Feb, 2021

利用 长短期记忆网络（LSTM）和物联网（IoT） 进行城市环境下局部表面温度预测

PDF
TL;DR本文提出了一种基于 LSTM 深度学习网络的框架，用于以高空间分辨率生成未来一天每小时的气温预测，并利用纽约市的历史原位观测和物联网观测进行了案例研究，旨在解决在城市环境下，由于热岛效应导致空气温度预测存在空间分辨率和历史气候样本不足等问题。
temperatureheat island effecturban environmentsair temperature predictionlstm
发现论文，激发创造
  • 气象预报中用于温度预测的时空堆叠 LSTM

    本文介绍了使用长短时记忆神经网络（LSTM）预测天气的方法。作者提出了一个 2 层的时空堆叠 LSTM 模型，其中第一层是独立的 LSTM 模型，第二层的输入是第一层 LSTM 模型的隐藏状态的组合。实验表明，通过利用空间信息，时空堆叠 LSTM 模型的预测性能在大多数情况下都得到了提高。

    Nov, 2018

  • 利用机器学习和深度学习预测主要城市的温度

    利用时间序列分析和机器学习算法，基于大学的温度变化数据库，我们成功预测了未来各个城市的温度变化。

    Sep, 2023

  • 利用物联网传感器网络和机器学习技术实现空间分辨率的超本地天气预测和异常检测

    通过使用物联网传感器网络和先进的机器学习技术，结合精确及时的超本地天气预测和异常检测，我们提出了一种新颖的方法。我们的方法利用来自多个空间分布但相对较近的位置和物联网传感器的数据，创建能够预测短期、局部天气条件（如温度、压力和湿度）的高分辨率天气模型。通过监测这些位置之间的天气参数的变化，我们的系统能够提高预测的空间分辨率并实时有效地检测异常。此外，我们的系统采用无监督学习算法来识别异常的天气模式，并提供及时的警报。我们的研究结果表明，该系统有可能增强决策能力。

    Oct, 2023

  • 利用卷积神经网络通过遥感数据进行最高温度预测

    通过使用来自 Sentinel-3 卫星、气象预测和其他遥感输入的数据，本研究介绍了一种新颖的机器学习模型，旨在生成详细的时空地图，预测都灵市 24 小时内的最高温度。实验结果表明，该模型在预测温度模式方面表现出色，对于 2023 年分辨率为每像素 20 米的情况，均方根误差为 2.09 摄氏度，从而丰富了我们对城市气候行为的认识。这项研究增进了我们对城市微气候的理解，强调了跨学科数据整合的重要性，并为缓解极端城市温度的负面影响的知情决策制定奠定了基础。

    May, 2024

  • 基于回归神经网络（RNN）构建城市的温度预测模型

    应用循环神经网络预测城市温度的研究与解决方案的综述。

    May, 2024

  • 利用长短期记忆预测道路交通速度中的动态时空语境

    本研究提出一种动态局部化长短期记忆（LSTM）模型，通过使用局部动态空间权重矩阵和其动态变化，考虑时间和空间上的复杂动态相互作用，对道路之间的时空关系进行建模，能够处理具有长时序依赖和复杂非线性特征的序列数据，并在实验证明了该模型相比基线方法具有更好的预测性能。

    Dec, 2021

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017

  • 基于历史数据和环境因素的数据驱动能耗预测

    本研究通过使用历史能源数据、占用模式和天气条件，引入了一种基于长短期记忆（LSTM）模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较，我们的 LSTM 模型在所有指标上表现出色，具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差（MAE）。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估，我们解决了过拟合（方差）和欠拟合（偏差）的问题。总结而言，我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型，为能源预测做出了贡献。

    Sep, 2023

  • 基于 LSTM 的物联网设备识别

    本研究提出了一种利用长短期记忆（LSTM）来识别 Aalto 数据集中的设备的方法，该方法为预防性安全措施提供了一种重要手段以识别这些设备并检测它们遭受的漏洞。

    Apr, 2023

  • 基于注意力机制集成 LSTM 的海冰预测

    本研究应用基于注意力的长短期记忆（LSTM）集成模型，使用来自 NSIDC、ERA5 重分析产品的海冰数据和大气、海洋变量，对未来一个月的月度海冰范围进行预测，并证明了其优于现有深度学习模型和基线模型。此研究表明数据驱动的方法在预测北极海冰变化方面具有潜力。

    Jul, 2021