本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构,使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测,并在全球预测中取得了较好的结果,与传统模型相比,更好的实现了空间特征提取。
Jan, 2023
本文介绍了一种创新的方法,利用自动深度学习结合数值天气预报风速地图,准确预测全国范围内的短期(1 到 6 小时)风力发电。
Feb, 2024
提出了一种基于深度知识的学习方法,该方法使用预训练方法和自编码器结构来提高数据表示和建模,以预测风电的风速和功率。
Jun, 2023
利用基于深度神经网络的域自适应方法,通过选择有效的气象特征,使用源域的预先训练模型进行预测任务,并更新最后几层的权重,从而提高风能预测的准确性。
May, 2024
本文研究了基于深度学习的时空预测问题,并探索使用物理知识来改进深度预测方法的两个主要研究方向:一是使用训练损失函数来改进模型的性能,包括确定性情况和概率情况;另一个是通过深度数据驱动网络来增强不完备的物理模型,以实现准确的预测。
May, 2022
本研究通过使用四种深度递归神经网络模型,对 Mississippi State 大学校园附近机场站点的短期风速进行预测,详细描述了模型的体系结构、效率以及通过 RMSE 值获得的结果,并讨论了上述模型的时间和空间复杂度。
Apr, 2024
提出了一个通用的时空数据建模、分析和预测框架,重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合,并实现了更精准的实时预测,针对犯罪和交通预测具有良好的效果。
Apr, 2018
本研究使用图神经网络和不同的 Transformer 架构,探讨风速预测的时空依赖性,提出了 Fast Fourier Transformer 和 Autoformer 架构,使用这些架构的模型在时空预测上的表现优于其他模型。
Aug, 2022
我们提出了一个新的数据驱动模型,Multi-Horizon SpatioTemporal Network (MHSTN),以准确高效地进行细粒度的风速预测,该模型通过整合多个深度神经网络来处理各种数据来源,并为给定区域内的所有站点产生多时间段的预测。
Sep, 2023
使用深度学习气象预测模型的集成预测系统通过 CNNs 来预测关键的大气变量,并产生出全球 FORECASTS, 该方法需要最小的计算资源来产生预测,DLWP 集合在 4-6 周的前导时间内表现良好,但在更短的前导时间内表现稍差与 ECMWF 相比。
Feb, 2021