Publication detail

Data-driven decadal climate forecasting using Wasserstein time-series generative adversarial networks

Authors: Bouteska Ahmed | Seranto Marco Lavazza | Hájek Petr | Abedin Mohammad Zoynul

Year: 2025

Type of publication: článek v odborném periodiku

Name of source: Annals of Operations Research

Publisher name: Springer

Place: Dordrecht

Page from-to: 1587-1605

Titles:

Language	Name	Abstract	Keywords
cze	Datově podložená dekádní predikce klimatu využívající Wassersteinovy generativní adversiální sítě časových řad	Nedávné trendy v globálním modelování klimatu spolu s dostupností jemněji škálovaných datových sad otevřely nové příležitosti pro predikci klimatu založenou na hlubokém učení, která může zlepšit přesnost předpovědí oproti tradičním fyzikálně založeným modelům. K tomu jsou však zapotřebí rozsáhlé datové soubory ve formě velkých ansámblů. Generativní modely se v poslední době ukázaly jako vhodné řešení tohoto problému. Pro kvalitní generativní model časových řad je zásadní zachovat časovou dynamiku tak, aby generovaná data respektovala původní časová rozdělení dat. Stávající predikční metody podporované generativními modely nejsou dostatečné pro zachycení takových časových vztahů. V poslední době byly navrženy generativní modely, které vytvářejí realistická data časových řad kombinací neřízeného a řízeného učení. Tyto modely však trpí nestabilním učením a problémem kolapsu módů. Abychom tyto nedostatky překonali, navrhujeme Wasserstein Time-Series Generative Adversarial Network (WTGAN), nový predikční model, který efektivně napodobuje dynamiku původních dat generováním realistických syntetických časových řad. Pro ověření navrženého modelu jej hodnotíme pomocí zpětného testování na náročném úkolu dekádní klimatické předpovědi. Ukazujeme, že navržený model překonává současné špičkové generativní modely. Další výhodou navrženého modelu je, že po naladění WTGAN je generování časových řad velmi rychlé, zatímco standardní simulátory vyžadují značné výpočetní zdroje a čas. Lze tak generovat velké množství klimatických dat, což může výrazně zlepšit stávající datově řízené modely klimatické předpovědi.	Predikce; Klima; Hluboké učení; Časové řady; Generativní adversiální učení
eng	Data-driven decadal climate forecasting using Wasserstein time-series generative adversarial networks	Recent trends in global climate modeling, coupled with the availability of more fine-scale datasets, have opened up opportunities for deep learning-based climate prediction to improve the accuracy of predictions over traditional physics-based models. For this, however, large ensembles of data are needed. Generative models have recently proven to be a suitable solution to this problem. For a sound generative model for time-series forecasting, it is essential that temporal dynamics are preserved in that the generated data obey the original data distributions over time. Existing forecasting methods aided by generative models are not adequate for capturing such temporal relationships. Recently, generative models have been proposed that generate realistic time-series data by exploiting the combinations of unsupervised and supervised learning. However, these models suffer from instable learning and mode collapse problems. To overcome these issues, here we propose Wasserstein Time-Series Generative Adversarial Network (WTGAN), a new forecasting model that effectively imitates the dynamics of the original data by generating realistic synthetic time-series data. To validate the proposed forecasting model, we evaluate it by backtesting the challenging decadal climate forecasting problem. We show that the proposed forecasting model outperforms state-of-the- art generative models. Another advantage of the proposed model is that once WTGAN is tuned, generating time-series data is very fast, whereas standard simulators consume considerable computer time. Thus, a large amount of climate data can be generated, which can substantially improve existing data-driven climate forecasting models.	Forecasting; Climate; Deep learning; Time series; Generative adversarial learning

Search

Login for students

Login for employees

Publication detail

Map

Services

Popular Links