گابریل مسوری گروه هواشناسی, دانشگاه استکهلم, استکهلم, مرکز تحقیقات اقلیمی د بولین, دانشگاه استکهلم, استکهلم, دپارتمان علوم زمین, دانشگاه اوپسالا, اوپسالا, مرکز خطرات طبیعی و علوم فاجعه, دانشگاه اوپسالا, دانشگاه اوپسالا, اوپسالا
جستجوی مقالات دیگر توسط گابریل مسوری در سایت فعلی گوگل اسکولار بستن
انتشار اینترنتی: 04 مه 2021 انتشار چاپ: 01 جون 2021 دوی: https://doi. org/10.1175/MWR-D-20-0392.1 صفحه(ها): 1637-1650
چکیده
کاربران پیش بینی های هواشناسی اغلب با این سوال روبرو می شوند که اکنون بر اساس پیش بینی فعلی تصمیم بگیرند یا منتظر پیش بینی بعدی و امید است قبل از تصمیم گیری دقیق تر باشند. زیر نویسندگان قبلی, ما این سوال به عنوان یک فرمت از مدل هزینه از دست دادن شناخته شده تجزیه و تحلیل. در این مدل تمدید هزینه از دست دادن, سوال از تصمیم گیری در حال حاضر و یا به صبر بستگی به دو جنبه خاص از پیش بینی, که هر دو شامل احتمالات احتمالات. برای مورد خاص پیش بینی های هواشناسی و اقلیمی در قالب توزیع های نرمال یک الگوریتم شبیه سازی ساده و عبارات تحلیلی معادل برای محاسبه این دو احتمال استخراج می کنیم. ما اعمال الگوریتم به پیش بینی دما و پیدا کردن که الگوریتم منجر به تصمیم گیری بهتر در اکثر موارد نسبت به سه جایگزین ساده تر طرح های تصمیم گیری, در هر دو زمینه شبیه سازی شده و هنگامی که ما با استفاده از پیش بینی مجدد, مشاهدات سطح, و دقیق خارج از نمونه اعتبار سنجی از تصمیم گیری. این اولین بار است که یک الگوریتم تصمیم گیری چند مرحله ای پویا با استفاده از مشاهدات هواشناسی واقعی کار می کند. نتایج ما پیامدهایی برای انواع دیگری از اطلاعات دارد که پیش بینی کنندگان هوا و اقلیم می توانند برای تسهیل تصمیم گیری خوب بر اساس پیش بینی های خود تولید کنند.
بیانیه اهمیت
کاربران پیش بینی های هواشناسی و اقلیمی اغلب در موقعیتی قرار می گیرند که می توانند اکنون تصمیم بگیرند یا قبل از تصمیم گیری منتظر پیش بینی بعدی باشند. با توجه به تحقیقات قبلی ما یک الگوریتم ساده برای نزدیک شدن به این وضعیت در یک راه منطقی استخراج می کنیم. الگوریتم ما می تواند در بسیاری از شرایط پیش بینی معمول مورد استفاده قرار گیرد و ما نشان می دهیم که الگوریتم با تست با استفاده از پیش بینی ها و اندازه گیری های دمای واقعی کار می کند.
© 2021 انجمن هواشناسی امریکا. برای کسب اطلاعات در مورد استفاده مجدد از این محتوا و اطلاعات کپی رایت عمومی, مشورت سیاست کپی رایت (www. ametsoc. org/PUBSReuseLicenses).
چکیده
کاربران پیش بینی های هواشناسی اغلب با این سوال روبرو می شوند که اکنون بر اساس پیش بینی فعلی تصمیم بگیرند یا منتظر پیش بینی بعدی و امید است قبل از تصمیم گیری دقیق تر باشند. زیر نویسندگان قبلی, ما این سوال به عنوان یک فرمت از مدل هزینه از دست دادن شناخته شده تجزیه و تحلیل. در این مدل تمدید هزینه از دست دادن, سوال از تصمیم گیری در حال حاضر و یا به صبر بستگی به دو جنبه خاص از پیش بینی, که هر دو شامل احتمالات احتمالات. برای مورد خاص پیش بینی های هواشناسی و اقلیمی در قالب توزیع های نرمال یک الگوریتم شبیه سازی ساده و عبارات تحلیلی معادل برای محاسبه این دو احتمال استخراج می کنیم. ما اعمال الگوریتم به پیش بینی دما و پیدا کردن که الگوریتم منجر به تصمیم گیری بهتر در اکثر موارد نسبت به سه جایگزین ساده تر طرح های تصمیم گیری, در هر دو زمینه شبیه سازی شده و هنگامی که ما با استفاده از پیش بینی مجدد, مشاهدات سطح, و دقیق خارج از نمونه اعتبار سنجی از تصمیم گیری. این اولین بار است که یک الگوریتم تصمیم گیری چند مرحله ای پویا با استفاده از مشاهدات هواشناسی واقعی کار می کند. نتایج ما پیامدهایی برای انواع دیگری از اطلاعات دارد که پیش بینی کنندگان هوا و اقلیم می توانند برای تسهیل تصمیم گیری خوب بر اساس پیش بینی های خود تولید کنند.
بیانیه اهمیت
کاربران پیش بینی های هواشناسی و اقلیمی اغلب در موقعیتی قرار می گیرند که می توانند اکنون تصمیم بگیرند یا قبل از تصمیم گیری منتظر پیش بینی بعدی باشند. با توجه به تحقیقات قبلی ما یک الگوریتم ساده برای نزدیک شدن به این وضعیت در یک راه منطقی استخراج می کنیم. الگوریتم ما می تواند در بسیاری از شرایط پیش بینی معمول مورد استفاده قرار گیرد و ما نشان می دهیم که الگوریتم با تست با استفاده از پیش بینی ها و اندازه گیری های دمای واقعی کار می کند.
© 2021 انجمن هواشناسی امریکا. برای کسب اطلاعات در مورد استفاده مجدد از این محتوا و اطلاعات کپی رایت عمومی, مشورت سیاست کپی رایت (www. ametsoc. org/PUBSReuseLicenses).
1. مقدمه
استفاده از احتمالات پیش بینی برای تصمیم گیری به طور گسترده در علوم جوی مورد مطالعه قرار گرفته است. بسیاری از مطالعات تصمیم گیری را با استفاده از مدل کاهش هزینه تک مرحله ای بررسی کرده اند (به عنوان مثال, مورفی 1969; کرنان 1975; کاتز و مورفی 1997; بیزا 2001; ریچاردسون 2001; رولین 2007). همچنین تعدادی از تعمیم های مدل کاهش هزینه تک مرحله ای وجود داشته است (مورفی 1985; مورفی و همکاران. 1985; اپستاین و مورفی 1987; مورفی و یه 1990; ویلکس 1991; ویلکس و همکاران. 1993; کاتز 1993; ویلکس و ولف 1998; رگنیر و هار 2006; رولین 2007; مک لی 2011; تنا و گومز 2011; مات و همکاران. 2017). یک بررسی در ویلکس (2014) داده شده است. مدل کاهش هزینه تک مرحله ای به عنوان یک مدل ایده ال برای اتخاذ انواع تصمیمات مشابه از نظر ساختار منطقی با تصمیم باینری در مورد لغو یک رویداد بر اساس پیش بینی استفاده می شود. در این مدل ساده فقط دو نتیجه احتمالی هوا وجود دارد (که ما به عنوان هوای خوب یا بد اشاره خواهیم کرد) با احتمالات پیش بینی شده و یک تصمیم باینری واحد که باید بر اساس این احتمالات گرفته شود (که ما به عنوان لغو یا ادامه خواهیم داد). چهار ترکیب حاصل از دو نتیجه جوی و دو انتخاب احتمالی منجر به سطوح مختلف سود یا زیان می شود که در مدل با استفاده از مفهوم سودمندی اندازه گیری می شود. انتخاب تصمیمی که سودمندی مورد انتظار را به حداکثر برساند منجر به این نتیجه می شود که برگزار کننده رویداد باید لغو شود اگر احتمال پیش بینی شده هوای بد بالاتر از حد معینی باشد, جایی که مرز به روشی ساده به پارامترهای تعریف کننده سودمندی نتایج مختلف بستگی دارد.
با این حال دانستن احتمالات جوی و نتایج اقلیمی ممکن است همیشه اطلاعات کافی برای تصمیم گیری منطقی نباشد و جنبه های زمانی دیگری از پیش بینی ها و تصمیم گیری ها ممکن است وارد عمل شوند. این در تعدادی از مطالعات نشان داده شده است که تعمیم مدل کاهش هزینه تک مرحله ای را به تصمیمات چند مرحله ای (که در طول زمان مجموعه ای از تصمیمات مرتبط با هم اتخاذ می شود) مانند مواردی که در مورفی و همکاران شرح داده شده است. (1985), اپشتین و مورفی (1987), مورفی و یه (1990), ویلکس (1991), ویلکس و همکاران. (1993), ویلکس و ولف (1998), رگنیر و هار (2006), رولین (2007), و مک لی (2011). تصمیمات چند مرحله ای که تصمیمات در طول زمان با هم تعامل دارند به عنوان تصمیمات پویا شناخته می شوند و تجزیه و تحلیل را می توان در چارچوب کلی برنامه نویسی پویا گنجاند که توسط ریچارد بلمن در دهه 1950 (بلمن 1957) معرفی شد. به عنوان مثال اقتصاددانان از این برنامه برای مطالعه اینکه سرمایه گذاران باید امروز سهام بخرند یا منتظر بمانند تا ببینند قیمت سهام با در دسترس قرار گرفتن اطلاعات جدید چگونه تکامل می یابد استفاده کرده اند. برنامه نویسی پویا اغلب به عنوان بخشی از زمینه بزرگتر تحقیقات عملیاتی در نظر گرفته می شود (ونتورا 2019).
این مطالعات مجموعه ای از نظریه را برای تصمیم گیری پویا چند مرحله ای برای موقعیت های مختلف تصمیم گیری مشخص می کند و نظریه را به روش های مختلف تست می کند. با این حال, شاید به استثنای بازی رولت هوا شرح داده شده در هاگدورن و اسمیت (2009) و ترادو و همکاران. (2019) ظاهرا هیچ مطالعه ای در مورد تصمیم گیری انجام نشده است که سعی در اعتبارسنجی تصمیمات با مشاهدات واقعی هوا داشته باشد. در نتیجه نمی توان ارزیابی کرد که الگوریتم های تصمیم گیری که این مطالعات توصیف می کنند بهتر از الگوریتم های تصمیم گیری ساده تر در یک وضعیت واقعی کار می کنند با توجه به عدم قطعیت های اضافی که پیش بینی های واقعی و مشاهدات واقعی معرفی می کنند.
در این مقاله, ما دو مرحله پویا تصمیم گیری مشکل مورد بحث توسط مورفی و یه تجدید (1990) و رگنیه و هار (2006): باید تصمیم بگیریم در حال حاضر, یا باید ما برای پیش بینی بعدی صبر کنید? رویکرد فنی ما برای پاسخ به این سوال ارتباط نزدیکی با روشهای توصیف شده در مطالعات ذکر شده در بالا دارد و تفاوت های کمی دارد. برای مثال, مدل ما زیر مورفی و یه (1990), رگنیر و هار (2006), و مک لی (2011) و متفاوت از کسانی که از مورفی و همکاران. (1985) و اپشتین و مورفی (1987) و مثال در ویلکس (1991) از این جهت که اجازه می دهد هزینه های مدل کاهش هزینه از نظر زمانی متفاوت باشد. تغییرات در هزینه ها اغلب یک عامل اساسی در تصمیم گیری در مورد انتظار برای پیش بینی بعدی است. تفاوت مدل ما با رگنیر و هار (2006) و مک لی (2011) در این است که دما را شامل می شود. مهم ترین جنبه های جدید از تجزیه و تحلیل ما این است که (من) ما در نظر پیش بینی به طور معمول توزیع, و برای این مورد خاص ما قادر به استخراج یک الگوریتم برای تصمیم گیری است که بسیار ساده تر از مدل سازی زنجیره مارکوف از احتمال انتقال شرح داده شده در ویلکس (1991), رگنیه و هار (2006), و مک لی (2011). این الگوریتم به چیزی بیش از دانستن عملکرد خطای میانگین مربع ریشه سیستم پیش بینی نیاز ندارد و (دوم) ما الگوریتم تصمیم خود را روی داده های پیش بینی واقعی اعمال می کنیم و تصمیماتی را که در برابر مشاهدات واقعی هوا ایجاد می کند به روشی دقیق و خارج از نمونه اعتبار می دهیم. با این کار ما به این سوال مهم می پردازیم که الگوریتم تصمیم گیری که توصیف می کنیم اگر در عمل اعمال شود واقعا می تواند مفید باشد.
اکنون برخی از جنبه های تصمیم گیری را اکنون نشان می دهیم یا با استفاده از یک مثال ساده منتظر تصمیم پیش بینی بعدی هستیم. یک رویداد برای شنبه برنامه ریزی شده است. اگر شرایط جوی در ابتدای رویداد نامناسب باشد پس این رویداد باید لغو شود و منجر به هزینه های مختلفی شود که به عنوان "ضرر" در چارچوب از دست دادن هزینه شناخته می شود. پیش بینی های روزانه هواشناسی در زمان برگزاری رویداد در دسترس است و توسط برگزار کننده رویداد برای تصمیم گیری در مورد لغو از قبل استفاده می شود. لغو در روز پنجشنبه منجر به اتهام لغو تنها کوچک, در حالی که لغو در روز جمعه منجر به اتهامات بزرگتر. هر دو مجموعه از اتهامات لغو کمتر از از دست دادن بالقوه به دلیل لغو دقیقه گذشته در روز شنبه, و این منجر به یک مجموعه متنوع از تصمیم گیری در مورد به لغو در پنجشنبه, جمعه, یا نه در همه. در روز پنجشنبه, سازمان نیاز به تصمیم گیری برای لغو (و امکان استفاده از اتهامات لغو پایین تر) و یا منتظر پیش بینی احتمالا ماهرانه تر جمعه. اگر منتظر بمانند روز جمعه باید تصمیم بگیرند که لغو شوند (و هزینه های لغو بیشتری را متحمل شوند) یا پیش بروند و در صورت بد بودن هوا خطر ضرر را بپذیرند.
در این مثال روشن است که تصمیمگیری منطقی نه تنها نیازمند تخمین احتمالات نتایج بعدی است بلکه نیازمند درک این است که چگونه این تخمینها و مهارتهایشان ممکن است با پیشبینیهای بعدی تغییر کنند. نمونه های مشابهی را می توان ساخت که مربوط به پیش بینی های فصلی است (به عنوان مثال یک کشاورز باید تصمیم بگیرد که در حال حاضر یا بعدا تصمیم بگیرد) و پیش بینی های اقلیمی (به عنوان مثال یک دولت باید تصمیم بگیرد که اکنون یا بعدا دفاع از سیل ایجاد کند). مثال ما ایده ال است و می توان عواملی را تصور کرد که وضعیت تصمیم گیری در دنیای واقعی را پیچیده می کند. برای مثال, در واقعیت, ممکن است پیش بینی های موجود در فرکانس بیشتر از روزانه وجود دارد, که اجازه می دهد یک گزینه بیشتر از لغو اواخر روز جمعه یا اوایل روز شنبه, و یا سازمان ممکن است این گزینه را به بیمه هواشناسی برای کاهش از دست دادن اگر رخ می دهد. در واقع برای تصمیمات دنیای واقعی به ندرت می توان هر عاملی را که بر تصمیم تاثیر می گذارد یادداشت کرد چه رسد به اینکه همه را در یک چارچوب ریاضی کد گذاری کند و عملا همه تصمیمات واقعی در نهایت با استفاده از ارزیابی ذهنی بر اساس ورودی های متعدد گرفته می شوند. در نتیجه نباید این مثال را خیلی تحت اللفظی گرفت. با این وجود نشان می دهد که تصمیم گیری در حال حاضر یا منتظر معضل پیش بینی بعدی بخش مهمی از بسیاری از موقعیت های تصمیم گیری مربوط به هوا و هوا است.
در بخش 2 ما مدل کاهش هزینه تک مرحله ای را در متن مثالی که در بالا ذکر شد (رویدادی که برای روز شنبه برگزار شد) توضیح می دهیم که تصمیم گیری در مورد لغو رویداد است. سپس مدل را به دنبال مورفی و یه (1990) و رگنیر و هار (2006) و دیگران گسترش می دهیم تا بتواند برای رسیدگی به تصمیم گیری در حال حاضر یا منتظر سوال استفاده شود. مدلهای تصمیمگیری کلی که در بسیاری از مراحل پیشبینی اعمال میشوند با اقدامات احتمالی و بسیاری از نتایج احتمالی هواشناسی میتوانند بسیار پیچیده شوند و پیچیدگی ممکن است شهود پشت مدل و راهحلهایی که تولید میکند را پنهان کند و به طور بالقوه منجر به بینش و مدلهای مفیدی شود که ممکن است هرگز در عمل مورد استفاده قرار نگیرند. ما سعی خواهیم کرد با ایجاد حداقل مجموعه تغییرات ممکن در مدل کاهش هزینه از این امر جلوگیری کنیم که به ما امکان می دهد اکنون به تصمیم گیری پاسخ دهیم یا منتظر سوال باشیم و منجر به مدلی ساده و شفاف شود که به راحتی قابل درک باشد. ما این مدل را از ملاحظات اساسی استخراج خواهیم کرد تا بدون نیاز به مطالعه چارچوب برنامه نویسی پویا قابل درک باشد و اشتقاق برای دانشمندان جوی بصری باشد. سپس از این مدل کاهش هزینه گسترده برای بررسی نحوه تصمیم گیری منطقی در مورد تصمیم گیری بر اساس پیش بینی اول یا انتظار برای پیش بینی دوم استفاده می شود و دقیقا مشخص می کند که چه اطلاعاتی برای این تصمیم مورد نیاز است.
در بخش 3 ما مواردی را در نظر می گیریم که پیش بینی ها از توزیع های نرمال تشکیل شده اند و به خوبی کالیبره شده اند که اجازه می دهد ساده سازی های خاصی در مدل سازی انجام شود و منجر به یک الگوریتم پیاده سازی ساده می شود که می توانیم تصمیم گیری کنیم-در حال حاضر یا-انتظار تصمیم گیری کنیم. در بخش 4 ما الگوریتم پیاده سازی را از بخش 3 با استفاده از یک سری طولانی از داده های پیش بینی هوا مصنوعی تست می کنیم. داده های مصنوعی به گونه ای ایجاد می شوند که ساختار مربوط به پیش بینی های واقعی دما را ضبط کنند. در بخش 5 ما تست های مشابهی را بر روی داده های پیش بینی واقعی و مشاهدات واقعی با استفاده از یک روش دقیق خارج از نمونه برای تست تصمیمات انجام می دهیم. این یک تست بسیار چالش برانگیز است زیرا پیش بینی های واقعی و مشاهدات واقعی بدون شک کاملا با فرضیات مبتنی بر مدل مطابقت ندارند. در بخش 6 ما نتایج را خلاصه می کنیم و پیامدهای پیش بینی هوا و هوا را مورد بحث قرار می دهیم.
2. مدل سازی هزینه از دست دادن
یک مدل از دست دادن هزینه تک مرحله ای
اکنون مدل کاهش هزینه تک مرحله ای را توضیح می دهیم تا بتوانیم مفاهیم مورد نیاز برای گسترش را در بخش 2 ب زیر معرفی کنیم. مدل کاهش هزینه تک مرحله ای که در علوم جوی استفاده می شود فرض می کند که یک پیش بینی احتمالی در دسترس است که احتمال دو نتیجه احتمالی جوی را می دهد: پ برای هوای بد و 1 پ برای هوای خوب. فرض می شود که احتمالات پیش بینی به خوبی کالیبره شده اند (یعنی فرض می کنیم بر اساس چیزی که می توان از عملکرد گذشته سیستم پیش بینی یاد گرفت تنظیم شده اند) و بنابراین می توان به عنوان بهترین احتمالات تخمین ما در نظر گرفت و نیازی به تعدیل بیشتر ندارد.
برای تجزیه و تحلیل مدل, می توان نتایج مختلف ممکن است به عنوان یک تابع از انتخاب است که می تواند توسط سازمان رویداد ساخته شده در نظر. هر نتیجه بر اساس پیش بینی یک احتمال و یک ابزار بر اساس تعریف مشکل دارد. احتمالات و تاسیسات را می توان برای محاسبه ابزار مورد انتظار برای هر یک از گزینه های احتمالی سازمان دهنده ترکیب کرد و فرض در مدل این است که سازمان دهنده انتخاب را با ابزار مورد انتظار بالاتر انتخاب می کند. تاسیسات برای هر نتیجه در جدول داده شده 1 و در زیر مورد بحث.
تاسیسات برای مدل کاهش هزینه تک مرحله ای. ردیف ها گزینه های مختلف را نشان می دهند و ستون ها نتایج مختلف جوی را نشان می دهند. هر ترکیبی از انتخاب و هوا منجر به ارزش سودمند می شود.
