[论文解读] Adversarial autoencoders and adversarial LSTM for improved forecasts of urban air pollution simulations

César Quilodrán Casas, Rossella Arcucci+3 more|arXiv (Cornell University)|Apr 13, 2021

Wind and Air Flow Studies参考文献 18被引用 19

一句话总结

本论文提出一种两阶段深度学习框架，结合基于主成分分析的对抗性自编码器（PC-AAE）与对抗性训练的LSTM，以提升城市空气污染CFD模拟中的长期预测性能。通过对抗性训练强制潜在空间一致性，该方法减少了与物理模型的预测偏差，在南伦敦模拟中实现80个时间步内比CFD快四个数量级的预测速度，且精度和物理真实性更优。

ABSTRACT

This paper presents an approach to improve the forecast of computational fluid dynamics (CFD) simulations of urban air pollution using deep learning, and most specifically adversarial training. This adversarial approach aims to reduce the divergence of the forecasts from the underlying physical model. Our two-step method integrates a Principal Components Analysis (PCA) based adversarial autoencoder (PC-AAE) with adversarial Long short-term memory (LSTM) networks. Once the reduced-order model (ROM) of the CFD solution is obtained via PCA, an adversarial autoencoder is used on the principal components time series. Subsequentially, a Long Short-Term Memory network (LSTM) is adversarially trained on the latent space produced by the PC-AAE to make forecasts. Once trained, the adversarially trained LSTM outperforms a LSTM trained in a classical way. The study area is in South London, including three-dimensional velocity vectors in a busy traffic junction.

研究动机与目标

• 解决标准RNN基代理模型在长时域预测中与物理CFD解快速发散的问题。
• 提升城市空气污染模拟降阶模型（ROM）中的数据压缩与预测稳定性。
• 利用对抗性训练将模型潜在空间与先验分布对齐，以改善泛化能力与物理合理性。
• 开发一种数据无关、可扩展的框架，适用于具备充分训练数据的多样化CFD模型。

提出的方法

• 对CFD模拟中的三维速度场应用基于主成分分析的降维，保留前τ个主成分（PCs），以构建降阶模型（ROM）。
• 在PC时间序列上训练基于主成分分析的对抗性自编码器（PC-AAE），采用生成器（编码器-解码器）与判别器，使潜在空间的聚合后验分布匹配标准高斯先验。
• 使用重参数化技巧，使随机潜在变量可微分，从而支持自编码器的反向传播训练。
• 随后在PC-AAE生成的潜在空间上训练对抗性训练的LSTM（ALSTM），判别器强制生成与真实潜在序列之间的一致性。
• ALSTM通过自回归方式预测未来潜在状态，再通过PC-AAE解码器将结果还原为全空间速度场。
• 该框架在南伦敦3D城市空气污染模拟中进行评估，模拟域为720m×676m×250m，包含100,040个节点与1,000个时间步，采用真实边界条件。

实验结果

研究问题

• RQ1 对抗性训练的自编码器是否能提升CFD模拟中主成分的压缩与重建保真度？
• RQ2 在PC-AAE潜在空间上对抗性训练LSTM，是否能减少长时域预测中与底层物理模型的偏差？
• RQ3 所提出的ALSTM框架相较于经典LSTM与简单PC截断，在预测精度与物理真实性方面表现如何？
• RQ4 该框架在不同潜在空间维度（τ）下是否能保持性能，无显著退化？
• RQ5 对抗性训练在多大程度上增强了城市空气污染预测代理模型的泛化能力与鲁棒性？

主要发现

• PC-AAE在重建误差方面优于简单主成分截断，在不同潜在维度下（τ = 4, 8, 16, 32）均表现稳定。
• 在80个时间步后，对抗性训练的LSTM（ALSTM）相比经典LSTM将预测误差降低40%，且集合预测的平均绝对误差与标准差显著更低。
• 在80个时间步后，经典LSTM预测与真实值明显发散，而ALSTM成功保留了涡旋与涡流等关键物理特征，如图3所示的视觉检查结果证实。
• ALSTM相比完整CFD模拟实现了四个数量级的速度提升，支持近实时预测。
• 该框架对潜在空间维度具有鲁棒性，最优性能出现在τ = 8时，实现从全空间到潜在空间的五阶压缩。
• 判别器有效约束了潜在空间，防止分布外样本出现，提升了长期预测的稳定性。