CN108876041B - 基于因果影响网络算法的极地海冰面积预测方法及装置 - Google Patents
基于因果影响网络算法的极地海冰面积预测方法及装置 Download PDFInfo
- Publication number
- CN108876041B CN108876041B CN201810646657.3A CN201810646657A CN108876041B CN 108876041 B CN108876041 B CN 108876041B CN 201810646657 A CN201810646657 A CN 201810646657A CN 108876041 B CN108876041 B CN 108876041B
- Authority
- CN
- China
- Prior art keywords
- month
- sea ice
- months
- ice area
- influence network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于因果影响网络算法的极地海冰面积预测方法及装置,所述方法包括:获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积。本发明提供的基于因果影响网络算法的极地海冰面积预测方法及装置,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于因果影响网络算法的极地海冰面积预测方法及装置。
背景技术
极地海冰作为地球的主要冷源,对区域乃至全球气候有着重要影响。一方面表现在海冰表面会反射大部分的太阳短波辐射,阻隔海一气之间的热量和水汽交换;另一方面,因为海冰消长吸收和释放的热量会改变大气的能量收支平衡关系,从以上两方面改变区域或全球的温度、气压和风场分布等。因此,准确预测极地海冰面积意义重大。
现有技术中,典型的极地海冰预测系统是由国家海洋局第一海洋研究所研发的地球系统模式FIO-ESM,该模式主要由气候系统模式和碳循环模式两部分组成。
但是,现有技术中的极地海冰预测系统,算法较为复杂,系统的实现成本和维护成本较高。
发明内容
本发明的目的是提供一种基于因果影响网络算法的极地海冰面积预测方法及装置,解决了现有技术中极地海冰预测系统,算法较为复杂,系统的实现成本和维护成本较高的技术问题。
为了解决上述技术问题,一方面,本发明提供一种基于因果影响网络算法的极地海冰面积预测方法,包括:
获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积。
另一方面,本发明提供一种基于因果影响网络算法的极地海冰面积预测装置,包括:
获取模块,用于获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
预测模块,用于将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积。
再一方面,本发明提供一种用于基于因果影响网络算法的极地海冰面积预测的电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明提供的基于因果影响网络算法的极地海冰面积预测方法及装置,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
附图说明
图1为依照本发明实施例的基于因果影响网络算法的极地海冰面积预测方法示意图;
图2为依照本发明实施例的基于因果影响网络算法的极地海冰面积预测装置示意图;
图3为本发明实施例提供的用于基于因果影响网络算法的极地海冰面积预测的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为依照本发明实施例的基于因果影响网络算法的极地海冰面积预测方法示意图,如图1所示,本发明实施例提供一种基于因果影响网络算法的极地海冰面积预测方法,该方法包括:
步骤S101、获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
步骤S102、将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积。
具体的,首先获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量。例如,我们想要根据9月份之前的6个月的数据预测9月份的海冰面积,那么就需要获取9月份之前的这6个月的每个月的海冰面积,以及每个月的在每一观测点的每一气候变量。
在数据采集的过程中,可以将极地划分成多个网格(小区域),每个网格中可以设置一个观测点。观测点的数量和气候变量的数量,根据具体的实际情况来确定。
然后,将这若干个月份中每一月份的海冰面积和这若干个月份中每一月份的在每一观测点的每一气候变量输入至预先训练好的因果影响网络模型,输出待预测月份的海冰面积。输出的待预测月份的海冰面积,包括整个极地的海冰面积,还包括,每个网络的海冰面积。针对上述例子,只需要将9月份之前的这6个月的每个月的海冰面积,以及每个月的在每一观测点的每一气候变量输入至预先训练好的因果影响网络模型,即可输出9月份海冰面积的预测值。
本发明实施例提供的基于因果影响网络算法的极地海冰面积预测方法,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
在上述实施例的基础上,进一步地,获取所述预设因果影响网络模型的具体步骤如下:
获取若干年的历史数据,每一年的历史数据包括当年目标月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量,还包括当年目标月份的海冰面积;
利用因果影响网络算法对所述历史数据进行拟合运算,获取所述预设因果影响网络模型。
具体的,在根据当年中的前几个月份的观测数据预测目标月份的海冰面积之前,需要对因果影响网络模型进行训练,具体的训练方法如下:
首先,获取若干年的历史数据,每一年的历史数据都包括当年目标月份之前的若干个月份的海冰面积,以及这若干个月份中每一月份的在每一观测点的每一气候变量,还包括当年目标月份的海冰面积。
针对上述例子,我们想要根据9月份之前的6个月的数据预测9月份的海冰面积,在训练的时候,可以选用当年之前20年的历史数据对因果影响网络模型进行训练。这20年的历史数据中每一年的历史数据都包括当年9月份之前的6个月的海冰面积,以及这6个月份中每一月份的在每一观测点的每一气候变量,还包括当年9月份的海冰面积。
然后,利用因果影响网络(Causal Effect Network,CEN)算法对获取到的历史数据进行拟合运算,以当年目标月份之前的若干个月份中每个月的海冰面积,以及这若干个月份中每一月份的在每一观测点的每一气候变量,分别作为一个影响因子,计算在不同的最大超前时间下,每个影响因子与目标月份的海冰面积之间的偏相关系数,以排除某一超前时刻(例如,lag=-1~-8months)不相关的影响因子(偏相关系数r=0)或不显著相关的影响因子(p-value高于显著性水平α=0.05),保留显著相关的影响因子(p<0.05)。
再利用多元线性回归理论,进行迭代分析,确定最终的与目标月份的海冰面积显著直接相关的影响因子,以及每一影响因子的权重,和消除随机性的常数值,最终得到训练好的因果影响网络模型。
本发明实施例提供的基于因果影响网络算法的极地海冰面积预测方法,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
在以上各实施例的基础上,进一步地,所述预设因果影响网络模型如下:
其中,Y表示所述待预测月份的海冰面积,表示所述待预测月份之前第k个月份的第i个观测点的第j个气候变量,为的回归系数,Z-k表示所述待预测月份之前第k个月份的海冰面积,q-k为Z-k的回归系数,O表示所述若干个月份的数量,M表示所述观测点的数量,N表示所述气候变量的数量,ε为常数。
具体的,利用CEN算法对获取到的历史数据进行拟合运算,得到的预设因果影响网络模型如下:
其中,Y表示所述待预测月份的海冰面积,表示所述待预测月份之前第k个月份的第i个观测点的第j个气候变量,为的回归系数,Z-k表示所述待预测月份之前第k个月份的海冰面积,q-k为Z-k的回归系数,O表示所述若干个月份的数量,M表示所述观测点的数量,N表示所述气候变量的数量,ε为常数。
本发明实施例提供的基于因果影响网络算法的极地海冰面积预测方法,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
在以上各实施例的基础上,进一步地,所述气候变量至少包括海平面气压、表面气温、海表温度、近地面纬向风、近地面经向风、近地面向下短波辐射和近地面向下长波辐射中的任一种。
具体的,在获取观测数据时,观测点的数量和气候变量数量需要根据具体的实际情况而定。根据CEN算法对获取到的历史数据进行拟合分析后,得到海平面气压、表面气温、海表温度、近地面纬向风、近地面经向风、近地面向下短波辐射和近地面向下长波辐射这些气候变量对目标月份海冰面积的影响较为显著,所以,气候变量至少包括海平面气压、表面气温、海表温度、近地面纬向风、近地面经向风、近地面向下短波辐射和近地面向下长波辐射中的任一种。以便获取更加准确的预测值。
本发明实施例提供的基于因果影响网络算法的极地海冰面积预测方法,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
在以上各实施例的基础上,进一步地,所述若干个月份的数量为8。
具体的,根据CEN算法对获取到的历史数据进行拟合分析后,得到最大超前时间为8个月时,各影响因子对目标月份海冰面积的影响最为显著,得到的目标月份海冰面积的预测值与观测值最为一致。因此,所述若干个月份的数量为设置为8,以便获取更加准确的预测值。
针对上述例子,我们想要预测9月份的海冰面积,那么我们选择1-8月份这8个月的观测数据输入至训练好的因果影响网络模型,得到的9月份的海冰面积的预测值与真实值最为接近。
本发明实施例提供的基于因果影响网络算法的极地海冰面积预测方法,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
在以上各实施例的基础上,进一步地,所述待预测月份为9月份。
具体的,经过对历史观测数据的分析,可知,每年9月份北极海冰的覆盖面积最小,对最小海冰覆盖面积的预测意义重大。因此,设置待预测月份为9月份。
本发明实施例提供的基于因果影响网络算法的极地海冰面积预测方法,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
在以上各实施例的基础上,进一步地,所述若干个月份的海冰面积为8月份的海冰面积。
具体的,经过对历史观测数据的分析,可知,每年9月份北极海冰的覆盖面积最小,对最小海冰覆盖面积的预测意义重大。因此,设置待预测月份为9月份。
根据CEN算法对获取到的历史数据进行拟合分析后,得到8月份的海冰面积与9月份海冰面积有强自相关性。因此,为了获得更加准确的9月份海冰面积的预测值,所述若干个月份的海冰面积为8月份的海冰面积。
本发明实施例提供的基于因果影响网络算法的极地海冰面积预测方法,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
图2为依照本发明实施例的基于因果影响网络算法的极地海冰面积预测装置示意图,如图2所示,本发明实施例提供一种基基于因果影响网络算法的极地海冰面积预测装置,用于完成上述实施例中所述的方法,具体包括获取模块201和预测模块202,其中,
获取模块201用于获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
预测模块202用于将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积。
本发明实施例提供一种基于因果影响网络算法的极地海冰面积预测装置,用于完成上述实施例中所述的方法,通过本实施例提供的装置完成上述实施例中所述的方法的具体步骤与上述实施例相同,此处不再赘述。
本发明实施例提供的基于因果影响网络算法的极地海冰面积预测装置,通过历史数据对因果影响网络模型进行训练,然后将当年中的前几个月份的观测数据输入至训练好的因果影响网络模型,即可准确的预测出目标月份的海冰面积,该方法操作简便,系统复杂度低,预测效率高。
图3为本发明实施例提供的用于基于因果影响网络算法的极地海冰面积预测的电子设备的结构示意图,如图3所示,所述设备包括:处理器301、存储器302和总线303;
其中,处理器301和存储器302通过所述总线303完成相互间的通信;
处理器301用于调用存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于因果影响网络算法的极地海冰面积预测方法,其特征在于,包括:
获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积;
获取所述预设因果影响网络模型的具体步骤如下:
获取若干年的历史数据,每一年的历史数据包括当年目标月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量,还包括当年目标月份的海冰面积;
利用因果影响网络算法对所述历史数据进行拟合运算,获取所述预设因果影响网络模型;
所述预设因果影响网络模型如下:
2.根据权利要求1所述的方法,其特征在于,所述气候变量至少包括海平面气压、表面气温、海表温度、近地面纬向风、近地面经向风、近地面向下短波辐射和近地面向下长波辐射中的任一种。
3.根据权利要求1所述的方法,其特征在于,所述若干个月份的数量为8。
4.根据权利要求1所述的方法,其特征在于,所述待预测月份为9月份。
5.根据权利要求4所述的方法,其特征在于,所述若干个月份的海冰面积为8月份的海冰面积。
6.一种基于因果影响网络算法的极地海冰面积预测装置,其特征在于,包括:
获取模块,用于获取待预测月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量;
预测模块,用于将所述若干个月份中每一月份的海冰面积和所述若干个月份中每一月份的在每一观测点的每一气候变量输入至预设因果影响网络模型,输出所述待预测月份的海冰面积;
获取所述预设因果影响网络模型的具体步骤如下:
获取若干年的历史数据,每一年的历史数据包括当年目标月份之前的若干个月份的海冰面积,以及所述若干个月份中每一月份的在每一观测点的每一气候变量,还包括当年目标月份的海冰面积;
利用因果影响网络算法对所述历史数据进行拟合运算,获取所述预设因果影响网络模型;
所述预设因果影响网络模型如下:
7.一种用于基于因果影响网络算法的极地海冰面积预测的电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810646657.3A CN108876041B (zh) | 2018-06-21 | 2018-06-21 | 基于因果影响网络算法的极地海冰面积预测方法及装置 |
PCT/CN2019/092781 WO2019242779A1 (zh) | 2018-06-21 | 2019-06-25 | 基于因果影响网络算法的极地海冰面积预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810646657.3A CN108876041B (zh) | 2018-06-21 | 2018-06-21 | 基于因果影响网络算法的极地海冰面积预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876041A CN108876041A (zh) | 2018-11-23 |
CN108876041B true CN108876041B (zh) | 2020-07-28 |
Family
ID=64340754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810646657.3A Active CN108876041B (zh) | 2018-06-21 | 2018-06-21 | 基于因果影响网络算法的极地海冰面积预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108876041B (zh) |
WO (1) | WO2019242779A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876041B (zh) * | 2018-06-21 | 2020-07-28 | 清华大学 | 基于因果影响网络算法的极地海冰面积预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5704017A (en) * | 1996-02-16 | 1997-12-30 | Microsoft Corporation | Collaborative filtering utilizing a belief network |
CN106874686A (zh) * | 2017-03-03 | 2017-06-20 | 北京北青厚泽数据科技有限公司 | 指标关系网构建方法 |
CN107590551A (zh) * | 2017-08-16 | 2018-01-16 | 南京航空航天大学 | 一种大气pm2.5浓度变化的预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876041B (zh) * | 2018-06-21 | 2020-07-28 | 清华大学 | 基于因果影响网络算法的极地海冰面积预测方法及装置 |
-
2018
- 2018-06-21 CN CN201810646657.3A patent/CN108876041B/zh active Active
-
2019
- 2019-06-25 WO PCT/CN2019/092781 patent/WO2019242779A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5704017A (en) * | 1996-02-16 | 1997-12-30 | Microsoft Corporation | Collaborative filtering utilizing a belief network |
CN106874686A (zh) * | 2017-03-03 | 2017-06-20 | 北京北青厚泽数据科技有限公司 | 指标关系网构建方法 |
CN107590551A (zh) * | 2017-08-16 | 2018-01-16 | 南京航空航天大学 | 一种大气pm2.5浓度变化的预测方法 |
Non-Patent Citations (3)
Title |
---|
Memory Matters: A Case for Granger Causality in Climate Variability Studies;MCGRAW AND BARNES;《JOURNAL OF CLIMATE》;20180415;全文 * |
Using Causal Effect Networks to Analyze Different Arctic Drivers of Midlatitude Winter Circulation;KRETSCHMER ET AL;《JOURNAL OF CLIMATE》;20160601;全文 * |
北半球海冰变化及其与气候要素的关系;邓娟;《中国优秀硕士论文库》;20141231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108876041A (zh) | 2018-11-23 |
WO2019242779A1 (zh) | 2019-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | The operational global four‐dimensional variational data assimilation system at the China Meteorological Administration | |
Carpinone et al. | Markov chain modeling for very-short-term wind power forecasting | |
Engelbrecht et al. | Multi-scale climate modelling over Southern Africa using a variable-resolution global model | |
Wan et al. | Probabilistic forecasting of wind power generation using extreme learning machine | |
Ghorbani et al. | Relative importance of parameters affecting wind speed prediction using artificial neural networks | |
US20180240200A1 (en) | Method and device for modeling a long-time-scale photovoltaic output time sequence | |
Olauson et al. | Correlation between wind power generation in the European countries | |
CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
Fidan et al. | Harmonic analysis based hourly solar radiation forecasting model | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
Loridan et al. | Parametric modeling of transitioning cyclone wind fields for risk assessment studies in the western North Pacific | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
CN108876041B (zh) | 基于因果影响网络算法的极地海冰面积预测方法及装置 | |
JP2013161239A (ja) | 発電出力変動量推定方法、発電出力変動量推定装置、及び発電出力変動量推定プログラム | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
Yang et al. | Improving the spin-up of regional EnKF for typhoon assimilation and forecasting with Typhoon Sinlaku (2008) | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN104239689B (zh) | 基于优化相关向量机的短期风速预测方法 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN103268416B (zh) | 基于stcp‑bp的风速预测方法 | |
CN105825347A (zh) | 经济预测模型建立的方法和预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |