稀疏稳健条件图模型的结构学习和参数估计

为了刻画一般的可能是非高斯的连续型随机变量间的依赖关系网络,研究基于复合分位回归的方法,提出了1个稀疏的稳健条件图模型(robust conditional graphical model,RCGM)估计,证明了该模型在维数固定时具有渐进正态性和相合性的神谕(Oracle)性质。通过大量模拟试验发现:提出的方法具有更好的有限样本下的表现,在1个实际的基因型-基因组数据上的应用也体现出更多的稳健信号。

基于概率图模型的天气预测研究

天气预测关系国计民生,从传统预报到数值预报,随着科技进步特别是计算能力的提升,预测准确率已大幅提高,但仍受限于对大气变化规律的认知程度。由数据驱动的天气预测方法层出不穷,以期帮助人们发现更多天气规律,提高预测准确率。机器学习方法一直是备受各个领域青睐的建模方法,气象领域也不例外。为解决非平稳时间序列的天气预测中的多重共线性问题,探索空间相关关系,文中应用图信号方法,以条件高斯图模型,学习出华东地区21个测站之间可解释的降水量空间相关关系和气温相关性,在此基础上用联合条件高斯图模型,联合预测各站未来24小时的降水量和平均气温,与其他未考虑空间相关性和输出变量相关性的预测模型相比,预测准确率有所提升。因为所用数据为易获取的国际交换站地面观测数据,模型简单而高效,经准确率验证,该方法可在天气预报业务中推广应用。

基于多尺度空间相关的气象要素预测

气象要素预测与人们的日常生活密切相关,为了探索气象要素的空间相关性质,进而实现不同时间尺度的气象要素预测,采用了图信号方法,利用能够简洁地刻画变量间依赖关系的概率图模型,由各个气象观测站点数据构成图模型的节点,建立条件高斯图模型,学习图中边的分布规律,以确定站点间的空间相关关系。根据天气系统的特征尺度,对条件高斯图模型进行改进,引入相似度矩阵,通过交叉验证的方法确定各个预测时间尺度所对应的相似度矩阵参数,建立多尺度空间相关模型,利用改进的二阶有效集方法进行模型估计。将此模型应用于全球3431个国际交换站,分别进行了6小时、24小时、72小时和7天降水量与气温的气象要素预测。实验结果表明,该模型在计算效率和预测准确率方面都有所提升。