CN109143408B - 基于mlp的动态区域联合短时降水预报方法 - Google Patents
基于mlp的动态区域联合短时降水预报方法 Download PDFInfo
- Publication number
- CN109143408B CN109143408B CN201810902495.5A CN201810902495A CN109143408B CN 109143408 B CN109143408 B CN 109143408B CN 201810902495 A CN201810902495 A CN 201810902495A CN 109143408 B CN109143408 B CN 109143408B
- Authority
- CN
- China
- Prior art keywords
- mlp
- precipitation
- factors
- perception
- selecting
- 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.)
- Expired - Fee Related
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 238000001556 precipitation Methods 0.000 claims description 46
- 230000008447 perception Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 39
- 230000007246 mechanism Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于MLP的动态区域联合短时降水预报方法，该方法包括如下步骤：数据预处理，主要包括离差标准化和PCA；MLP的结构选择和参数训练，通过贪心算法确定MLP的广度和宽度，再调整MLP的权重和偏置；范围参数确定和模型优化，不同的感知范围意味着不同的MLP个数，通过动态改变范围来优化模型，MLP的个数在预报过程中是动态变化的。本发明第一个步骤是数据预处理，目的是对物理因子标准化，提取这些因子中的有用信息，节省软硬件资源。第二个步骤在两个地区之间建立MLP，并选择最优MLP。第三个步骤确定模型中使用的MLP的个数，并通过动态调整MLP个数来优化模型。
Description
技术领域
本发明涉及一种基于MLP的动态区域联合短时降水预报方法，属于降水预报技术领域。
背景技术
降水是多尺度大气系统共同作用的结果，受热力、流场、地形等多方面因素影响，复杂的物理形成机制使降水成为最难预报的天气要素之一。降水预报在气象、水文、环境等领域有着重要的指引作用，是能够准确、及时发布天气预警的必要条件。降水预报也和居民生活息息相关，短时强降水是引起城市内涝的主要天气要素。由于大气内部复杂的动态变化和短时降水预报要求的实时性，我们需要大规模和高精度的预报，这个问题给气象领域和机器学习领域提出了非常大的挑战。目前，降水预报方法主要分为两类：第一类是基于物理形成机制的预报方法，第二类是数据驱动的预报方法。
基于物理形成机制的降水预报方法主要是数值预报，数值预报是基于降水形成的物理机制，通过数值计算方法求解大气运动方程组来预报降水，由于大量的数据和计算的复杂性，数值预报往往需要通过大型计算机实现，不具有推广和泛用价值。目前，基于深度学习的预测方法通常以某一地区为研究对象，学习因子与降水之间的联系，以此作为预测的依据。选择合适的因子和合适的算法是这类方法的关键步骤。然而，目前存在的这些方法存在一些问题和缺点。这些问题和缺点主要包括：这些方法通常是选择一个或者几个区域作为研究对象，区域范围较小使得预报方法的普适性没有说服力；深度神经网络的结构难以确定，没有合适的算法确定深度神经网络的广度和宽度；一个地区通常被作为一个独立的个体，并根据这个地区的因子预测该地区的降雨，然而，一个地区的降雨可能受上游或下游地区因子的影响；数值方法的预报准确率一般较高，是目前政府预报降雨的主要依据。这些预报方法通常没有和数值方法的准确率进行比较。但是大气环流背景是降水系统的主要影响因素，500hpa高度场的大气流场是分析降水系统发展和移动的依据。受同一个降水系统影响的区域中，不同观测站点由于气压、湿度、温度、风场等因子不同，会出现不同的降水状况。
因此针对以上问题，提出了一种基于MLP的动态区域联合短时降水预报方法，克服上述缺陷。
发明内容
发明目的：本发明提供一种基于MLP的动态区域联合短时降水预报方法，将DNN与降水形成的物理特点相结合，通过多个MLP结合提高预测准确率。
技术方案：一种基于MLP的动态区域联合短时降水预报方法，包括如下步骤：
步骤1.数据预处理；
步骤2.MLP的结构选择和参数训练；
步骤3.范围参数确定和模型优化；
进一步，步骤1包括如下子步骤：
步骤11.选取物理量因子包括地面和高空因子，对因子作离差标准化处理，离差标准化计算公式为：
式中，x表示某个物理量因子序列的实际值，xmax和xmin分别为物理量因子序列中的最大值和最小值；
步骤12.对标准化后的因子作PCA处理，PCA的计算公式为：
式中，p维随机向量X＝(X1，X2，…，Xp)t代表原始变量，t表示第t个时刻。对X进行线性变换，将原始变量X变为新的变量Z＝(Z1，Z2，…，Zp)t。通过选择系数矩阵μ，使得Z的各个因子之间不相关，同时主要的信息量集中到Z的前几个分量中，用Z的前几个分量代表整体信息，选择标准为这几个分量的特征值总和占整体特征值总和的99％以上；系数矩阵μ的计算通常采用原始变量的相关系数矩阵计算，且在数值上等于相关系数矩阵的特征向量组成的矩阵。
进一步，步骤2包括如下子步骤：
步骤21.贪心算法选择MLP，MLP的前向传播计算方式：
zij＝f(WiZi-1+bi-1)
其中，zij代表第i层第j个神经元的值，Wi为第i-1层到第i层第j个神经元的权值向量，Zi-1为第i-1层所有神经元的值向量，bi-1表示第i-1层的偏置， f为激活函数。
步骤22.调整MLP参数，确定MLP的宽度和深度，MLP的参数调整计算方法：
其中，W和b分别是MLP的权值和偏置，z和y分别是MLP的预处理后的综合因子和实况降水量，J表示MLP的损失函数，是上述四个变量的函数，
是 J对权值W的梯度，δWt是每一次训练需要对W作出的调整，它由前一个时次的值和当前的梯度值加权求和得到，α和β分别是两者的权重。
进一步，步骤3包括如下子步骤：
步骤31.初始感知范围确定，两个地区距离的计算方式如下：
其中，x1和x2分别为两个地区观测站点的经度，y1和y2分别为两个地区观测站点的纬度。某个地区的感知范围定义为与中心站点距离小于某个值的所有站点，并且这个值定义为感知半径。
步骤32.统计所有站点取不同感知半径时的预报准确率，根据最佳半径的概率分布密度选择中心值，作为最优的感知半径；
步骤33.动态调整感知范围，确定MLP的个数，调整策略如下：
(1)若过去3个时间单位预报站点未出现降水，且以预报站点为中心的2个距离单位的感知范围内(l＜2)没有站点出现降水，选择感知半径为1.5；
(2)若过去3个时间单位预报站点未出现降水，但以预报站点为中心的2个距离单位的感知范围内(l＜2)有站点出现降水，选择感知半径为2.5；
(3)若过去1个时间单位预报站点已出现降水，此时选择感知半径为1.5；
(4)其他情况，选择感知半径为2。
步骤34.建立多MLP的DRCF模型，进行降水预测。
附图说明
图1基于MLP的动态区域联合短时降水预报方法实现流程图；
图2(a) 和 (b) 贪心算法选择MLP结构的计算过程。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，一种基于MLP的动态区域联合短时降水预报方法，包括3个步骤：一是数据预处理；二是MLP的结构选择和参数训练；三是范围参数确定和模型优化。
为了验证本发明预报效果，选取全国56个城市作为研究对象，这56个地区都具有地面气象观测站和探空雷达站。选择的地面和高空的物理量因子包括总云量、地面风向、地面风速、地面气压、地面3小时变压、地面露点温度、地面温度、500hpa高度、500hpa温度、500hpa温度露点差、500hpa风向、500hpa风速以及降水量，其中前13个物理量因子作为模型输入物理量因子。以2015-2016 年的数据作为训练样本，2017年的数据作为检验样本，这些数据包括每个地区的逐3小时因子数据。使用基于MLP的动态区域联合短时降水预报方法进行降水预报，下面将结合实例说明每个步骤的结果和计算方式。
以下详细描述各步骤的具体实现过程：
步骤一、数据预处理
具体包括如下步骤：
步骤11.对上述13个输入物理量因子作离差标准化处理，离差标准化计算公式为：
式中，x表示某个物理量因子序列中的实际值，xmax和xmin分别为该因子序列中的最大值和最小值；
步骤12.对标准化后的因子作PCA处理，PCA的计算公式为：
式中，p维随机向量X＝(X1，X2，…，Xp)t代表原始变量，t表示第t个时刻。对X进行线性变换，将原始变量X变为新的变量Z＝(Z1，Z2，…，Zp)t。通过选择系数矩阵μ，使得Z的各个因子之间不相关，同时主要的信息量集中到Z的前几个分量中，用Z的前几个分量代表整体信息，选择标准为这几个分量的特征值总和占整体特征值总和的99％以上；系数矩阵μ的计算通常采用原始变量的相关系数矩阵计算，且在数值上等于相关系数矩阵的特征向量组成的矩阵。
PCA可以用较少的变量代表较多的信息。当初始变量之间存在一定的相关关系时，可以解释为变量之间的信息有一定的重叠。PCA是对所有初始变量，删除变量的重复关系，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量尽可能保持原有的信息。在模型的PCA阶段，决定新因子个数的标准为99％，即新因子的特征值总和占所有特征值总和的99％以上。经过计算，新因子的信息总和能够代表原有数据的99％以上。以56个站点中的阜阳市为例，第一步的结果如表1，最终使用前4个因子Z1，Z2，Z3和Z4代替原来的 13个因子。
步骤二、MLP的结构选择和参数训练
在这一步中，主要任务是通过贪心算法确定MLP的结构和MLP参数的确定。MLP的结构包括网络的广度和宽度。为了预报某一地区的降水，模型在预报地区和某个周边地区之间建立联系。这种联系是指13个因子与预报地区降水的联系。13个因子包括5个预测地区的高空因子和7个地表面因子差。MLP具有很强的学习能力。模型通过MLP来学习这种联系。MLP的输入是经过PCA 处理过的数据，输出是预测地区的降水。
具体包括如下步骤：
步骤21.贪心算法选择MLP；
MLP的结构选择采用贪心算法，而权值和偏置的调整采用动量BP算法。当 MLP的RMSE达到极小点时停止训练，这个极小的RMSE称为这个MLP的 RMSE。RMSE的计算方法如下：
其中，N表示样本个数，y实况和y预测分别表示每个样本实况降水量和预测降水量。
通过贪心算法逐层确定MLP结构，首先计算1个隐含层情况下不同隐含层结点个数对应MLP的RMSE，选择最小RMSE对应的结点个数作为第一个隐含层的结点个数；确定第一个隐含层结点个数，计算2个隐含层情况下第二个隐含层不同结点个数对应MLP的RMSE，选择最小RMSE对应的结点个数作为第二个隐含层的结点个数；如此依次确定下一层隐含层的结点个数。逐层确定隐含层结点个数的可用顺序有两种，从输入层到输出层和从输出层到输入层。第二步使用贪心算法选择MLP结构的过程如图2，图2(a)其中表示从输入层到输出层逐层确定隐含层结点个数的RMSE变化情况，从1个隐含层到4个隐含层情况，RMSE没有明显减小，而且波动较大，无法分辨多层与单层的区别，多层结构相对于单层结构没有明显的效果；图2(b)表示从输出层到输入层逐层确定隐含层结点个数的 RMSE变化情况，2-4层隐含层情况差别较小，无法明显区别，但RMSE均较1 层隐含层的情况明显减小，MLP的预报能力明显提高。对比可以看出，从输出层到输入层通过贪心算法确定MLP结构更为有效，因此选择2个隐含层，且从输出层到输入层选择MLP结构更加合适。
步骤22.调整MLP参数，确定MLP的宽度和深度，MLP的参数调整计算方法：
其中，W和b分别是MLP的权值和偏置，z和y分别是MLP的预处理后的综合因子和实况降水量，J表示MLP的损失函数，是上述四个变量的函数，
是 J对权值W的梯度，δWt是每一次训练需要对W作出的调整，它由前一个时次的值和当前的梯度值加权求和得到，α和β分别是两者的权重。
步骤三、范围参数确定和模型优化
在这一步，我们需要使用MLP来预测降雨，并且这些MLP在前一步已经训练好了。这一步的主要工作是确定合适的MLP个数。单独一个MLP可能会预测错误。为了让模型有较强的预报能力，几个MLP被用来一起决策。这些 MLP必须从不同方面预测降雨，这样它们才能相互弥补。把预报地区作为更大区域的中心，可以与周围所有地区建立MLP。周围地区的数量直接决定就可以建立多少个MLP。这些MLP都可以用来预测预报地区的降雨。
步骤31.初始感知范围确定，两个地区距离的计算方式如下：
其中，x1和y1分别为预报站点的经度和纬度，x2和y2分别为周边站点的经度和纬度。某个地区的感知范围定义为与中心站点距离小于某个值的所有站点，并且这个值定义为感知半径。
步骤32.统计最佳范围参数，根据概率分布密度选择中心值；
可以有两种方法确定MLP的个数，即确定感知范围参数。第一种方法是直接确定MLP的个数。这种方法需要统计许多地区最优的MLP数量，这个数量使得模型的预报准确率最高。第二种方法是以两个区域的距离为标准确定MLP 的个数。假设预报区域为圆心，某一个距离内的所有周围地区都建立MLP。第二种方法确定MLP的个数可能更加合适。不同地区的气象观测站点的分布密度不同。第二种方法考虑了这个因素对气象数据的影响。
步骤33.动态调整感知范围，确定MLP的个数，调整策略如下：
(1)若过去3个时间单位预报站点未出现降水，且以预报站点为中心的2个距离单位的感知范围内(l＜2)没有站点出现降水，选择感知半径为1.5；
(2)若过去3个时间单位预报站点未出现降水，但以预报站点为中心的2个距离单位的感知范围内(l＜2)有站点出现降水，选择感知半径为2.5；
(3)若过去1个时间单位预报站点已出现降水，此时选择感知半径为1.5；
(4)其他情况，选择感知半径为2。
步骤34.建立多MLP的DRCF模型，进行降水预测。这一步计算准确率的方式除了RMSE，还包括TS评分方法，TS评分的计算方式如下：
其中，N1表示预报降水正确的样本数，N2表示预报无降水正确的样本数， N3表示预报没有降水但实际出现降水的样本数，N4表示预报有降水但实际没有出现降水的样本数。ECWMF、JAPAN数值模式均是我国气象部门主要参考的数值预报模式，表2是56个地区本方法和两家数值模式预报准确率对比。可以发现，模型的预报准确率高于两家数值模式。
表1阜阳市因子数据主成分分析结果
表2模型与ECMWF、JAPAN数值模式准确率对比
Claims (2)
1.一种基于MLP的动态区域联合短时降水预报方法，其特征在于，包括如下步骤：
步骤1.数据预处理；
步骤2.MLP的结构选择和参数训练；
步骤3.范围参数确定和模型优化；
步骤1包括如下子步骤：
步骤11.选取物理量因子包括地面和高空因子，对因子作离差标准化处理，离差标准化计算公式为：
式中，x表示原变量序列中的某个值，xmax和xmin分别为变量中的最大和最小值；
步骤12.对标准化后的因子作PCA处理，PCA的计算公式为：
式中，p维随机向量X＝(X1，X2，…，Xp)t代表原始变量，t表示第t个时刻；对X进行线性变换，将原始变量X变为新的变量Z＝(Z1，Z2，…，Zp)t；通过选择系数矩阵μ，使得Z的各个因子之间不相关，同时所需信息量集中到Z的前几个分量中，用Z的前几个分量代表整体信息，选择标准为这几个分量的特征值总和占整体特征值总和的99％以上；系数矩阵μ的计算采用原始变量的相关系数矩阵计算，且在数值上等于相关系数矩阵的特征向量组成的矩阵；
步骤2包括如下子步骤：
步骤21.贪心算法选择MLP，MLP的前向传播计算方式：
zij＝f(WiZi-1+bi-1)
其中，zij代表第i层第j个神经元的值，Wi为第i-1层到第i层第j个神经元的权值向量，Zi-1为第i-1层所有神经元的值向量，bi-1表示第i-1层的偏置，f为激活函数；
步骤22.调整MLP参数，确定MLP的宽度和深度，MLP的参数调整计算方法：
其中，W和b分别是MLP的权值和偏置，z和y分别是MLP的预处理后的综合因子和实况降水量，J表示MLP的损失函数，是上述四个变量的函数，
是J对权值W的梯度，δWt是每一次训练需要对W作出的调整，它由前一个时次的值和当前的梯度值加权求和得到，α和β分别是两者的权重；
步骤3包括如下子步骤：
步骤31.初始感知范围确定，两个地区距离的计算方式如下：
其中，x1和x2分别为两个地区观测站点的经度，y1和y2分别两个地区观测站点的纬度；感知半径以距离定义为基础，感知范围定义为与预报站点距离小于感知半径的所有站点；
步骤32.统计所有站点取不同感知半径时的预报准确率，根据最佳感知半径的概率分布密度选择最优的感知半径；
步骤33.动态调整感知范围，确定MLP的个数；
步骤34.建立多MLP的DRCF模型，进行降水预测。
2.如权利要求1所述的基于MLP的动态区域联合短时降水预报方法，其特征在于，感知范围调整策略如下：
(1)若过去3个时间单位预报站点未出现降水，且以预报站点为中心的2个距离单位的感知范围内没有站点出现降水，选择感知半径为1.5；
(2)若过去3个时间单位预报站点未出现降水，但以预报站点为中心的2个距离单位的感知范围内有站点出现降水，选择感知半径为2.5；
(3)若过去1个时间单位预报站点已出现降水，此时选择感知半径为1.5；
(4)其他情况，选择感知半径为2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810902495.5A CN109143408B (zh) | 2018-08-09 | 2018-08-09 | 基于mlp的动态区域联合短时降水预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810902495.5A CN109143408B (zh) | 2018-08-09 | 2018-08-09 | 基于mlp的动态区域联合短时降水预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109143408A CN109143408A (zh) | 2019-01-04 |
| CN109143408B true CN109143408B (zh) | 2020-12-11 |
Family
ID=64792304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810902495.5A Expired - Fee Related CN109143408B (zh) | 2018-08-09 | 2018-08-09 | 基于mlp的动态区域联合短时降水预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109143408B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110619433B (zh) * | 2019-09-17 | 2023-07-21 | 国网湖南省电力有限公司 | 电网暴雨数值模式参数化方案的快速选择方法及系统 |
| CN110824477A (zh) * | 2019-09-27 | 2020-02-21 | 兰州大方电子有限责任公司 | 一种地形订正降水面雨量的方法 |
| CN111639437B (zh) * | 2020-06-08 | 2021-03-23 | 中国水利水电科学研究院 | 一种基于地面气压分布形势动态改变wrf模式参数化方案组合的方法 |
| CN111832828B (zh) * | 2020-07-17 | 2023-12-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于风云四号气象卫星的智能降水预测方法 |
| CN113592132B (zh) * | 2021-04-29 | 2022-04-05 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种基于数值天气预报和人工智能的降水客观预报方法 |
| CN115545344B (zh) * | 2022-11-07 | 2023-07-21 | 长江水利委员会长江科学院 | 山洪小流域雨量站网布局优化方法 |
-
2018
- 2018-08-09 CN CN201810902495.5A patent/CN109143408B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
| Title |
|---|
| 《一种基于深度网络的多环境因素降水量预报模型》;张鹏程 等;《计算机应用与软件》;20170915;第34卷(第9期);240-245，261 * |
| 《基于模块神经网络的非线性降雨径流模拟研究》;刘会 等;《安徽农业科学》;20141110(第32期);11582-11584，11587 * |
| 《基于神经网络和模型集成的短时降雨预测方法》;郭尚瓒 等;《气象科技进展》;20170215;第107-113页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109143408A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
| CN111815037B (zh) | 一种基于注意力机制的可解释性短临极端降雨预测方法 | |
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
| CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN113283588B (zh) | 一种基于深度学习的近岸单点海浪浪高预报方法 | |
| CN111723929A (zh) | 一种基于神经网络的数值预报产品订正方法、装置和系统 | |
| CN110059852A (zh) | 一种基于改进随机森林算法的股票收益率预测方法 | |
| CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
| CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
| CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
| CN110363349A (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
| CN108960421A (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
| Zhang et al. | Surface and high-altitude combined rainfall forecasting using convolutional neural network | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN116826737A (zh) | 一种光伏功率的预测方法、装置、存储介质及设备 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
| CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
| CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201211 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |