Skatta prognosfel med quantile deep neural networks (Exjobb 30 hp)

Ref: 1757

SMHI:s affärsverksamhet söker en eller möjligen två studenter till ett examensarbete. Examensarbetet består av att utforska om det är möjligt att tillämpa quantile deep neural networks för att skatta prognosfelen från numeriska väderprognosmodeller.

Ref: 1757

SMHI:s affärsverksamhet söker en eller möjligen två studenter till ett examensarbete. Examensarbetet består av att utforska om det är möjligt att tillämpa quantile deep neural networks för att skatta prognosfelen från numeriska väderprognosmodeller.

Bakgrund

Numeriska väderprognosmodeller lider av två typer av fel, systematiska (bias) och icke-systematiska (varians). Tidigare examensarbeten på SMHI har visat att deeplearning kan tillämpas framgångsrikt för att reducera systematiska fel. Det är dock även intressant att försöka skatta variansen för prognosfelen. Variansen för prognosfelen är beroende på vilken vädersituation som råder. Till exempel är variansen för prognosfelet för lufttemperatur högre vid låga temperaturer.

Normala deep neural networks för regression skattar antigen medel eller median beroende på valet av objektfunktion. Målet med det här examensarbetet är att försöka skatta percentilerna för prognosfelen. Inom traditionell statistik tillämpas kvantilregression för skatta betingande kvantiler/percentiler. Kvantilregregression är begränsad till linjära modeller men om man tillämpar objektfunktionen från kvantilregression på deep learning kan det eventuellt vara möjligt att uppnå tillförlitliga skattningar av percentilerna för prognosfelen.

Mål

Målet med examensarbetet är implementera och validera ett antal deeplearning-arkitekturer som skattar ett antal percentiler för prognosfelen från en numerisk vädermodell.

Uppgiftsbeskrivning

  • Föreslå några deeplearning-arkitekturer med utgångspunkt i de arkitekturer som utvecklats för att minimera systemariskafel inom ramen för tidigare examensarbeten.
  • Implementera de föreslagna arkitekturerna (gärna i något Python-ramverk som Keras).
  • Utvärdera tillförlitligheten i skattningarna från de föreslagna arkitekturerna.

Krav

  • Goda programmeringskunskaper (gärna i Python).
  • Goda kunskaper i Linux.
  • Goda kunskaper i tillämpad matematik.
  • Minst baskunskaper i Machine Learning.

Kontaktinformation

Fredrik Karlsson

Epost: fredrik.karlsson@smhi.se

Tel: +46 (0)11 495 80 00
SMHI / Swedish Meteorological and Hydrological Institute
Affärsverksamheten - Utveckling