Hodnocení nejistoty krátkodobé předpovědi srážek
Quantification of uncertainty of precipitation nowcasting
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Pavel Chudomel
Vedoucí práce
Šimánek Petr
Oponent práce
Hrabák Pavel
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Hodnocení nejistoty je důležitým aspektem hlubokého učení. Protože většina modelů nedokáže vysvětlit své predikce, je vhodné vyjádřit míru jejich nejistoty. V této práci se zabýváme způsoby jak tohoto dosáhnout. Implementovali jsme metody MC dropout a kvantilové regrese do modelu PhyDNet, což je aktuálně nejmodernější predikční model pro časoprostorové jevy -- v našem případě míru srážek. MC dropout se ukazuje být flexibilní metodou, která však potřebuje pečlivou konfiguraci. Kvantilová regrese nabízí pozoruhodnou pravděpodobnost pokrytí, ale zjistili jsme, že tato metoda může podceňovat nejistotu v oblastech nízké hustoty srážek. Představujeme podrobný přehled těchto metod a dáváme tím čtenáři do rukou cennou příručku pro výběr nejvhodnější metody v závislosti na konkrétních požadavcích a cílech. Uncertainty quantification is an important aspect of deep learning. Since most of the models cannot explain their predictions, it is essential to express a measure of their uncertainty. In this thesis we discover a multiple ways of achieving this. We implemented MC dropout and quantile regression into the PhyDNet model, a state-of-the-art prediction model for spatio-temporal phenomena -- specifically, precipitation measurement in our case. MC dropout proves to be a flexible method, yet it requires meticulous configuration. Quantile regression offers remarkable coverage probabilities, but we found out that this method can underestimate the uncertainty in low precipitation density areas. We present an elaborate overview of these methods and provide readers with a valuable guide for selecting the most suitable method depending on their specific requirements and goals.
Kolekce
- Bakalářské práce - 18105 [244]