CN112149349A - 一种基于深层神经网络的台风路径预报方法 - Google Patents
一种基于深层神经网络的台风路径预报方法 Download PDFInfo
- Publication number
- CN112149349A CN112149349A CN202010993580.4A CN202010993580A CN112149349A CN 112149349 A CN112149349 A CN 112149349A CN 202010993580 A CN202010993580 A CN 202010993580A CN 112149349 A CN112149349 A CN 112149349A
- Authority
- CN
- China
- Prior art keywords
- forecasting
- longitude
- typhoon path
- typhoon
- model
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical 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深层神经网络的台风路径预报方法，包括：S1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果；S2、将步骤S1中获取的m个预报机构的台风路径预报结果按预报机构顺序排列成2个m×1大小的矩阵；S3、将步骤S2中的矩阵分别输入台风路径预报模型，得到台风路径预报结果。本发明构建的DNN台风路径预报模型，不需要占用庞大的计算机资源，耗时极短，计算效率高。与传统的集合预报方法相比，该方法是一种非线性的方法，能更好地模拟不同输入因子之间的相互作用，并且不需要人工调整经验参数，保证了方法的客观性与准确性。
Description
技术领域
本发明属于大气技术领域，涉及一种基于深层神经网络的台风路径预报方法。
背景技术
台风在是热带海洋上生成的强烈天气过程。台风期间，在强风和低压的作用下，台风往往会引发山洪爆发、城市内涝、山体滑坡、泥石流等，对人类生命和财产造成巨大 的损害。西北太平洋不仅是世界上台风生成数量最多的海盆，也是唯一一个一年四季都 能观测到台风活动的海盆。对台风路径的预报有助于人们提前做好防范，减少损失。
现有的台风路径预报的主要手段之一是采用动力模型，通过数值求解控制大气运动 的物理方程，预报台风未来的移动趋势。但是，这种方法受到诸多因素的影响，包括物理模型本身的对流方案、行星边界层方案、长短波辐射方案、云微物理、次网格扩散等， 以及模型所用的同化方法。而且，模型需要占用庞大的计算机资源并消耗大量的计算时 间。台风路径预报的另一种方法---统计预报模型则是建立在台风路径与不同大气参数 之间的历史关系之上，但是，这种方法主要基于对少数统计特征的简单回归，其预报精 度仍有待提高。一些区域气象中心，如美国的国家飓风中心(NHC)，通常采用集合预报 方法，将不同动力模型或机构对台风路径的预报结果结合起来，利用特定的公式进行拟 合，得到最终的预报结果。但是，这类公式需要给定经验参数对预报结果进行校正，不 同经验参数会给预报结果带来一定的影响。
发明内容
发明目的：本发明的目的是提供一种基于深层神经网络的台风路径预报方法。
技术方案：本发明的一种基于深层神经网络的台风路径预报方法，包括以下步骤：
S1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果；
S2、将步骤S1中获取的m个预报机构的台风路径预报结果按预报机构顺序排列成2个m×1大小的矩阵；
S3、将步骤S2中的矩阵分别输入台风路径预报模型，得到台风路径预报结果。
进一步的，步骤S1中m个预报机构的台风路径预报结果包括需要预报时刻的台风经度和纬度。
进一步的，步骤S2具体为：将步骤S1获取的m个预报机构的台风路径预报结果 中的经度和纬度按照预报机构的顺序分别排列成1个m×1大小的经度矩阵和一个m×1 大小的纬度矩阵，其中，经度矩阵为：[预报机构1预报的经度，预报机构2预报的经 度，...，预报机构m预报的经度]，纬度矩阵为：[预报机构1预报的纬度，预报机构2 预报的纬度，...，预报机构m预报的纬度]。
进一步的，步骤S3具体为：台风路径预报模型包括台风路径经度预报模型和台风路径纬度预报模型，将步骤S2中提取的经度矩阵和纬度矩阵分别输入台风路径经度预 报模型和台风路径纬度预报模型，得到预报的台风路径的经度和纬度。
更进一步的，台风路径经度预报模型和台风路径纬度预报模型基于深层神经网络进 行构建，具体包括以下步骤：
S31、构建学习m个预报机构的台风路径预报结果之间学习非线性过程的全连接层模块，首先构建台风路径经度预报模型，利用Keras内置的Sequential顺序模块，首先 添加输入层，输入层输入数据为步骤S2中生成的m×1大小的经度矩阵；然后两个全连 接层，第一个全连接层包含6个节点，第二个隐藏层包含4个节点；最后添加输出层， 输出为预报值，选择‘sigmoid’为各层的激活函数σ(x)，其具体形式为：
其中，e是自然对数的底数，x为每层的输出，σ(x)为每层的输入，选择‘mae’作为模型 的损失函数，其具体形式为：
其中，y是经度预报模型预报 的24小时后台风经度，y_是24小时后台风的真实经度，n为训练组数据或验证组数 据或测试组数据的样本数量；
S32、收集m个预报机构台风历史预报数据，并将其划分为训练组数据、验证组数据和测试组数据，训练组数据用于训练台风路径经度预报模型并确定台风路径经度预报模型中全连接层之间连线的权重大小，验证组数据用于验证台风路径经度预报模型在训练过程中是否过拟合，测试组数据用于验证台风路径经度预报模型性能；
S33、将台风路径经度预报模型的训练组数据和验证组数据输入台风路径经度预报 模型，设置初始迭代次数epoch＝10000，初始批次大小batchsize＝200，初始学习率为0.001，每迭代500次学习率减小为0.5倍，设置损失函数为mae，优化函数为SGD；
S34、通过调用Keras内置的model.fit函数来训练台风路径经度预报模型，并添加回调函数，保存迭代过程中对验证组损失函数值最小的台风路径经度预报模型，命名为 台风路径经度预报模型A，待台风路径经度预报模型迭代次数完成后保存最后的台风路 径经度预报模型，命名为台风路径经度预报模型B；利用测试组数据对台风路径经度预 报模型A和台风路径经度预报模型B预报的经度进行检验，取误差最小的台风路径经 度预报模型作为最终的台风路径经度预报模型；
S35、然后按照步骤S31～S34的方法构建台风路径纬度预报模型，同样构建1个输入层，1个6个节点的全连接层，1个4个节点的全连接层，1个输出层；与台风路径经 度预报模型不同的是：将输入层输入数据替换成m×1的纬度矩阵，其他设置相同；最 终训练得到台风路径纬度预报模型A和台风路径纬度预报模型B，同样利用测试组数据 对预报的纬度进行检验，取误差最小的台风路径纬度预报模型作为最终的台风路径纬度 预报模型。
有益效果：与现有技术相比，本发明具有以下优点：
(1)本发明构建的基于深层神经网络(Deep Neural Network，DNN)的台风路径 预报模型，不需要占用庞大的计算机资源，耗时极短(几秒)，计算效率高。
(2)本发明构建的基于深层神经网络(DNN)的台风路径预报模型，相比一般的 集合预报方法，是一种非线性的方法，能更好地模拟不同输入因子之间的相互作用，并 且不需要人工调整经验参数，保证了方法的客观性与准确性。
(3)本发明构建的基于深层神经网络(DNN)的台风路径预报模型的预报精度优 于一般的集合预报方法。
附图说明
图1是本发明方法流程图；
图2是本发明神经网络框架图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示，本发明的基于深层神经网络(DNN)的台风路径预报方法，包括以下 步骤：
S1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果，包括需要预 报时刻各预报机构预报的台风经度和纬度；
本发明实施例以中国和日本官方的台风路径预报结果为例进行说明。台风路径预报 结果包括需要预报时刻中国和日本官方预报的台风经度和纬度，例如当前时刻是2020年7月30日14时，需要预报24小时后(即2020年7月31日14时)的台风路径，则 需要获取m个预报机构(即中国和日本官方机构)于2020年7月30日14时发布的24 小时台风路径预报信息。
S2、将步骤S1中的经度和纬度按照选择的m个预报机构的预报结果的顺序排列成2个m×1大小的矩阵，即1个m×1大小的经度矩阵和一个m×1大小的纬度矩阵；例如 m个预报机构预报的台风经纬度分别是(120°E，20°N)、(121°E，21°N)...、(122°E， 22°N)。则重新组合成经度矩阵[预报机构1预报的经度，预报机构2预报的经度，...， 预报机构m预报的经度]，即[120°E，121°E，...，122°E]和纬度矩阵[预报机构1预报的 纬度，预报机构2预报的纬度，...，预报机构m预报的纬度]，即[20°N，21°N，...，22°N] 两个矩阵。
以中国和日本官方机构为例，中国、日本官方预报结果的顺序排列成2个2×1大小的矩阵，例如中国和日本官方预报的台风经纬度分别是(120°E，20°N)和(121°E，21°N)。 则重新组合成经度矩阵[中国预报的经度，日本预报的经度]，即[120°E，121°E]和纬度 矩阵[中国预报的纬度，日本预报的纬度]，即[20°N，21°N]两个矩阵。
S3、将步骤S2中提取的经度矩阵和纬度矩阵分别输入台风经度预报模型和台风纬度预报模型，得到本方法预报的经度和纬度。例如，将步骤S2中提取的经度矩阵[120°E，121°E,...,122°E]输入构建好的经度预报模型，首先m个输入值经过m*6条连线即乘以 m*6个权重并由激活函数非线性化，得到第一个全连接层的6个值；然后经过24条连 线并通过激活函数得到第二个全连接层的4个值；最终通过4条连线和激活函数得到1 个输出值，该输出值即为模型修正过的预报值[119.3°E]。
其中台风经度预报模型和台风纬度预报模型采用基于深层神经网络进行构建，构建 时需要安装python编程软件，并需要配备temsorflow-1.14.0，keras-2.2.4依赖包，即在 电脑中安装基于Python的深度学习库Keras，并使用TensorFlow作为后端。
台风经度预报模型和台风纬度预报模型构建过程如下：
(1)构建学习m个预报机构台风路径预报结果之间学习非线性过程的全连接层模块，首先构建经度预报模型，利用Keras内置的Sequential顺序模块，首先添加输入层， 输入层输入数据为步骤S2中生成的m×1大小的经度矩阵；然后两个全连接层，第一个 全连接层包含6个节点，第二个隐藏层包含4个节点；最后添加输出层，输出为预报值。 选择‘sigmoid’为各层的激活函数σ(x)，其具体形式为：
其中，e是自然 对数的底数，x为每层的输出，σ(x)为每层层的输入，选择‘mae’作为模型的损失函数， 其具体形式为：
其中，y是模型预报值，y_是真实值，n为 总样本数量。本发明共构建两个台风预报模型，一个模型用于预报经度，一个模型用于 预报纬度；
(2)收集m个预报机构台风历史预报数据，并将其划分为训练组数据、验证组数 据和测试组数据，训练组数据用于训练经度预报模型并确定经度预报模型中全连接层之 间连线的权重大小，验证组数据用于验证经度预报模型在训练过程中是否过拟合，测试 组数据用于验证经度预报模型性能；
本发明实施例共收集到2004-2018年中、日官方预报数据，其中2004-2015年的预报数据按照4：1的比例划分为训练组和验证组，2016-2018年的预报数据划分为测试组， 训练组数据用于训练模型并确定模型中全连接层之间连线的权重大小，验证组用于验证 模型在训练过程中是否过拟合，测试组用于验证模型性能；
(3)将经度预报模型的训练组数据和验证组数据输入经度预报模型，设置初始迭代次数epoch＝10000，初始批次大小batchsize＝200，初始学习率为0.001，每迭代500 次学习率减小为0.5倍，设置损失函数为mae，优化函数为SGD；
(4)通过调用Keras内置的model.fit函数来训练经度预报模型，并添加回调函数，保存迭代过程中对验证组损失函数值最小的经度预报模型，命名为经度预报模型A，待 经度预报模型迭代次数完成后保存最后经度预报模型，命名为经度预报模型B；利用测 试组数据对经度预报模型A和经度预报模型B预报的经度进行检验，取误差最小的经 度预报模型作为最终经度预报模型；
(5)然后按照步骤S31～S34的方法构建纬度预报模型，同样构建1个输入层，1 个6个节点的全连接层，1个4个节点的全连接层，1个输出层；与经度预报模型不同 的是：将输入层输入数据替换成m×1的纬度矩阵，其他设置相同；最终训练得到纬度 预报模型A和纬度预报模型B，同样利用测试组数据对预报的纬度进行检验，取误差最 小的纬度预报模型作为最终纬度预报模型。
本发明的优点在于构建的基于深层神经网络(DNN)台风路径预报模型，不需要占用庞大的计算机资源，耗时极短，计算效率高。与传统的集合预报方法相比，该方法是 一种非线性的方法，能更好地模拟不同输入因子之间的相互作用，并且不需要人工调整 经验参数，保证了方法的客观性与准确性。而且，本发明构建的基于深层神经网络(DNN) 的台风路径预报模型的预报精度优于参与模型计算的各机构官方预报和一般的集合预 报方法(见表1)。
表1本发明与各机构和一般集合预报方法台风路径预报精度对比(2016-2018年台风)
Claims (5)
1.一种基于深层神经网络的台风路径预报方法，其特征在于，包括以下步骤：
S1、确定要预报的时刻，并获取m个预报机构的台风路径预报结果；
S2、将步骤S1中获取的m个预报机构的台风路径预报结果按预报机构顺序排列成2个m×1大小的矩阵；
S3、将步骤S2中的矩阵分别输入台风路径预报模型，得到台风路径预报结果。
2.根据权利要求1所述的基于深层神经网络的台风路径预报方法，其特征在于，步骤S1中m个预报机构的台风路径预报结果包括需要预报时刻的台风经度和纬度。
3.根据权利要求1所述的基于深层神经网络的台风路径预报方法，其特征在于，步骤S2具体为：将步骤S1获取的m个预报机构的台风路径预报结果中的经度和纬度按照预报机构的顺序分别排列成1个m×1大小的经度矩阵和一个m×1大小的纬度矩阵，其中，经度矩阵为：[预报机构1预报的经度，预报机构2预报的经度，...，预报机构m预报的经度]，纬度矩阵为：[预报机构1预报的纬度，预报机构2预报的纬度，...，预报机构m预报的纬度]。
4.根据权利要求1所述的基于深层神经网络的台风路径预报方法，其特征在于，步骤S3具体为：台风路径预报模型包括台风路径经度预报模型和台风路径纬度预报模型，将步骤S2中提取的经度矩阵和纬度矩阵分别输入台风路径经度预报模型和台风路径纬度预报模型，得到预报的台风路径的经度和纬度。
5.根据权利要求4所述的基于深层神经网络的台风路径预报方法，其特征在于，台风路径经度预报模型和台风路径纬度预报模型基于深层神经网络进行构建，具体包括以下步骤：
S31、构建学习m个预报机构的台风路径预报结果之间学习非线性过程的全连接层模块，首先构建台风路径经度预报模型，利用Keras内置的Sequential顺序模块，首先添加输入层，输入层输入数据为步骤S2中生成的m×1大小的经度矩阵；然后两个全连接层，第一个全连接层包含6个节点，第二个隐藏层包含4个节点；最后添加输出层，输出为预报值，选择‘sigmoid’为各层的激活函数σ(x)，其具体形式为：
其中，e是自然对数的底数，x为每层的输出，σ(x)为每层的输入，选择‘mae’作为模型的损失函数，其具体形式为：
其中，y是经度预报模型预报的24小时后台风经度，y_是24小时后台风的真实经度，n为训练组数据或验证组数据或测试组数据的样本数量；
S32、收集m个预报机构台风历史预报数据，并将其划分为训练组数据、验证组数据和测试组数据，训练组数据用于训练台风路径经度预报模型并确定台风路径经度预报模型中全连接层之间连线的权重大小，验证组数据用于验证台风路径经度预报模型在训练过程中是否过拟合，测试组数据用于验证台风路径经度预报模型性能；
S33、将台风路径经度预报模型的训练组数据和验证组数据输入台风路径经度预报模型，设置初始迭代次数epoch＝10000，初始批次大小batchsize＝200，初始学习率为0.001，每迭代500次学习率减小为0.5倍，设置损失函数为mae，优化函数为SGD；
S34、通过调用Keras内置的model.fit函数来训练台风路径经度预报模型，并添加回调函数，保存迭代过程中对验证组损失函数值最小的台风路径经度预报模型，命名为台风路径经度预报模型A，待台风路径经度预报模型迭代次数完成后保存最后的台风路径经度预报模型，命名为台风路径经度预报模型B；利用测试组数据对台风路径经度预报模型A和台风路径经度预报模型B预报的经度进行检验，取误差最小的台风路径经度预报模型作为最终的台风路径经度预报模型；
S35、然后按照步骤S31～S34的方法构建台风路径纬度预报模型，同样构建1个输入层，1个6个节点的全连接层，1个4个节点的全连接层，1个输出层；与台风路径经度预报模型不同的是：将输入层输入数据替换成m×1的纬度矩阵，其他设置相同；最终训练得到台风路径纬度预报模型A和台风路径纬度预报模型B，同样利用测试组数据对预报的纬度进行检验，取误差最小的台风路径纬度预报模型作为最终的台风路径纬度预报模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010993580.4A CN112149349A (zh) | 2020-09-21 | 2020-09-21 | 一种基于深层神经网络的台风路径预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010993580.4A CN112149349A (zh) | 2020-09-21 | 2020-09-21 | 一种基于深层神经网络的台风路径预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149349A true CN112149349A (zh) | 2020-12-29 |
Family
ID=73893349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010993580.4A Pending CN112149349A (zh) | 2020-09-21 | 2020-09-21 | 一种基于深层神经网络的台风路径预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149349A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036983A (zh) * | 2023-10-08 | 2023-11-10 | 中国海洋大学 | 一种基于物理增强深度学习的台风中心定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107204615A (zh) * | 2017-06-12 | 2017-09-26 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
| CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
| CN109993335A (zh) * | 2017-12-29 | 2019-07-09 | 中国电力科学研究院有限公司 | 一种用于风电功率的概率预报方法及系统 |
-
2020
- 2020-09-21 CN CN202010993580.4A patent/CN112149349A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107204615A (zh) * | 2017-06-12 | 2017-09-26 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
| CN109993335A (zh) * | 2017-12-29 | 2019-07-09 | 中国电力科学研究院有限公司 | 一种用于风电功率的概率预报方法及系统 |
| CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 中国环境监测总站编: "《环境空气质量预报预警方法技术指南》", 30 June 2014 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117036983A (zh) * | 2023-10-08 | 2023-11-10 | 中国海洋大学 | 一种基于物理增强深度学习的台风中心定位方法 |
| CN117036983B (zh) * | 2023-10-08 | 2024-01-30 | 中国海洋大学 | 一种基于物理增强深度学习的台风中心定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vecchi et al. | Statistical–dynamical predictions of seasonal North Atlantic hurricane activity | |
| Engelbrecht et al. | Multi-scale climate modelling over Southern Africa using a variable-resolution global model | |
| CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
| Liu et al. | A new statistical downscaling model for autumn precipitation in China | |
| US11874429B2 (en) | High-temperature disaster forecast method based on directed graph neural network | |
| CN112785034B (zh) | 基于融合神经网络的台风路径预报方法、系统、介质及终端 | |
| CN112766600B (zh) | 一种城市区域人群流量预测方法及系统 | |
| CN109726867A (zh) | 一种基于多模式集合的高分辨率电力气象预报方法 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN112149349A (zh) | 一种基于深层神经网络的台风路径预报方法 | |
| CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
| CN117114168A (zh) | 一种长时间尺度的海面温度智能预报方法 | |
| CN116579468A (zh) | 基于云系记忆的台风生成预测方法、装置、设备及介质 | |
| KR100928238B1 (ko) | 동중국해를 지나는 태풍 개수의 확률 계절 예측 방법 | |
| CN114862023A (zh) | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 | |
| CN115099499A (zh) | 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 | |
| CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
| CN106779134B (zh) | 基于支持向量机的钱塘江潮时预报方法 | |
| CN116449460B (zh) | 基于卷积UNet和迁移学习的区域月降水预测方法及系统 | |
| CN115049443B (zh) | 基于多尺度特征的自适应回归气象中长期优化方法及系统 | |
| CN116562142B (zh) | 一种气象要素延伸期预报方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |