1140902 meeting

前言

本次實驗源於修改 Regression Ensemble 中的 LSTM 部分，藉由調整 LSTM 模型參數，使該模型能更加準確。

程式碼

修改的程式碼如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

    rnn_model = RNNModel(
        model="LSTM",
        input_chunk_length=90,
        hidden_dim=100,
        n_rnn_layers=5,
        dropout=0.1,
        training_length=120,
        batch_size=16,
        n_epochs=500,
        random_state=random_state,
        force_reset=True,
        save_checkpoints=False
    )

模擬一

用於與 1140821 meeting 比較。

模擬二

用於與 1140820 meeting 比較。

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