变分自编码器(VAEs)是一种生成式人工智能,因其能够创建逼真的图像而备受关注,它们不仅可以应用在图像上，也可以创建时间序列数据。标准VAE可以被改编以捕捉时间序列数据的周期性和顺序模式,然后用于生成合成数据。本文将使用一维卷积层、策略性的步幅选择、灵活的时间维度和季节性依赖的先验来模拟温度数据。
我们使用亚利桑那州菲尼克斯市50年的ERA5小时温度数据训练了一个模型。为了生成有用的合成数据,它必须捕捉原始数据的几个特征:
- 季节性概况 — 夏季应该比冬季更暖
- 昼夜概况 — 白天应该比夜晚更暖
- 自相关性 — 数据应该平滑,连续几天的温度应该相似
如果训练数据是平稳的,没有长期趋势,模型表现最佳。但是由于气候变化,温度呈现上升趋势,每十年约上升0.7°F — 这个值来自观测数据,与发表的显示近期各地区变暖趋势的地图一致。为了考虑到温度上升,需要对原始观测数据应用每十年-0.7°F的线性变换,消除上升趋势。
https://avoid.overfit.cn/post/d7b944fdc95144dc9d9ba694ed1f73fc
标签：合成,VAE,时间,序列,数据,温度 From： https://www.cnblogs.com/deephub/p/18364096