Физические знания по вопросам, касающимся исторических данных, в большей степени чем обеспечение соблюдения физических ограничений на прогнозирование

arXiv:26091971v1 Annuate Type: New Humber Brieflow: Time Serviction ( " Новый обзор: прогнозирование временны́х рядов &qt; ) свидетельствует о достижениях с появлением новых моделей глубокого обучения. Вместе с тем прогнозирование временных рядов прикладных программ, связанных с физическими процессами, по-прежнему является серьезной проблемой. Несмотря на притязания физико-информационных нейронных сетей (PINN), последние модели не позволяют оценить незаметные промежуточные физические переменные, которые важны для экспертов по доменам, чтобы понять целевое поведение. С этой целью мы предлагаем создать сеть данных о физике и периодических нейронах (PIRNN), которая предсказывает вдоль целевого показателя ненаблюдаемые переменные как на основе исторических данных, так и на уровне прогнозов. Такой подход повышает надежность модели и ее интерпретацию результатов с использованием знаний о домене. Наш метод легко адаптируется к любой физической модели с использованием нескольких уравнений, каждый из которых имеет свой собственный набор ненаблюдаемых переменных для описания самого себя. В качестве примера мы используем физические уравнения, используемые для прогнозирования уровней грунтовых вод физикой