Forecasting Geoffective Events from Solar Wind Data and Evaluating the Most Predictive Features through Machine Learning Approaches

本研究利用机器学习技术预测地磁扰动。具体而言，采用长短时记忆循环神经网络，该网络特别适用于长时间序列的应用，用于分析在拉格朗日点L1获取的太阳风等离子体和磁场的现场测量数据，时间跨度超过一个太阳周期，从2005年到2019年。该问题被视为二元分类问题，旨在预测SYM-H地磁活动指数在-50 nT的阈值以下的降低，这通常被认为是磁层扰动的指标，并且预测提前一小时。强类别不平衡问题通过使用适当的损失函数来解决，该函数旨在在神经网络的训练阶段优化适当的技能得分。除了经典的技能得分外，还使用了价值加权技能得分来评估预测，这适用于研究具有强时间变化特征的问题，如本研究所面临的问题。首次考虑了太阳瞬变所携带的磁螺旋度和能量的内容，以及它们的检测和地球效应的可能性，作为网络架构的输入特征。通过基于相关性的特征选择方法，证明了它们的预测能力，以排名神经网络预测模型中涉及的最相关特征。最后展示了所采用的神经网络在适当预测地磁风暴爆发方面的最佳性能，这是在操作环境中发出真正警告的关键点。

本文旨在利用机器学习技术预测地磁扰动。具体而言，使用适用于长时间序列的长短期记忆循环神经网络，分析从2005年到2019年在拉格朗日点L1处获取的太阳风等离子体和磁场的原位测量数据，将问题视为二元分类，旨在预测SYM-H地磁活动指数在-50nT以下的降低，这通常被认为是磁层扰动的指标。

本文使用适当的损失函数解决了强类别不平衡问题，并使用价值加权技能得分来评估预测结果，最终展示了采用的神经网络在适当预测地磁风暴发生方面的最佳性能。

本文首次考虑到磁螺旋度和能量的内容，并将其作为神经网络架构的输入特征。通过相关性驱动的特征选择方法来排名预测模型中涉及的最相关特征的预测能力。实验使用的数据集包括从2005年到2019年在拉格朗日点L1处获取的太阳风等离子体和磁场的原位测量数据，并使用了适当的损失函数来解决强类别不平衡问题。本文的工作值得进一步深入研究。

最近的相关研究包括使用机器学习技术预测太阳风和地磁活动的研究，其中一些论文的标题包括：“太阳风和地磁活动预测：使用机器学习技术的综述”和“基于机器学习的地磁扰动预测：一个案例研究”。