Olkoon $ t_0 $ kiinnostava ajankohta, $ t _ {- 1} $ on jonkin aikaa ennen dollareita $ t_0 $ ja $ t_1 $ on hetkessä ajassa $ t_0 $ jälkeen.
Nyt ei ole sekaannusta ennusteeseen – jos nykyinen aika on $ t_0 $, esimerkiksi $ t_1 $: n ennuste käyttää mallia, joka omaksuu havainnot $ t_0 $: ssa ja siirry sitten ajoissa eteenpäin tehdäksesi ennusteeksi $ t_1 $.
Oletetaan, että nykyinen aika on $ t_1 $. Olen hämmentynyt siitä, mitä takalähetys kerralla $ t_0 $ tarkoittaa. Käynnistetäänkö malli $ t_1 $: lla, sitten ajassa taaksepäin laskeaksesi takalähetyksen $ t_0 $: lla vai käynnistämmekö mallin $: lla t _ {- 1} $, aja sitten mallia eteenpäin päästäksesi $ t_0 $?
Vastaa
Myös takalähetys tunnetaan historiallisena uudelleenennusteena, integroi mallin eteenpäin ajoissa samalla tavalla kuin ennuste, joten sinun tulisi alustaa malli hintaan $ t _ {- 1} $ ja suorittaa $ t_1 $. Jos sinulla on assimilaatiojärjestelmä, joka voi hyödyntää havaintoja $ t_0 $, se käyttää niitä samalla tavalla kuin ennusteen yhteydessä.
Takalähetyksen tarkoitus on tehdä ennuste. uudestaan jotain, jota ei ollut alun perin saatavana. Tuo uusi asia voi olla havainnot (assimilaatiota tai todentamista varten), assimilaatiojärjestelmä tai ennustemalli. Niitä voidaan käyttää kalibroimaan mallintamisjärjestelmä tai vain tarkistamaan, että mallinnuksen päivitykset järjestelmä tosiasiallisesti parantaa ennustetta. Niitä käytetään usein äärimmäisten tapahtumien tai tilanteiden tutkimiseen, joiden tiedetään olevan hankalia ennustaa; loppujen lopuksi, miksi odotat seuraavaa 1 30 vuoden tapahtumaa testataksesi uutta järjestelmääsi, kun sinulla on sellainen arkistossa, luultavasti vuosien aikana kertyneitä vahvistusdatoja.
Kommentit
- Kiitos Deditos – vaikka nyt olen epäselvä siitä, miten takapenkki eroaa uudelleenanalyysistä. Kun luet Wikipedia-artikkelia ( fi.wikipedia.org/wiki/Backtesting#Hindcast ), sanotaan siellä " Hindcasting viittaa yleensä numeeriseen mallintegraatioon historiallisesta ajanjaksosta, jossa havaintoja ei ole rinnastettu. Tämä erottaa takapisteen ajon uudelleenanalyysistä. " Onko tämä oikein? Tarkoittaako tämä ei assimilaatiota $ t_0 $: lla vai ei assimilaatiota $ t_1 $: lla (viimeinen kiinnostava ajanjakso esimerkissäsi)? Ja koko esimerkkikausi, $ t_-1 $ – $ t_1 $, ovat kaikki menneisyydessä, eikö?
- Ensin ' esitän varoituksen että eri tieteenalat / sovellukset voivat käyttää termejä eri tavoin. Mutta minun näkökulmastani analyysi (tai uudelleenanalyysi) suorittaa mallin / assimilaation yhdistelmän vain havaintoikkunalle, kun taas ennuste (tai uudelleenennuste) ajaa mallin havaintoikkunan ulkopuolelle. Käytännössä nämä ovat kaksi vaihetta samassa ennustejärjestelmässä. Esimerkiksi käyttämällä 09–21 UTC-havaintoikkunaa analyysin tuottamiseen kello 12 UTC, jota käytetään sitten alustamaan ilmainen juokseva ennuste 7 päivään.
- Kiitos Deditos selvennyksistä! Jos et ' ole mielessä, minulla on toinen kysymys. Onko mahdollista " integroida taaksepäin " ajoissa? Oletetaan esimerkiksi, että vain 1. tammikuuta ja 1. helmikuuta havaintoja on saatavilla. Kiinnostuksen aika sattuu olemaan 29. tammikuuta. Pitäisikö käyttää analyysia 1.1. Ja integroida eteenpäin 29 päivää, vai onko mahdollista jotenkin käyttää 1. helmikuuta ja palata taaksepäin " kaksi päivää?
- Ei, voit ' integroida malleja taaksepäin aika. Jos sinulla on alkuarvoongelma ja haluat varmasti käyttää sekä 1.1. Että 1. helmikuuta obs, ' d tarvitset tarkkailuikkunan, joka kattaa molemmat päivämäärät ja sinä ' d löytää optimaalisen alkutilan jollekin päivämäärälle 1. tammikuuta tai sitä ennen.