基于贝叶斯深度学习方法和不确定性量化的 SYM-H 指数预测
原文中文，约700字，阅读约需2分钟。发表于：。我们提出了一种新颖的深度学习框架，名为 SYMHnet，利用图神经网络和双向长短期记忆网络协同学习来自太阳风和行星际磁场参数的模式，用于基于 1 分钟和 5 分钟的分辨率数据对 SYM-H 指数的短期预测。SYMHnet 以 NASA 的空间科学数据协调存档提供的参数值的时间序列作为输入，并预测给定时间点 t 的 t + w 小时的 SYM-H 指数值，其中 w 为 1 或...
研究人员提出了一种新的深度学习框架SYMHnet，用于预测SYM-H指数。该框架利用图神经网络和双向长短期记忆网络来学习太阳风和行星际磁场参数的模式。实验结果显示，SYMHnet在不同情况下表现良好，并且比其他机器学习方法更准确。此外，SYMHnet还可以量化数据和模型的不确定性。
