1140821 meeting

前言

本次實驗同 1140819 meeting ，僅將訓練的資料集進行修改，嘗試簡化時空資料（#simulation01）。

設定檔

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

# ----------------------------------------------------
# 溫度變化模型設定
# ----------------------------------------------------
temperature_model:
  seasonal_amplitude: 5            # 季節變化振幅 (°C)
                                     # T_season(t) = A_season * sin(2π * t / 365)
  daily_amplitude: 5                 # 日變化振幅 (°C)
                                     # T_day(h) = A_day * sin(2π * h / 24 - π/2)
  weekly_amplitude: 0                # 每週變化振幅 (°C)
                                     # T_week(t) = A_week * sin(2π * t / cycle_days)
  noise_sigma: 1.0                   # 高斯雜訊標準差 (°C)，ε ~ N(0, σ²)
  spatial_noise_correlation: True    # 啟用空間相關噪聲強度
  temporal_autocorrelation: 0.8      # 時間自相關 (0-1) AR(1) 模型
                                     # T(t) = ρ * T(t-1) + (1 - ρ) * T_base + ε

# ----------------------------------------------------
# 調變（modulation）設定
# ----------------------------------------------------
# 僅在 spatial_noise_correlation 啟用時生效
modulation:
  spatial_field:
    corr_length_km: 10.0             # 空間相關長度（公里），控制空間隨機場的平滑程度，數值越大越平滑
    sigma_C: 0.8                     # 空間隨機場的標準差，控制波動強度
    temporal_modulation: 0.5         # 時間調變強度（0-1），控制空間隨機場隨季節變化的調幅

SSSD + autoFRK

autoFRK 推論耗時 2.17848 小時（CPU 平行運算，核心數：23）。

TSMixer + autoFRK

TSMixer 推論耗時 1:32:11.011375 （CPU 平行運算，核心數：24）。

autoFRK 推論耗時 3.103498 小時（CPU 平行運算，核心數：23）。

RegressionEnsemble + autoFRK

RegressionEnsemble 0:01:08.390425 （CPU 平行運算，核心數：12）。

autoFRK 推論耗時 2.511842 小時（CPU 平行運算，核心數：23）。

RegressionEnsemble (LSTM) + autoFRK

RegressionEnsemble 推論耗時 0:22:01.921387 （CPU 平行運算，核心數：12）。

autoFRK 推論耗時 3.103747 小時（CPU 平行運算，核心數：23）。

結論

結語

運行環境

• 本機作業系統：Windows 11 24H2
  • 程式語言：Python 3.12.9
• 計算平臺：財團法人國家實驗研究院國家高速網路與計算中心臺灣 AI 雲
  • 作業系統：Ubuntu
  • Miniconda
  • GPU：NVIDIA Tesla V100 32GB GPU
  • CUDA 12.8 driver
  • 程式語言：Python 3.10.16 for Linux

延伸學習

• 我測試此項目的 Github 儲存庫 。

參考資料

• Global Modeling and Assimilation Office (GMAO)。(2015)。MERRA-2 tavg1_2d_flx_Nx: 2d,1-Hourly,Time-Averaged,Single-Level,Assimilation,Surface Flux Diagnostics (Version 5.12.4) [資料集]。Goddard Earth Sciences Data and Information Services Center (GES DISC)。參考自 https://doi.org/10.5067/7MCPBJ41Y0K6

• Juan Lopez Alcaraz 、 Nils Strodthoff（2022）。Diffusion-based time series imputation and forecasting with structured state space models。Transactions on Machine Learning Research。參考自 https://openreview.net/forum?id=hHiIbk7ApW

• SSSD（2022）。GitHub。參考自 https://github.com/AI4HealthUOL/SSSD

• SSSD_CP（2024）。GitHub。參考自 https://github.com/egpivo/SSSD_CP

• Unit8 SA（無日期）。Time Series Made Easy in Python。Darts。參考自 https://unit8co.github.io/darts/index.html

• darts（2025）。GitHub。參考自 https://github.com/unit8co/darts

• Tzeng, S., & Huang, H. C. (2018). Resolution Adaptive Fixed Rank Kriging. Technometrics, 60(2), 198–208. 參考自 https://doi.org/10.1080/00401706.2017.1345701

• autoFRK（2024）。GitHub。參考自 https://github.com/egpivo/autoFRK

• Si-An Chen, Chun-Liang Li, Nate Yoder, Sercan O. Arik and Tomas Pfister. (2023). TSMixer: An all-MLP architecture for time series forecasting. arXiv. 參考自 https://arxiv.org/abs/2303.06053