CN114611788A - 一种基于gru网络的寒潮天气客观判别方法 - Google Patents
一种基于gru网络的寒潮天气客观判别方法 Download PDFInfo
- Publication number
- CN114611788A CN114611788A CN202210229070.9A CN202210229070A CN114611788A CN 114611788 A CN114611788 A CN 114611788A CN 202210229070 A CN202210229070 A CN 202210229070A CN 114611788 A CN114611788 A CN 114611788A
- Authority
- CN
- China
- Prior art keywords
- data
- cold
- time
- sequence
- weather
- 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.)
- Withdrawn
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"
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于GRU网络的寒潮天气客观判别方法,一种基于GRU网络的寒潮天气客观判别方法,包括以下步骤:步骤S1、对原始环境数据预处理,划分训练集和测试集后对训练集数据进行归一化处理;步骤S2、根据历史时间步长和提前预测时长对数据进行分组,利用GRU网络通过门控循环单元长时间学习历史序列数据中有用信息;步骤S3、依据数据特征采用双阶段注意力机制计算数据极值并预测目标序列,引入评价指标衡量目标序列预测结果;步骤S4、根据目标序列预测结果分析数据相关性,判断寒潮日期,通过权值判据,能够生动形象地把寒潮天气的发展形态完美地刻画出来,给使用者预报寒潮天气提供很大的便利,有效地提高了寒潮天气预测的准确性。
Description
技术领域
本发明涉及寒潮天气预测技术领域,具体涉及一种基于GRU网络的寒潮天气客观判别方法及系统。
背景技术
寒潮是一种大规模强冷空气活动的过程,影响我国的寒潮一般由来自欧亚大陆的强冷空气在特定环流形势下堆积、向南爆发,并伴随的剧烈降温、大风和雨雪天气,对我国人民生产生活造成严重影响。寒潮影响程度和范围与寒潮的强度和路径直接相关,因此对影响我国的寒潮路径和强度的研究具有非常重要的意义。
近年来,国内外数值模式预报能力不断提高,不仅其产品种类大量增加,而且产品的时空分辨率也逐步提高,得到气象业务和科研人员广泛的使用。对数值模式预报产品的释用方法也进行了大量的研究,并取得了丰硕的研究成果,在业务应用中得到了良好的使用效果。
针对现有的基于数值模式逐日预报的结果进行判断,能表征寒潮强度的要素预报也需要对模式预报产品进行释用,比如,寒潮天气过程中,冷空气的移动路径、方向以及强度变化等都需要通过对数值模式的释用进行判定识别,寒潮天气过程中地面降温幅度、地面最低气温等气象要素,也需要从数值模式逐日预报的结果中提取出来,但是由于原始环境数据的波动性,导致预测寒潮时间段函数模型较为复杂,且寒潮天气实时预测的准确性有待提高。
发明内容
本发明的目的在于提供一种基于GRU网络的寒潮天气客观判别方法,以解决现有技术中现有算法模型难以精确建立寒潮天气预测模型、预判寒潮天气时间段的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于GRU网络的寒潮天气客观判别方法,包括以下步骤:
步骤S1、对原始环境数据预处理,设置温度、风速数据的时间分辨率,划分训练集和测试集后对训练集数据进行归一化处理;
步骤S2、根据历史时间步长和提前预测时长对数据进行分组,利用GRU网络通过门控循环单元长时间学习历史序列数据中有用信息,遗忘无用信息并提取数据特征;
步骤S3、依据数据特征采用双阶段注意力机制计算数据极值并预测目标序列,引入评价指标衡量目标序列预测结果;
步骤S4、根据目标序列预测结果分析数据相关性,判断寒潮日期。
作为本发明的一种优选方案,所述步骤S1中,将所述原始环境数据进行变换将其限制在一定范围内,采用数据归一化处理消除数据指标间的量纲影响,所述数据归一化计算公式为:
其中,xscale表示归一化预处理后的数据,x表示原始数据,min x表示样本数据的最小值,max x表示样本数据的最大值;
对所述归一化预处理后的数据采用平均值法,通过前n时刻相邻时间段的平均值对缺失数据进行补齐,其公式为:
作为本发明的一种优选方案,依据所述归一化处理后的数据采用双层GRU网络释放数值模式,提取特征数据,具体的:
根据原始数据历史时刻取值(y1,y2,…,yT-1)和驱动序列历史值、当前时刻的取值(X1,X2,…,XT)得到当前目标序列的预测值,其公式如下:
其中,F(·)表示双层GRU网络模型需要学习的非线性函数。
作为本发明的一种优选方案,对所述输入序列Xt采用双阶段注意力机制使用LSTM网络为映射函数捕获时间序列中的长期依赖性,具体的:
作为本发明的一种优选方案,所述输入序列Xt从数据库中定时获取更新数据,按照时间序列存储成二进制格式,对所述输入序列Xt构造数据集预测模型,所述预测模型将预处理后的寒潮流数据和对应的天气数据作为训练模型的输入变量,输出变量为寒潮流的预测值。
作为本发明的一种优选方案,所述数据集预测模型的具体步骤为:
设预测模型的输入样本训练集为xi,寒潮流数据集输入为a,天气数据集输入为b,则训练集xi表达式为:
xi={(a,b)}
{(a,b)}={(a1,b1),(a2,b2),…,(ai,bi)}
b={b1,b2,…,bj}
其中,{(a,b)}表示不同时刻的交通数据和天气数据,b表示不同天气因素的数据,bj表示第j个天气因素的天气数据。
作为本发明的一种优选方案,计算所述训练集xi的数据极值并预测目标序列,其步骤为:
首先、根据训练集xi中处理好的6小时间隔最低温度数据,计算出逐日的最低温度;
其次、利用最低温度的格点数据采用临近点插值的方法插值到站点上,将插值好的站点数据获取事先选取的指标站点,计算未来24小时内、48小时内和72小时内最低温度的变化值;
再者、对事先选取的指标站点,按照寒潮判定指标日最低温度和最低温度的变化值等标准逐一进行判断,确定寒潮发生时间段;
最后、建立文件夹存储确定寒潮发生的时间段,作为寒潮产品存放目录。
作为本发明的一种优选方案,判别所述预测目标序列的寒潮路径,具体包括:
首先,依据寒潮发生时间段读取6小时间隔2米最低气温,处理成12小时间隔08-08时24小时最低气温,将数据存储为格点资料;
其次、根据12小时间隔的日最低气温,计算12小时间隔的24小时日最低气温的变化值;
再者、通过simulink仿真程序自动在区域内选择日最低气温24小时变温场的最低值中心,并按照时间顺序,从西向东,从北向南逐日寻找最低值中心,将寻找到的最低值中心用短线连接,生成寒潮路径曲线;
最后、将寒潮路径曲线叠加成24小时变温色斑图,以动画的形式显示寒潮路径和变温场的叠加图。
作为本发明的一种优选方案,保存所述寒潮路径数据和变温场基础数据,作为表述寒潮特征的客观预报产品。
作为本发明的一种优选方案,结合所述寒潮发生时间段数据,以集合预报模式计算寒潮发生的概率。
本发明与现有技术相比较具有如下有益效果:
本发明通过从数值模式预报中获取数据信息,利用神经网络构建基于门控循环单元GRU的预测模型,捕捉时间序列数据中的信息变化特征,学习数据之间的依赖关系,采用双阶段注意力机制学习目标变量的历史时序信息,把一些重要要素提取出来并进行释放得到预报产品,实现对未来时刻的预测,通过权值判据,识别未来一个月内可能出现的寒潮时间段,并定性、定量地描述出寒潮天气的特点,最后以图片的形式展现出来,更加生动形象地把寒潮天气的发展形态完美地刻画出来,给使用者预报寒潮天气提供很大的便利,有效地提高了寒潮天气预测的准确性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的基于GRU网络的寒潮天气客观判别方法流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
如图1所示,本发明提供了一种基于GRU网络的寒潮天气客观判别方法,包括以下步骤:
步骤S1、对原始环境数据预处理,设置温度、风速数据的时间分辨率,划分训练集和测试集后对训练集数据进行归一化处理;
步骤S2、根据历史时间步长和提前预测时长对数据进行分组,利用GRU网络通过门控循环单元长时间学习历史序列数据中有用信息,遗忘无用信息并提取数据特征;
步骤S3、依据数据特征采用双阶段注意力机制计算数据极值并预测目标序列,引入评价指标衡量目标序列预测结果;
步骤S4、根据目标序列预测结果分析数据相关性,判断寒潮日期。
本实施例中,原始时间序列数据经过预处理后输入至GRU网络模块,GRU网络模块中包括两层隐藏层,每层隐藏层内有很多门控循环单元,通过门控循环单元长时间学习历史序列数据中有用信息,遗忘无用信息并提取数据特征;其次,将GRU模块的输出作为CNN模块的输入,通过CNN模块进一步提取序列的深层局部特征,CNN模块的结构包括两个卷积层和一个全连接层,每个卷积层包含一次卷积操作和一次汇聚操作;最后,通过全连接层处理后输出预测结果。
本实施例中,采用双层GRU网络能够更好地学习历史寒潮数据中的时间序列关系,计算损失函数对于每个数据参数的偏导数,从而预测寒潮流的极值。
所述步骤S1中,将所述原始环境数据进行变换将其限制在一定范围内,采用数据归一化处理消除数据指标间的量纲影响,所述数据归一化计算公式为:
其中,xscale表示归一化预处理后的数据,x表示原始数据,min x表示样本数据的最小值,max x表示样本数据的最大值;
对所述归一化预处理后的数据采用平均值法,通过前n时刻相邻时间段的平均值对缺失数据进行补齐,其公式为:
本实施例中,由于采集的寒潮数据和天气数据在不同的时段数据量有明显的差别,为了方便预测模型的仿真,缩短程序的运行时间,归一化数据之后,使得所建立的预测模型更加准确。
本实施例中,采用平均值法对缺失数据进行补齐,以此来提高数据的完整性。
依据所述归一化处理后的数据采用双层GRU网络释放数值模式,提取特征数据,具体的:
根据原始数据历史时刻取值(y1,y2,…,yT-1)和驱动序列历史值、当前时刻的取值(X1,X2,…,XT)得到当前目标序列的预测值,其公式如下:
其中,F(·)表示双层GRU网络模型需要学习的非线性函数。
本实施例中,采用双阶段注意力机制引入时间注意力机制,在所有时间隐藏层状态中选择时间相关性最大的隐藏层状态,通过LSTM集成两种注意力机制,使用反向传播进行网络训练,通过双阶段注意力机制,能够自适应地选择相关性最大的输入特征,并捕获时间序列的长期依赖性。
对所述输入序列Xt采用双阶段注意力机制使用LSTM网络为映射函数捕获时间序列中的长期依赖性,具体的:
本实施例中,将输入序列Xt映射到编码器隐藏层状态,更好的捕获时间序列中的长期依赖性,引入注意力权重对输入序列Xt归一化处理获取相关性强的驱动序列作为新的输入序列降低了数据模型的复杂度,提高了数据处理效率。
所述输入序列Xt从数据库中定时获取更新数据,按照时间序列存储成二进制格式,对所述输入序列Xt构造数据集预测模型,所述预测模型将预处理后的寒潮流数据和对应的天气数据作为训练模型的输入变量,输出变量为寒潮流的预测值。
本实施例中,采用时间注意力机制能够学习目标变量历史时刻的时序信息实现对未来时刻的预测,输入注意力机制能自适应地为不同的输入驱动序列分配相应的权重,选择对当前目标变量影响最大的序列,作为目标变量预测的补充,通过引入时间注意力机制和输入注意力机制能够更加准确的实现提前预测。
所述数据集预测模型的具体步骤为:
设预测模型的输入样本训练集为xi,寒潮流数据集输入为a,天气数据集输入为b,则训练集xi表达式为:
xi={(a,b)}
{(a,b)}={(a1,b1),(a2,b2),…,(ai,bi)}
b={b1,b2,…,bj}
其中,{(a,b)}表示不同时刻的交通数据和天气数据,b表示不同天气因素的数据,bj表示第j个天气因素的天气数据。
本实施例中,所述训练集xi设置为目标变量,露点、大气压力、温度、累计降雪时间、累计降雨时间等作为输入驱动变量,驱动变量的维度为历史时间步长,将目标变量的输出维度设置为1,然后将数据划分为训练集、验证集和测试集,最后根据数据缺失情况进行填补并对进行归一化处理,预处理后将训练集数据代入模型进行训练。
计算所述训练集xi的数据极值并预测目标序列,其步骤为:
首先、根据训练集xi中处理好的6小时间隔最低温度数据,计算出逐日的最低温度;
其次、利用最低温度的格点数据采用临近点插值的方法插值到站点上,将插值好的站点数据获取事先选取的指标站点,计算未来24小时内、48小时内和72小时内最低温度的变化值;
再者、对事先选取的指标站点,按照寒潮判定指标日最低温度和最低温度的变化值等标准逐一进行判断,确定寒潮发生时间段;
最后、建立文件夹存储确定寒潮发生的时间段,作为寒潮产品存放目录。
本实施例中,所述数据时效有6小时间隔和12小时间隔两种,6小时间隔数据有:2米最低气温、2米气温、海平面气压、10米平均风速和风向、地面24小时雨量和雪量;12小时间隔数据有:500百帕位势高度、500百帕温度、850百帕温度。
判别所述预测目标序列的寒潮路径,具体包括:
首先,依据寒潮发生时间段读取6小时间隔2米最低气温,处理成12小时间隔08-08时24小时最低气温,将数据存储为格点资料;
其次、根据12小时间隔的日最低气温,计算12小时间隔的24小时日最低气温的变化值;
再者、通过simulink仿真程序自动在区域内选择日最低气温24小时变温场的最低值中心,并按照时间顺序,从西向东,从北向南逐日寻找最低值中心,将寻找到的最低值中心用短线连接,生成寒潮路径曲线;
最后、将寒潮路径曲线叠加成24小时变温色斑图,以动画的形式显示寒潮路径和变温场的叠加图。
保存所述寒潮路径数据和变温场基础数据,作为表述寒潮特征的客观预报产品。
结合所述寒潮发生时间段数据,以集合预报模式计算寒潮发生的概率。
本实施例中,依据所述寒潮数据的2米最低气温,计算寒潮时段内的最低温度和最低气温的降温幅度,应用画图工具生成等值线和色斑形式的图片;依据所述寒潮数据模型处理好的6小时间隔的海平面气压,计算出寒潮时段内的海平面气压最大值,应用画图工具生成色斑图;依据所述寒潮数据模型处理好的6小时间隔的10米平均风速,计算出寒潮时段内的风速的最大值以及相对应的风向,应用画图工具生成包含风速和风向的图片;依据所述寒潮数据模型处理好的6小时间隔的雨量和雪量,计算出寒潮时段内的日降雨量和日降雪量的最大值,应用画图工具生成色斑图;依据所述寒潮数据模型处理好的12小时间隔的500百帕位势高度和温度,计算出寒潮时段内的平均位势高度和位势高度的最低值,以等直线和色斑的形式绘图;依据所述寒潮数据模型处理好的12小时间隔的850百帕位温度,计算出寒潮时段内的平均温度和温度的最低值,以等直线和色斑的形式绘图,将以上信息保存到文件夹内。
本实施例中,未来一个月内寒潮发生的时间段,采用上述步骤逐日进行判断,并生成该时间段内的表述寒潮特征的客观预报产品,保存在相应时间段内的文件夹内,方便使用者应用。
本发明通过从数值模式预报中获取数据信息,利用神经网络构建基于门控循环单元GRU的预测模型,捕捉时间序列数据中的信息变化特征,学习数据之间的依赖关系,采用双阶段注意力机制学习目标变量的历史时序信息,把一些重要要素提取出来并进行释放得到预报产品,实现对未来时刻的预测,通过权值判据,识别未来一个月内可能出现的寒潮时间段,并定性、定量地描述出寒潮天气的特点,最后以图片的形式展现出来,更加生动形象地把寒潮天气的发展形态完美地刻画出来,给使用者预报寒潮天气提供很大的便利,有效地提高了寒潮天气预测的准确性。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种基于GRU网络的寒潮天气客观判别方法,其特征在于,包括以下步骤:
步骤S1、对原始环境数据预处理,设置温度、风速数据的时间分辨率,划分训练集和测试集后对训练集数据进行归一化处理;
步骤S2、根据历史时间步长和提前预测时长对数据进行分组,利用GRU网络通过门控循环单元长时间学习历史序列数据中有用信息,遗忘无用信息并提取数据特征;
步骤S3、依据数据特征采用双阶段注意力机制计算数据极值并预测目标序列,引入评价指标衡量目标序列预测结果;
步骤S4、根据目标序列预测结果分析数据相关性,判断寒潮日期。
5.根据权利要求4所述的一种基于GRU网络的寒潮天气客观判别方法,其特征在于,所述输入序列Xt从数据库中定时获取更新数据,按照时间序列存储成二进制格式,对所述输入序列Xt构造数据集预测模型,所述预测模型将预处理后的寒潮流数据和对应的天气数据作为训练模型的输入变量,输出变量为寒潮流的预测值。
6.根据权利要求5所述的一种基于GRU网络的寒潮天气客观判别方法,其特征在于,所述数据集预测模型的具体步骤为:
设预测模型的输入样本训练集为xi,寒潮流数据集输入为a,天气数据集输入为b,则训练集xi表达式为:
xi={(a,b)}
{(a,b)}={(a1,b1),(a2,b2),…,(ai,bi)}
b={b1,b2,…,bj}
其中,{(a,b)}表示不同时刻的交通数据和天气数据,b表示不同天气因素的数据,bj表示第j个天气因素的天气数据。
7.根据权利要求6所述的一种基于GRU网络的寒潮天气客观判别方法,其特征在于,计算所述训练集xi的数据极值并预测目标序列,其步骤为:
首先、根据训练集xi中处理好的6小时间隔最低温度数据,计算出逐日的最低温度;
其次、利用最低温度的格点数据采用临近点插值的方法插值到站点上,将插值好的站点数据获取事先选取的指标站点,计算未来24小时内、48小时内和72小时内最低温度的变化值;
再者、对事先选取的指标站点,按照寒潮判定指标日最低温度和最低温度的变化值等标准逐一进行判断,确定寒潮发生时间段;
最后、建立文件夹存储确定寒潮发生的时间段,作为寒潮产品存放目录。
8.根据权利要求7所述的一种基于GRU网络的寒潮天气客观判别方法,其特征在于,判别所述预测目标序列的寒潮路径,具体包括:
首先,依据寒潮发生时间段读取6小时间隔2米最低气温,处理成12小时间隔08-08时24小时最低气温,将数据存储为格点资料;
其次、根据12小时间隔的日最低气温,计算12小时间隔的24小时日最低气温的变化值;
再者、通过simulink仿真程序自动在区域内选择日最低气温24小时变温场的最低值中心,并按照时间顺序,从西向东,从北向南逐日寻找最低值中心,将寻找到的最低值中心用短线连接,生成寒潮路径曲线;
最后、将寒潮路径曲线叠加成24小时变温色斑图,以动画的形式显示寒潮路径和变温场的叠加图。
9.根据权利要求8所述的一种基于GRU网络的寒潮天气客观判别方法,其特征在于,保存所述寒潮路径数据和变温场基础数据,作为表述寒潮特征的客观预报产品。
10.根据权利要求9所述的一种基于GRU网络的寒潮天气客观判别方法,其特征在于,结合所述寒潮发生时间段数据,以集合预报模式计算寒潮发生的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210229070.9A CN114611788A (zh) | 2022-03-10 | 2022-03-10 | 一种基于gru网络的寒潮天气客观判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210229070.9A CN114611788A (zh) | 2022-03-10 | 2022-03-10 | 一种基于gru网络的寒潮天气客观判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611788A true CN114611788A (zh) | 2022-06-10 |
Family
ID=81861462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210229070.9A Withdrawn CN114611788A (zh) | 2022-03-10 | 2022-03-10 | 一种基于gru网络的寒潮天气客观判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631090A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
-
2022
- 2022-03-10 CN CN202210229070.9A patent/CN114611788A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631090A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
CN117631090B (zh) * | 2024-01-25 | 2024-05-14 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN111639748B (zh) | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
CN109583645A (zh) | 一种公共楼宇短期负荷预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
CN116562414A (zh) | 一种基于多源水文气象数据的陆地水储量变化预测方法 | |
CN114611788A (zh) | 一种基于gru网络的寒潮天气客观判别方法 | |
Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN109190800A (zh) | 一种基于spark框架的海面温度预测方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
Nizar et al. | Forecasting of temperature by using LSTM and bidirectional LSTM approach: case study in Semarang, Indonesia | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
CN115860165A (zh) | 一种考虑初损的神经网络流域降雨径流预报方法及系统 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN112529268A (zh) | 一种基于流形学习的中短期负荷预测方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220610 |
|
WW01 | Invention patent application withdrawn after publication |