复杂动态系统极端事件的基于数据协助的降阶建模
使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。
Feb, 2018
建立适当的数学模型来研究自然现象中的复杂系统不仅有助于加深对自然的理解，还可以用于状态估计和预测。然而，自然现象的极端复杂性使得发展全阶模型并将其应用于研究多个感兴趣的量非常具有挑战性。相反，适当的降阶模型由于其高计算效率和描述自然现象的关键动态和统计特性的能力而备受青睐。以粘性 Burgers 方程为例，本文构建了一个卷积自编码器 - 蓄积计算 - 归一化流算法框架，其中卷积自编码器用于构建潜空间表示，蓄积计算 - 归一化流框架用于描述潜状态变量的演化。通过这种方式，构建了一个数据驱动的随机参数降阶模型来描述复杂系统及其动态行为。
Mar, 2024
本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。
Aug, 2018
通过使用基于数据的方法，该研究提出了 Long Short-Term Memory (LSTM) 网络来推断未观察到的（隐藏的）混沌变量的动力学，时间预测完全状态的演变并推断其稳定性。
May, 2023
本文提出了一种基于长短时记忆网络的多模态不规则时间序列事件的特征融合框架，能够提取复杂特征、捕捉非线性关系和时间依赖关系，并使用特征门控制不同张量的访问频率，实验证明该框架在 MIMIC-III 数据集上能显著优于现有方法。
Sep, 2022
本篇论文提出一种名为 NEC + 的概率增强神经网络模型，该模型可以同时学习极端和正常预测函数，并通过选择性反向传播的方式在它们之间进行选择，从而解决时间序列预测中的极端事件和数据不平衡的问题，并在加利福尼亚的 9 个水库的困难的 3 天前每小时水位预测任务中展现出优异的表现和概括能力。
Nov, 2022
提出了一种利用神经网络校正算子的非侵入性方法来校正粗分辨率气候预测，克服了统计学方法无法处理超过训练数据时间的极端事件的挑战，并在实验中成功校正了欧洲中期天气预报模型和能源计算机模式的输出，使其更准确地反映统计数据并显著降低空间偏差。
Feb, 2024
本文提出了 HybridNet，这是一个集成数据驱动深度学习和模型驱动计算的框架，在准确掌握参数知识的情况下可靠地预测动态系统的时空演化，实验结果表明该方法比基于深度学习的现有方法具有更高的预测精度。
Jun, 2018