研究人员设计了更准确的方法来预测飓风活动

来自北卡罗来纳州立大学的研究人员已经开发出一种预测季节性飓风活动的新方法，比以前的技术更准确。

“这种方法应该向政策制定者提供比当前最先进的方法更可靠的信息，”NC国家计算机科学副教授Nagiza Samatova博士说，这是一个描述这项工作的论文的共同作者。“这希望为他们提供对飓风季节的规划更有信心。”

用于预测季节性飓风活动的常规模型依赖于使用历史数据的古典统计方法。部分原因是飓风预测是具有挑战性的，因为在游戏中存在巨大数量 - 例如温度和湿度 - 需要为不同的地方和不同的时间进入。这意味着有数百种因素可以考虑。

诀窍在于确定哪些变量在哪个地方最重要的地方。这一挑战加剧了我们只有大约60年的历史数据来插入模型。

但现在研究人员开发了一个“基于网络基于网络的模型”，可以在所有次数中评估所有变量的历史数据，以便识别最令人预测的季节性飓风活动的因素的组合。例如，某些因素组合可以仅与低活动相关，而其他因素可以仅与高活动相关联。

然后将基于网络基于网络模式的模型识别的重要因素组插入程序中，以创建统计模型的集合，以概率规模在即将到来的季节呈现飓风活动。例如，它可能会说高活动的概率为80％，正常活动的概率为15％，低活动概率为5％。

这些活动水平的定义因地区而异。在覆盖美国东海岸的北大西洋中，高活动定义为飓风季节的八个或更多飓风，而正常活动定义为五到七个飓风，低活动是四个或更少。

使用交叉验证 - 插入部分历史数据并将新方法与后续历史事件的结果进行比较 - 研究人员发现新方法具有80％的准确率预测飓风活动水平。这与传统预测方法的65％的准确率相比。

此外，使用网络模型，研究人员不仅确认先前确定的预测因素组，而且确定了许多新的预测群体。

研究人员计划使用新发现的相关因素群体来推进我们对影响飓风变异和行为的机制的理解。这最终可能提高我们预测飓风，严重程度以及全球气候变化如何影响飓风活动的能力。

本文，“在对比的物理系统网络中发现与极端事件相关的社区，“9月4日在线发布数据挖掘和知识发现。本文由Samatova共同撰写;弗雷德里克·塞拉迪博士，南部国家的海洋，地球和大气科学教授;前NC国家博士。学生陈章陈和威廉亨德里克斯都在西北大学的博士后研究人员;前NC州pH值。D.学生Isaac Tetteh，现为Kwame Nkrumah理工大学的讲师，加纳;阿洛博士·西北丘叔花;浙江大学学生恒关。该研究得到了国家科学基金会和能源部的补助金。

- 船员 -

编辑注：研究摘要跟随。

“发现极端事件相关的社区，以对比的物理系统网络群体”

作者：陈章陈，威廉亨德克斯，伊萨克·凯瑟赫，弗雷德里克半岛和北卡罗来纳州立大学的萨塔萨姆图瓦;浙江大学恒关;Alok Choudhary，西北大学

发表：在线9月4日，数据挖掘和知识发现

摘要：可以表现出飓风或降雨等极端事件的物理系统的潜在行为是复杂的。最近，通过复杂网络的概念出现了学习复杂系统的非常有希望的手段。表示各个对象之间的关系通常展示社区动态的网络。传统的社区检测方法主要关注网络中的频繁子图或在时变网络中检测稳定的社区。在本文中，我们制定了一种新的问题 - 检测网络的对比网络中的预测和相位偏置的社区，并提出了一种高效且有效的机器学习解决方案，用于寻找这种异常的社区。We build different groups of networks corresponding to different system’s phases, such as higher or low hurricane activity, discover phase-related system components as seeds to help bound the search space of community generation in each network, and use the proposed contrast-based technique to identify the changing communities across different groups. The detected anomalous communities are hypothesized (1) to play an important role in defining the target system’s state(s) and (2) to improve the predictive skill of the system’s states when used collectively in the ensemble of predictive models. When tested on the two important extreme event problems—identification of tropical cyclone-related and of African Sahel rainfall-related climate indices—our algorithm demonstrated the superior performance in terms of various skill and robustness metrics, including 8–16 % accuracy increase, as well as physical interpretability of detected communities. The experimental results also show the efficiency of our algorithm on synthetic datasets.