单变量深度学习模型在波高预报中收益递减

一篇新的arXiv论文探讨了单变量深度学习模型在预报显著波高（Hs）方面的局限性。研究发现，尽管DLinear、LSTM、PatchTST、ResAttLstm和Mamba2等模型可以优于持久性预报，但在大型数据集上，架构差异带来的收益很小。研究表明，当前的单变量模型已达到收益递减的程度，而跨浮标方差比模型架构对预报误差的影响更大。未来的工作应侧重于纳入大气协变量并将Hs分解为涌浪和风浪成分。 AI

影响 表明当前用于波高预报的单变量深度学习方法已达到极限，这表明需要多变量或物理信息模型。

排序理由 学术论文，详细介绍研究结果和模型性能。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

• arXiv
• buoy 41009
• DLinear
• long short-term memory
• Mamba2
• PatchTST
• ResAttLstm

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →