复发状态空间模型（RSSM）是时间序列数据和系统标识中学习模式的高度表达模型。但是，这些模型假定动力学是固定和不变的，在现实世界中，这种动力学很少发生。许多控制应用程序通常表现出具有相似但不相同动力学的任务，这些任务可以建模为潜在变量。我们介绍了隐藏的参数复发状态空间模型（HIP-RSSM），该框架为具有低维的潜在因素集的相关动态系统的家庭参数。我们提出了一种对这种高斯图形模型的学习和执行推理的简单有效方法，该模型避免了诸如变异推理之类的近似值。我们表明，HIP-RSSM在现实世界系统和仿真上的几个挑战性机器人基准上都优于RSSM和竞争性的多任务模型。
translated by 谷歌翻译
降水控制地球气候，其日常时空波动具有重大的社会经济影响。通过改善温度和压力等各种物理领域的预测来衡量数值天气预测（NWP）的进步；然而，降水预测中存在很大的偏见。我们通过深度学习来增强著名的NWP模型CFSV2的输出，以创建一个混合模型，该模型在1日，2天和3天的交货时间内改善了短期全局降水量。为了混合使用，我们通过使用修改的DLWP-CS体系结构来解决全局数据的球形，从而将所有字段转换为立方体投影。动态模型沉淀和表面温度输出被喂入改良的DLWP-CS（UNET），以预测地面真相降水。虽然CFSV2的平均偏差为土地+5至+7毫米/天，但多元深度学习模型将其降低到-1至+1 mm/天。卡特里娜飓风在2005年，伊万飓风，2010年的中国洪水，2005年的印度洪水和2008年的缅甸风暴纳尔吉斯（Myanmar Storm Nargis）用于确认混合动力学深度学习模型的技能大大提高。 CFSV2通常在空间模式中显示中度至大偏置，并在短期时间尺度上高估了沉淀。拟议的深度学习增强了NWP模型可以解决这些偏见，并大大改善了预测降水的空间模式和幅度。与CFSV2相比，深度学习增强了CFSV2在重要的土地区域的平均偏差为1天铅1天。时空深度学习系统开辟了途径，以进一步提高全球短期降水预测的精度和准确性。
translated by 谷歌翻译