CN117933299A - 用于气候预测的最优气候模态人工智能识别方法与系统 - Google Patents
用于气候预测的最优气候模态人工智能识别方法与系统 Download PDFInfo
- Publication number
- CN117933299A CN117933299A CN202410312661.1A CN202410312661A CN117933299A CN 117933299 A CN117933299 A CN 117933299A CN 202410312661 A CN202410312661 A CN 202410312661A CN 117933299 A CN117933299 A CN 117933299A
- Authority
- CN
- China
- Prior art keywords
- prediction
- climate
- relative trend
- abnormal relative
- factor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 96
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000006835 compression Effects 0.000 claims abstract description 22
- 238000007906 compression Methods 0.000 claims abstract description 22
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 19
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 37
- 210000002569 neuron Anatomy 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 2
- 230000001186 cumulative effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000001556 precipitation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 101100277337 Arabidopsis thaliana DDM1 gene Proteins 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 101150051432 SOM1 gene Proteins 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用于气候预测的最优气候模态人工智能识别方法与系统，该方法包括：计算预测因子与预测对象的异常相对倾向场；对预测因子与预测对象的异常相对倾向场进行奇异值分解；截取使累积协方差贡献达到95%的主要奇异值分解模态对预测因子的异常相对倾向场进行重构；将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。本申请能够通过人工智能方法提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗。
Description
技术领域
本申请涉及气候诊断与气候预测领域，并且更具体地，涉及一种用于气候预测的最优气候模态人工智能识别方法与系统。
背景技术
在气候预测领域，有效识别出影响预测对象的最优气候模态是做出准确可靠气候预测的关键。现有的识别技术主要包括以经验正交函数分解（Empirical OrthogonalFunction, EOF）为代表的统计降维方法和以卷积神经网络（Convolutional NeuralNetwork, CNN）为代表的机器学习方法。
目前，EOF等传统的统计降维方法只能处理变量内部与变量之间的线性关系，不能提取和利用历史数据中的非线性信息，从而制约了识别出的气候模态用于气候预测的效果；同时，EOF方法对于气候模态施加了正交性约束，可能使有实际物理意义的气候现象被分解至多个正交模态，而单独的模态在气候系统中实际并不存在。CNN方法将高维气象大数据输入复杂的模型后直接输出气候预测结果，不仅需要消耗大量计算资源，而且中间环节高度数学抽象，缺乏物理可解释性，不能说明影响预测对象的关键气候模态，从而使得这类模型在物理机制上的可靠性存疑。有鉴于此，如何提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗，成为亟待解决的问题。
发明内容
本申请提供了一种用于气候预测的最优气候模态人工智能识别方法与系统，本申请能够通过人工智能方法提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗。
第一方面，提供了一种用于气候预测的最优气候模态人工智能识别方法，所述方法包括：计算预测因子与预测对象的异常相对倾向场；对所述预测因子与预测对象的异常相对倾向场进行奇异值分解；截取使累积协方差贡献达到95%的主要奇异值分解模态对所述预测因子的异常相对倾向场进行重构；将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。
上述技术方案，与现有技术相比，具有如下优点：
（1）本申请能够提取历史数据中的非线性关系。相比普遍受到线性约束与正交性约束的现有技术，本申请通过人工智能方法提取历史数据中的非线性关系，对气象大数据中蕴含的变量特征与相互关系做出更加接近客观实在的描述。
（2）本申请具有更加明确可靠的物理可解释性。相比高度数学抽象、缺乏物理可解释性的现有技术，本申请通过人工智能方法识别出用于气候预测的最优气候模态，物理意义明确。
（3）本申请能够降低气象大数据复杂度，降低计算资源消耗。相比直接将气象大数据投入大型复杂模型进行计算，高耗能、高耗时的现有技术，本申请能够仅利用轻量级计算资源快速完成计算，针对气象大数据中对于气候预测对象有关键指示意义的最优气候模态进行人工智能识别，降低数据复杂度，为高效率、高精度和低能耗的气候预测提供支撑。
结合第一方面，在某些可能的实现方式中，用于获取所述预测因子与所述预测对象的时间尺度为逐年、逐月、逐旬和逐候中的任意一个。
结合第一方面和上述实现方式，在某些可能的实现方式中，所述预测因子的获取时间超前于所述预测对象的获取时间，或者，所述预测因子与所述预测对象是同时期获取的。
结合第一方面和上述实现方式，在某些可能的实现方式中，若所述时间尺度为逐年或逐月，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期1个时次数据得到。
结合第一方面和上述实现方式，在某些可能的实现方式中，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期2至3个时次数据的平均值得到；
若所述时间尺度为逐旬，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期2个时次数据的平均值得到；
若所述时间尺度为逐候，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期3个时次数据的平均值得到。
结合第一方面和上述实现方式，在某些可能的实现方式中，该方法还包括：将所述重构的预测因子的异常相对倾向场进行空间维度压缩，得到N×M的二维矩阵；其中，N表示时间维度的长度，M表示空间维度的长度；对所述二维矩阵沿所述时间维度进行均值为0、方差为1的标准化；将标准化的所述重构的预测因子的异常相对倾向场输入所述自组织映射人工智能神经网络，由竞争学习规则确定优势神经元；根据样本数据与所述优势神经元的映射关系，对所述重构的预测因子的异常相对倾向场进行聚类与合成，得到所述用于气候预测的最优气候模态。
结合第一方面和上述实现方式，在某些可能的实现方式中，所述自组织映射人工智能神经网络由一个输入层和一个输出层组成，所述输入层的神经元数目为M，所述输出层的神经元排列为S×S的二维方阵；
其中，S表示所述二维方阵的边长，所述二维方阵的边长根据N的取值确定；当N大于或者等于100时，若的小数值大于或者等于0.5时，S的取值为对/>向上取整数值，若/>的小数值小于0.5时，S的取值为对/>向下取整数值；当N大于或者等于50且小于100时，S的取值为5；当N小于50时，S的取值为3。
第二方面，提供了一种用于气候预测的最优气候模态人工智能识别系统，所述识别系统包括：
输入模块，用于将预测因子与预测对象的历史数据输入所述识别系统；
异常相对倾向计算模块，用于计算所述预测因子与预测对象的异常相对倾向场；
奇异值分解模块，用于对所述预测因子与预测对象的异常相对倾向场进行奇异值分解；
预测因子的异常相对倾向场重构模块，用于截取使累积协方差贡献达到95%的主要奇异值分解模态对所述预测因子的异常相对倾向场进行重构；
人工智能识别模块，用于将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，识别用于气候预测的最优气候模态；
输出模块，将所述用于气候预测的最优气候模态输出所述识别系统。
结合第二方面，在某些可能的实现方式中，所述人工智能识别模块由空间维度压缩子模块、时间维度标准化子模块、自组织映射子模块和聚类合成子模块组成；
所述空间维度压缩子模块用于，将所述重构的预测因子的异常相对倾向场进行空间维度压缩，得到N×M的二维矩阵；其中，N表示时间维度的长度，M表示空间维度的长度；
所述时间维度标准化子模块用于，对所述二维矩阵沿时间维度进行均值为0、方差为1的标准化；
所述自组织映射子模块用于，将标准化的所述重构的预测因子的异常相对倾向场输入所述自组织映射人工智能神经网络，由竞争学习规则确定优势神经元；
所述聚类合成子模块用于，根据样本数据与所述优势神经元的映射关系，对所述重构的预测因子的异常相对倾向场进行聚类与合成，得到所述用于气候预测的最优气候模态。
第三方面，提供一种计算机系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被加载至所述处理器时，实现上述第一方面或第一方面任意一种可能的实现方式中的用于气候预测的最优气候模态人工智能识别方法。
附图说明
图1是本申请实施例提供的一种用于气候预测的最优气候模态人工智能识别方法的示意性流程图；
图2是本申请实施例提供的自组织映射人工智能神经网络的输出层示意图；
图3是本申请实施例提供的样本数据与优势神经元的映射关系的示意图；
图4是本申请实施例提供的一种用于气候预测的最优气候模态人工智能识别系统的示意性流程图；
图5是本申请实施例提供的一种用于气候预测的最优气候模态人工智能识别系统的结构示意图；
图6是本申请实施例提供的一种计算机系统的结构示意图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行清楚、详尽地描述。其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B：文本中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。
图1是本申请实施例提供的一种用于气候预测的最优气候模态人工智能识别方法的示意性流程图。
示例性的，如图1所示，该方法100包括以下过程：
S110，计算预测因子与预测对象的异常相对倾向场。
示例性的，使用A国国家大气和海洋管理局公开发布的月平均大气向外长波辐射（Outgoing Longwave Radiation，OLR）数据（单位：瓦/平方米）作为预测因子，使用B国国家气候中心提供的B国160台站月平均降水量数据（单位：毫米）作为预测对象。
示例性的，OLR数据的纬度范围截取为南纬30度至北纬30度，以突出热带气候特征。
示例性的，预测因子与预测对象的数据变量时段取用1993至2022共30年，数据变量时段为历史数据。
在一个示例中，将时间尺度确定为逐年，且OLR数据在时间上超前于B国降水，例如将冬季确定为每年的1、2月和前一年12月，夏季为6、7、8月。获取OLR的冬季季节平均数据与B国降水的夏季季节平均数据，令每年数据减去前一年数据，计算得到OLR数据的异常相对倾向场与B国降水的异常相对倾向场。
S120，对预测因子与预测对象的异常相对倾向场进行奇异值分解。
示例性的，请结合前述实施例，计算前冬热带OLR与B国夏季降水异常相对倾向场的协方差矩阵，并计算该协方差矩阵的奇异值分解（Singular Value Decomposition，SVD）式，并获得各SVD模态的左奇异向量（对应前冬热带OLR）、右奇异向量（对应B国夏季降水）和奇异值。并根据奇异值计算各SVD模态的协方差贡献百分比。进一步地，还可以将前冬热带OLR异常相对倾向场投影至左奇异向量，获得左场投影系数。
S130，截取使累积协方差贡献达到95%的主要奇异值分解模态对预测因子的异常相对倾向场进行重构。
示例性的，请结合前述实施例，将各SVD模态根据其协方差贡献百分比降序排列，并计算累积协方差贡献。截取使得累积协方差贡献达到95%的数个主要SVD模态，利用其对应的左奇异向量和左场投影系数，通过矩阵乘法重构出前冬热带OLR异常相对倾向场。
例如，根据协方差贡献对SVD模态降序排列，前10个SVD模态的协方差贡献依次为：60.73%，9.64%，7.23%，3.68%，3.19%，3.12%，2.74%，2.31%，1.34%，1.14%，累积贡献达到95.12%，超过95%，故截取前10个SVD模态，利用左奇异向量和左场投影系数通过矩阵乘法对前冬热带OLR异常相对倾向场进行重构。通过这一步骤，原始前冬热带OLR异常相对倾向场中与B国夏季降水联系微弱的噪声部分得以去除。
S140，将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。
示例性的，请结合前述公开实施例。具体流程如下：
（a）将重构的前冬热带OLR异常相对倾向场的经度与纬度两个空间维度串联为单一维度，从而将重构的前冬热带OLR异常相对倾向场变形为“N×M”的二维矩阵，N表示时间维度的长度，M表示空间维度的长度。
（b）对重构前冬热带OLR异常相对倾向的二维矩阵沿时间维度进行标准化，使均值为0、方差为1。
（c）将标准化的重构前冬热带OLR异常相对倾向矩阵输入自组织映射（Self-Organizing Map，SOM）神经网络，由竞争学习规则确定优势神经元。由于本实施例采用的样本量为30，根据前述步骤说明，将SOM神经网络的输出层边长设为3，输出层神经元构成“3×3”的方阵。设定SOM神经网络的邻域函数为高斯函数，邻域半径为0.5，学习率为0.5，迭代10万次后停止计算。
例如，如图2所示，图2是本申请实施例提供的自组织映射人工智能神经网络的输出层示意图。30个重构前冬热带OLR异常相对倾向场样本数据被SOM神经网络映射到9个优势神经元上。其中，C1-C9分别表示9个优势神经元，阴影填色大小表示每一神经元与相邻神经元的平均归一化距离。神经元上方叠加的图形散点表示本申请实施例中使用的30个样本数据，当样本数据散点落在某一神经元区域中时，即表示SOM神经网络将相应样本数据映射到该神经元。
（d）根据如图2所示的样本数据与优势神经元的映射关系，对重构前冬热带OLR异常相对倾向场进行聚类与合成。
例如，如图3所示，图3是本申请实施例提供的样本数据与优势神经元的映射关系的示意图。对样本数据进行聚类与合成而得到的9个对应的SOM模态，即为本实施例通过人工智能方法识别出的可用于B国夏季旱涝预测的最优前冬热带气候模态，依次记为模态SOM1至模态SOM9。其中，模态SOM1至模态SOM3呈现厄尔尼诺（El Nino）的特征，特别地，模态SOM1对应2个样本数据，为1997/1998年和2015/2016年两次超级厄尔尼诺事件；模态SOM4至模态SOM6主要反映印度洋和海洋性大陆上空的对流活动特征；模态SOM7至模态SOM9呈现拉尼娜（La Nina）的特征。
本申请提供的一种用于气候预测的最优气候模态人工智能识别方法，能够有效识别出可用于B国夏季旱涝预测的最优前冬热带气候模态。具体地，本实施例识别出的气候模态反映了厄尔尼诺与拉尼娜之间的非线性与非对称特征，表明本申请克服了现有技术的线性约束缺陷；各气候模态之间具有演变关系，表明本申请克服了现有技术的正交性约束缺陷；各气候模态突出反映了热带的气候特征，表明本申请克服了现有技术缺乏物理可解释性的缺陷；本实施例使用轻量级计算资源即可实现，表明本申请克服了现有技术消耗大量计算资源的缺陷。
图4是本申请实施例提供的一种用于气候预测的最优气候模态人工智能识别系统的示意性流程图。
示例性的，如图4所示，采用该系统执行上述方法的包括以下过程：
S410，输入预测因子与预测对象的历史数据。
可选地，根据预测对象确定预测因子，预测因子为影响预测对象的一个影响因素。例如，预测对象包括降水量数据，预测因子包括大气向外长波辐射数据。
需要说明的是，输入用于气候预测的最优气候模态人工智能识别系统的数据为早于当前时刻的历史时间对应的预测因子与预测对象，即预测因子与预测对象的历史数据。
S420，计算预测因子与预测对象的异常相对倾向场。
需要说明的是，计算预测因子与预测对象的异常相对倾向场指的是：计算预测因子的异常相对倾向场和预测对象的异常相对倾向场。
示例性的，获取预设时间尺度，预设时间尺度为逐年、逐月、逐旬和逐候中的任意一个，根据预设时间尺度获取预测因子与预测对象。若时间尺度为逐年或逐月，预测因子与预测对象的异常相对倾向场通过每时次数据减去每时次数据的前期1个时次数据得到；若时间尺度为逐旬，预测因子与预测对象的异常相对倾向场通过每时次数据减去每时次数据的前期2个时次数据的平均值得到；若时间尺度为逐候，预测因子与预测对象的异常相对倾向场通过每时次数据减去每时次数据的前期3个时次数据的平均值得到。
需要说明的是，预测因子的获取时间可以超前于预测对象的获取时间，指的是预测因子的时间早于预测对象的时间。例如，预测因子为2000年1月、2月、3月，预测对象为2001年1月、2月、3月。预测因子与预测对象可以是同时期获取的。例如，预测因子为2000年1月、2月、3月，预测对象为2000年1月、2月、3月。
例如，历史数据包括数据变量时段为预设时长（如30年）的数据，预测因子为大气向外长波辐射数据，预测对象为降水量数据，预设时间尺度是逐年，预测因子超前于预测对象，预测因子为当年的1月、2月和前一年12月的大气向外长波辐射（OLR）数据，计算OLR的冬季季节平均数据，并用每年数据减去前一年数据，计算得到预测因子的异常相对倾向场。预测对象为当年的6月、7月、8月的降水量数据，计算降水量的夏季季节平均数据，并用每年数据减去前一年数据，计算得到预测对象的异常相对倾向场。
S430，对预测因子与预测对象的异常相对倾向场进行奇异值分解。
需要说明的是，对预测因子与预测对象的异常相对倾向场进行奇异值分解过程中，先获取预测因子的异常相对倾向场与预测对象的异常相对倾向场的协方差矩阵，根据协方差矩阵确定各个奇异值分解模态的协方差贡献百分比。
示例性的，对预测因子与预测对象的异常相对倾向场进行奇异值分解，以得到各个奇异值分解模态的协方差贡献百分比，并将各个奇异值分解模态的协方差贡献百分比进行降序排列，得到第一排序结果；对于第一排序结果中的前i个协方差贡献百分比，计算第一排序结果中的前i个协方差贡献百分比对应的累积协方差贡献，以得到j个累积协方差贡献；其中，前i个协方差贡献百分比对应的累积协方差贡献为前i个协方差贡献百分比的和，j为第一排序结果中的所有协方差贡献百分比的数量和，1≤i≤j。
例如，有11奇异值分解模态，将11奇异值分解模态的协方差贡献百分比进行降序排列，得到第一排序结果为：60.73%，9.64%，7.23%，3.68%，3.19%，3.12%，2.74%，2.31%，1.34%，1.14%，1.04%；对于第一排序结果中的前i个协方差贡献百分比，计算第一排序结果中的前i个协方差贡献百分比对应的累积协方差贡献，以得到11个累积协方差贡献为前1个累积协方差贡献至前11个累积协方差贡献，前1个累积协方差贡献至前11个累积协方差贡献依次为：60.73%，70.37%，77.6%，81.28%，84.47%，87.59%，90.33%，92.64%，93.98%，95.12%，96.16%。
S440，截取使累积协方差贡献达到95%的主要奇异值分解模态对预测因子的异常相对倾向场进行重构。
示例性的，截取使累积协方差贡献达到95%的主要奇异值分解模态，用于表示累积协方差贡献中累计值首次大于95%的数个奇异值分解模态。例如，累积协方差贡献包括94%，95.12%，96%，则截取累积贡献达到95.12%对应的奇异值分解模态，奇异值分解模态的协方差贡献依次为：60.73%，9.64%，7.23%，3.68%，3.19%，3.12%，2.74%，2.31%，1.34%，1.14%，即累积协方差贡献达到95%的主要奇异值分解模态分为：60.73%，9.64%，7.23%，3.68%，3.19%，3.12%，2.74%，2.31%，1.34%，1.14%各自对应的奇异值分解模态。
示例性的，请结合前述公开实施例，在获取到j个累积协方差贡献之后，对j个累积协方差贡献中大于95%的累积协方差贡献进行升序排序，得到第二排序结果；将第二排序结果中的首个累积协方差贡献确定为目标累积协方差贡献，采用目标累积协方差贡献对应的奇异值分解模态，对预测因子的异常相对倾向场进行重构，得到重构的预测因子的异常相对倾向场。
例如，11个累积协方差贡献为：60.73%，70.37%，77.6%，81.28%，84.47%，87.59%，90.33%，92.64%，93.98%，95.12%，96.16%，对11个累积协方差贡献中大于95%的累积协方差贡献进行升序排序，得到第二排序结果为：95.12%，96.16%，将95.12%确定为目标累积协方差贡献，目标累积协方差贡献对应的奇异值分解模态为，累积协方差贡献为60.73%，9.64%，7.23%，3.68%，3.19%，3.12%，2.74%，2.31%，1.34%，1.14%各自对应的奇异值分解模态。
需要说明的是，确定重构的预测因子的异常相对倾向场之后，将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。
S450，压缩重构的预测因子的异常相对倾向场的多个空间维度，变形为二维矩阵。
需要说明的是，二维矩阵是指重构的预测因子的异常相对倾向场的二维矩阵。
示例性的，预测因子为OLR数据。将重构的预测因子的异常相对倾向场的经度与纬度两个空间维度串联为单一维度，从而将重构的前冬热带OLR异常相对倾向场变形为“N×M”的二维矩阵，N表示时间维度的长度，M表示空间维度的长度。
S460，对二维矩阵沿时间维度标准化，使均值为0，方差为1。
示例性的，对重构的预测因子的异常相对倾向场的二维矩阵沿着时间维度进行标准化，使均值为0，方差为1，进而得到标准化的重构的预测因子的异常相对倾向场。
S470，输入自组织映射人工智能神经网络，建立样本数据与优势神经元的映射关系。
示例性的，将标准化的重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，由竞争学习规则确定优势神经元，进而确定样本数据与优势神经元的映射关系。
可选地，样本数据指的是用于计算预测因子与预测对象的异常相对倾向场的数据。样本数据可以是历史数据，也可以是预测数据等等。
S480，根据映射关系，对样本数据进行聚类与合成，识别最优气候模态。
示例性的，在确定样本数据与优势神经元的映射关系之后，根据映射关系，对样本数据进行聚类与合成，识别最优气候模态。
S490，输出用于气候预测的最优气候模态。
需要说明的是，输出用于气候预测的最优气候模态人工智能识别系统的数据为用于气候预测的最优气候模态，进而通过最优气候模态进行气候预测。
在一个示例中，利用人工智能方法识别用于气候预测的最优气候模态，具体流程如下：计算预测因子与预测对象的异常相对倾向场，对预测因子与预测对象的异常相对倾向场进行奇异值分解，以得到各个奇异值分解模态的协方差贡献百分比；将各个奇异值分解模态的协方差贡献百分比进行降序排列，得到第一排序结果；对于第一排序结果中的前i个协方差贡献百分比，计算第一排序结果中的前i个协方差贡献百分比对应的累积协方差贡献，以得到j个累积协方差贡献；其中，前i个协方差贡献百分比对应的累积协方差贡献为前i个协方差贡献百分比的和，j为第一排序结果中的所有协方差贡献百分比的数量和，1≤i≤j；对j个累积协方差贡献中大于95%的累积协方差贡献进行升序排序，得到第二排序结果；将第二排序结果中的首个累积协方差贡献确定为目标累积协方差贡献；采用目标累积协方差贡献对应的奇异值分解模态，对预测因子的异常相对倾向场进行重构，得到重构的预测因子的异常相对倾向场；将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。
上述技术方案，能够通过人工智能方法提取气象大数据中的非线性关系，识别影响气候预测对象的最优气候模态，增强气候模态的物理可解释性，同时降低计算资源消耗。具体如下：（1）本申请克服了传统方法只能处理线性关系的缺点，能够通过人工智能方法提取历史数据中的非线性关系，对气候系统做出更接近客观实在的描述；（2）本申请克服了传统方法对气候模态施加正交性约束的缺点，能够通过人工智能方法将影响预测对象的关键气候现象识别为有物理意义的最优气候模态；（3）本申请克服了现有机器学习气候预测方法需要消耗大量计算资源的问题，能够仅使用轻量级计算资源快速完成计算；（4）本申请克服了现有机器学习气候预测方法缺乏物理可解释性的问题，能够明确识别出影响预测对象的最优气候模态，用于气候预测。
应理解，上述举例说明是为了帮助本领域技术人员理解本申请实施例，而非要将本申请实施例限于所例示的具体数值或具体场景。本领域技术人员根据所给出的上述举例说明，显然可以进行各种等价的修改或变化，这样的修改或变化也落入本申请实施例的范围内。
图5是本申请实施例提供的一种用于气候预测的最优气候模态人工智能识别系统的结构示意图；
示例性的，如图5所示，该识别系统500包括：
输入模块510：用于将预测因子与预测对象的历史数据输入识别系统；
异常相对倾向计算模块520：用于计算预测因子与预测对象的异常相对倾向场；
奇异值分解模块530：用于对预测因子与预测对象的异常相对倾向场进行奇异值分解；
预测因子的异常相对倾向场重构模块540：用于截取使累积协方差贡献达到95%的主要奇异值分解模态对预测因子的异常相对倾向场进行重构；
人工智能识别模块550：用于将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，识别用于气候预测的最优气候模态；
输出模块560：将用于气候预测的最优气候模态输出识别系统。
需要说明的是，历史数据为早于当前时期的预测因子与预测对象。
示例性的，人工智能识别模块由空间维度压缩子模块、时间维度标准化子模块、自组织映射子模块和聚类合成子模块组成；
空间维度压缩子模块用于，将重构的预测因子的异常相对倾向场进行空间维度压缩，得到N×M的二维矩阵；其中，N表示时间维度的长度，M表示空间维度的长度；
时间维度标准化子模块用于，对二维矩阵沿时间维度进行均值为0、方差为1的标准化；
自组织映射子模块用于，将标准化的重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，由竞争学习规则确定优势神经元；
聚类合成子模块用于，根据样本数据与优势神经元的映射关系，对重构的预测因子的异常相对倾向场进行聚类与合成，得到用于气候预测的最优气候模态。
可选地，作为一个实施例，用于获取预测因子与预测对象的时间尺度为逐年、逐月、逐旬和逐候中的任意一个。
可选地，作为一个实施例，预测因子的获取时间超前于预测对象的获取时间，或者，预测因子与预测对象是同时期获取的。
可选地，作为一个实施例，若时间尺度为逐年或逐月，预测因子与预测对象的异常相对倾向场通过每时次数据减去每时次数据的前期1个时次数据得到。
可选地，作为一个实施例，预测因子与预测对象的异常相对倾向场通过每时次数据减去每时次数据的前期2至3个时次数据的平均值得到；
若时间尺度为逐旬，预测因子与预测对象的异常相对倾向场通过每时次数据减去每时次数据的前期2个时次数据的平均值得到；
若时间尺度为逐候，预测因子与预测对象的异常相对倾向场通过每时次数据减去每时次数据的前期3个时次数据的平均值得到。
可选地，作为一个实施例，人工智能识别模块550具体用于：
将重构的预测因子的异常相对倾向场进行空间维度压缩，得到N×M的二维矩阵；其中，N表示时间维度的长度，M表示空间维度的长度；
对二维矩阵沿时间维度进行均值为0、方差为1的标准化；
将标准化的重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，由竞争学习规则确定优势神经元；
根据样本数据与优势神经元的映射关系，对重构的预测因子的异常相对倾向场进行聚类与合成，得到用于气候预测的最优气候模态。
可选地，作为一个实施例，自组织映射人工智能神经网络由一个输入层和一个输出层组成，输入层的神经元数目为M，输出层的神经元排列为S×S的二维方阵；
其中，S表示二维方阵的边长，二维方阵的边长根据N的取值确定；当N大于或者等于100时，若的小数值大于或者等于0.5时，S的取值为对/>向上取整数值，若的小数值小于0.5时，S的取值为对/>向下取整数值，即当N大于或者等于100时，S是对/>四舍五入取整数值；当N大于或者等于50且小于100时，S的取值为5；当N小于50时，S的取值为3。
例如，当N的取值为120时，约等于7.4，其小数值为0.4，则S的取值为7；当N的取值为144时，/>约等于7.75，其小数值为0.75，则S的取值为8；当N的取值为66时，S的取值为5；当N的取值为22时，S的取值为3。
需要说明的是，上述识别系统500以功能单元的形式体现。这里的术语“模块”可以通过软件和/或硬件形式实现，对此不作具体限定。
例如，“模块”可以是实现上述功能的软件程序、硬件电路或二者结合。硬件电路可能包括应用特有集成电路（application specific integrated circuit，ASIC）、电子电路、用于执行一个或多个软件或固件程序的处理器（例如共享处理器、专有处理器或组处理器等）和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
因此，在本申请的实施例中描述的各示例的单元，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
图6是本申请实施例提供的一种计算机系统的结构示意图，如图6所示，该计算机系统600包括：存储器610和处理器620及存储在存储器610上并可在处理器620上运行的计算机程序630，在计算机程序630被加载至处理器620时，实现前述用于气候预测的最优气候模态人工智能识别方法。
示例性的，存储器610可以用于存储本申请实施例中提供的用于气候预测的最优气候模态人工智能识别方法的相关程序；处理器620可以调用存储器610中存储的用于气候预测的最优气候模态人工智能识别方法的相关程序，执行本申请实施例的用于气候预测的最优气候模态人工智能识别方法。
本实施例可以根据上述方法示例对该系统进行功能模块的划分，例如，可以对应各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中，上述集成的模块可以采用硬件的形式实现。需要说明的是，本实施例中对系统的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下，该系统还可以包括输入模块、异常相对倾向计算模块、奇异值分解模块、预测因子的异常相对倾向场重构模块、人工智能识别模块和输出模块等。需要说明的是，上述方法实施例涉及的各个步骤的所有相关内容的可以援引到对应功能模块的功能描述，在此不再赘述。
应理解，本实施例提供的系统用于执行上述一种用于气候预测的最优气候模态人工智能识别方法，因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下，该系统可以包括处理模块、存储模块。其中，处理模块可以是处理器或控制器，其可以实现或执行结合本申请公开内容所示的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，数字信号处理（digital signal processing，DSP）和微处理器的组合等等，存储模块可以是存储器。
另外，本申请的实施例提供的系统具体可以是芯片、组件或模块，该芯片可包括相连的处理器和存储器；其中，存储器用于存储指令，当处理器调用并执行指令时，可以使芯片执行上述实施例提供的一种用于气候预测的最优气候模态人工智能识别方法。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得计算机执行上述相关方法步骤实现上述实施例提供的一种用于气候预测的最优气候模态人工智能识别方法。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、数字通用光盘（DigitalVideo Disc，DVD）、紧凑型光盘只读储存器（Compact Disc Read-Only Memory，CD-ROM）、微型驱动器以及磁光盘、只读储存器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、可擦除可编程只读存储器（Erasable Programmable Read-OnlyMemory，EPROM）、带电可擦可编程只读存储器（Electrically Erasable Programmableread only memory，EEPROM）、动态随机存取存储器（Dynamic Random Access Memory，DRAM）、影像随机接达记忆器（Video Random Access Memory，VRAM）、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。
本申请还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例提供的一种用于气候预测的最优气候模态人工智能识别方法。
其中，本申请提供的计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果，此处不再赘述。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种用于气候预测的最优气候模态人工智能识别方法，其特征在于，所述方法包括：
计算预测因子与预测对象的异常相对倾向场；
对所述预测因子与预测对象的异常相对倾向场进行奇异值分解；
截取使累积协方差贡献达到95%的主要奇异值分解模态对所述预测因子的异常相对倾向场进行重构；
将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态。
2.根据权利要求1所述的方法，其特征在于，所述预测因子的获取时间超前于所述预测对象的获取时间，或者，所述预测因子与所述预测对象是同时期获取的。
3.根据权利要求1所述的方法，其特征在于，用于获取所述预测因子与所述预测对象的时间尺度为逐年、逐月、逐旬和逐候中的任意一个。
4.根据权利要求3所述的方法，其特征在于，若所述时间尺度为逐年或逐月，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期1个时次数据得到。
5.根据权利要求3所述的方法，其特征在于，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期2至3个时次数据的平均值得到；
若所述时间尺度为逐旬，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期2个时次数据的平均值得到；
若所述时间尺度为逐候，所述预测因子与预测对象的异常相对倾向场通过每时次数据减去所述每时次数据的前期3个时次数据的平均值得到。
6.根据权利要求1所述的方法，其特征在于，所述将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，计算得到用于气候预测的最优气候模态，包括：
将所述重构的预测因子的异常相对倾向场进行空间维度压缩，得到N×M的二维矩阵；其中，N表示时间维度的长度，M表示空间维度的长度；
对所述二维矩阵沿所述时间维度进行均值为0、方差为1的标准化；
将标准化的所述重构的预测因子的异常相对倾向场输入所述自组织映射人工智能神经网络，由竞争学习规则确定优势神经元；
根据样本数据与所述优势神经元的映射关系，对所述重构的预测因子的异常相对倾向场进行聚类与合成，得到所述用于气候预测的最优气候模态。
7.根据权利要求6所述的方法，其特征在于，所述自组织映射人工智能神经网络由一个输入层和一个输出层组成，所述输入层的神经元数目为M，所述输出层的神经元排列为S×S的二维方阵；
其中，S表示所述二维方阵的边长，所述二维方阵的边长根据N的取值确定；当N大于或者等于100时，若的小数值大于或者等于0.5时，S的取值为对/>向上取整数值，若/>的小数值小于0.5时，S的取值为对/>向下取整数值；当N大于或者等于50且小于100时，S的取值为5；当N小于50时，S的取值为3。
8.一种用于气候预测的最优气候模态人工智能识别系统，其特征在于，所述识别系统包括：
输入模块，用于将预测因子与预测对象的历史数据输入所述识别系统；
异常相对倾向计算模块，用于计算所述预测因子与预测对象的异常相对倾向场；
奇异值分解模块，用于对所述预测因子与预测对象的异常相对倾向场进行奇异值分解；
预测因子的异常相对倾向场重构模块，用于截取使累积协方差贡献达到95%的主要奇异值分解模态对所述预测因子的异常相对倾向场进行重构；
人工智能识别模块，用于将重构的预测因子的异常相对倾向场输入自组织映射人工智能神经网络，依次进行空间维度压缩、时间维度标准化、自组织映射和聚类合成，识别用于气候预测的最优气候模态；
输出模块，将所述用于气候预测的最优气候模态输出所述识别系统。
9.根据权利要求8所述的识别系统，其特征在于，所述人工智能识别模块由空间维度压缩子模块、时间维度标准化子模块、自组织映射子模块和聚类合成子模块组成；
所述空间维度压缩子模块用于，将所述重构的预测因子的异常相对倾向场进行空间维度压缩，得到N×M的二维矩阵；其中，N表示时间维度的长度，M表示空间维度的长度；
所述时间维度标准化子模块用于，对所述二维矩阵沿时间维度进行均值为0、方差为1的标准化；
所述自组织映射子模块用于，将标准化的所述重构的预测因子的异常相对倾向场输入所述自组织映射人工智能神经网络，由竞争学习规则确定优势神经元；
所述聚类合成子模块用于，根据样本数据与所述优势神经元的映射关系，对所述重构的预测因子的异常相对倾向场进行聚类与合成，得到所述用于气候预测的最优气候模态。
10.一种计算机系统，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被加载至所述处理器时，实现根据权利要求1-7任一项所述的用于气候预测的最优气候模态人工智能识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410312661.1A CN117933299A (zh) | 2024-03-19 | 2024-03-19 | 用于气候预测的最优气候模态人工智能识别方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410312661.1A CN117933299A (zh) | 2024-03-19 | 2024-03-19 | 用于气候预测的最优气候模态人工智能识别方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117933299A true CN117933299A (zh) | 2024-04-26 |
Family
ID=90770601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410312661.1A Pending CN117933299A (zh) | 2024-03-19 | 2024-03-19 | 用于气候预测的最优气候模态人工智能识别方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117933299A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117950087A (zh) * | 2024-03-21 | 2024-04-30 | 南京大学 | 基于大尺度最优气候模态的人工智能降尺度气候预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
| CN113592165A (zh) * | 2021-07-23 | 2021-11-02 | 南京大学 | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 |
| CN113779760A (zh) * | 2021-08-10 | 2021-12-10 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
| WO2023284887A1 (zh) * | 2022-01-29 | 2023-01-19 | 中国长江三峡集团有限公司 | 长期降水预测模型构建方法、长期降水预测方法及装置 |
-
2024
- 2024-03-19 CN CN202410312661.1A patent/CN117933299A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103396A (zh) * | 2017-06-13 | 2017-08-29 | 南京大学 | 基于主要svd模态建模的中国季节气候预测方法 |
| CN113592165A (zh) * | 2021-07-23 | 2021-11-02 | 南京大学 | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 |
| CN113779760A (zh) * | 2021-08-10 | 2021-12-10 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
| WO2023284887A1 (zh) * | 2022-01-29 | 2023-01-19 | 中国长江三峡集团有限公司 | 长期降水预测模型构建方法、长期降水预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张永领;吴胜安;丁裕国;何桐;高全洲;: "SVD迭代模型在夏季降水预测中的应用", 气象学报, no. 01, 20 April 2006 (2006-04-20), pages 123 - 129 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117950087A (zh) * | 2024-03-21 | 2024-04-30 | 南京大学 | 基于大尺度最优气候模态的人工智能降尺度气候预测方法 |
| CN117950087B (zh) * | 2024-03-21 | 2024-06-21 | 南京大学 | 基于大尺度最优气候模态的人工智能降尺度气候预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117933299A (zh) | 用于气候预测的最优气候模态人工智能识别方法与系统 | |
| CN103370722B (zh) | 通过小波和非线性动力学预测实际波动率的系统和方法 | |
| CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
| CN114897779A (zh) | 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置 | |
| CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN113159102B (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
| CN115879630A (zh) | 基于土地利用的碳排放即时表征与预测的方法及装置 | |
| CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
| CN112819199A (zh) | 降水量的预测方法、装置、设备和存储介质 | |
| CN114580178A (zh) | 一种蚊虫分布预测方法、装置、设备和存储介质 | |
| CN110176309A (zh) | 一种用于预测心血管疾病的医疗数据处理方法 | |
| CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 | |
| CN110120082B (zh) | 金融数据的图像处理方法、装置、设备及可读存储介质 | |
| CN116611725A (zh) | 一种基于绿色生态指标的土地类型识别方法及装置 | |
| CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
| CN112634226B (zh) | 头部ct图像检测装置、方法、电子设备及存储介质 | |
| CN115641498A (zh) | 基于空间多尺度卷积神经网络的中期降水预报后处理订正方法 | |
| CN115293809A (zh) | 基于人工智能的台风暴雨风险评级方法及相关设备 | |
| Novotny et al. | Price jump indicators: Stock market empirics during the crisis | |
| CN113159426A (zh) | 天气型相似性判断方法、装置、电子设备及可读存储介质 | |
| CN113408595A (zh) | 病理图像处理的方法、装置、电子设备及可读存储介质 | |
| Li | Multiscale Geographically Weighted Regression Computation, Inference, and Application | |
| Zhang et al. | Load prediction based on depthwise separable convolution model | |
| CN113420101B (zh) | 一种地理信息处理方法、装置、电子设备及存储介质 | |
| CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 |
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 |