvLSTM 层并形成编码预测结构，我们可以构建用于降水临近预报的端到端可训练模型。 为了评估，我们创建了一个新的现实生活中的雷达回波数据集，它可以促进进一步的研究，特别是针对该问题设计机器学习算法。 在对合成的 Moving-MNIST 数据集 [21] 和雷达回波数据集进行评估时，我们的 ConvLSTM 模型始终优于 FC-LSTM 和最先进的可操作 ROVER 算法。

Preliminaries预备知识

2.1 降水临近预报问题的制定降水临近预报的目标是利用之前观测到的雷达回波序列来预测一个固定长度的未来局部区域（如香港、纽约或东京）的未来雷达图。
在实际应用中，雷达图通常每 6-10 分钟从天气雷达中获取一次，并在接下来的 1-6 小时内进行临近预报，即预测前方 6-60 帧。 从机器学习的角度来看，这个问题可以看作是一个时空序列预测问题。
假设我们观察一个由 M × N 网格表示的空间区域上的动态系统，该网格由 M 行和 N 列组成。 在网格中的每个单元格内，有 P 个随时间变化的测量值。 因此，任何时候的观察都可以用张量 X 属于RP ×M×N 来表示，其中 R 表示观察到的特征的域。 如果我们定期记录观察结果，我们将得到一个张量序列 X^1,X2… X^t。 时空序列预测问题是在给定之前的 J 个观测值&#