区域风特征对基于 CNN 的风速预测的影响：来自时空相关性分析的启示

Apr, 2023

区域风特征对基于 CNN 的风速预测的影响：来自时空相关性分析的启示

How Regional Wind Characteristics Affect CNN-based wind predictions: Insights from Spatiotemporal Correlation Analysis

Heesoo Shin, Mario Rüttgers, Sangseung Lee

TL;DR本文探讨了加入时空数据维度如何提高神经网络开发的风力预测模型的精度，并提出了 3D-CNN 模型的预测能力与时空风现象的关联分析。

Abstract

This paper investigates how incorporating spatio-temporal data dimensions can improve the precision of a wind forecasting model developed using a neural network. While previous studies have shown that including s

wind forecasting neural network spatio-temporal data 3d-cnn predictive performance

发现论文，激发创造

一种用于多步风力预测的并行 CNN-RNN 方法

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

深度预测：基于深度学习的时空预测

本文利用深度学习与循环神经网络算法，提出一种时空风速预测模型，并利用其进行风能预测。研究结果表明，该模型不仅可以显著提高短期预测水平，同时可以模拟并预测获得更多数据的实体之间的相互作用。

Jul, 2017

利用形状特征工程提高风速和风力预测的准确性和鲁棒性的新方法

通过改变卷积神经网络 - 长短期记忆（CNN-LSTM）和自回归模型的输入数据形状，这项研究探索了一种新的特征工程方法以提高对噪声的处理能力，并取得了显著的改善，使其能够以 83％的准确率预测长达 24 个时间步的未见数据，同时在短期、中期和长期预测方面始终表现出较高的准确性，优于单个模型的性能，为进一步研究形状导向的特征工程在不同预测时间范围内的噪声降低策略铺平了道路。

Jan, 2024

一个时空深度神经网络用于细粒度多时间段风速预测

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

基于区域相关性的时空深度学习辅助移动流量预测

提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。

Dec, 2023

使用图网络和新型 Transformer 架构进行时空风速预测

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

利用深度领域自适应学习预测不同地点的风力发电

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

Windformer: 风速预测的双向长距离时空网络

该研究提出了一种名为 Windformer 的方法，通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性，然后部分移动窗口以提供窗口之间的连接性，并最终基于详细和全局信息融合多通道特征，以动态建模风速变化过程。这种方法在提高预测准确性方面相较于目前其他先进方法，平均均方误差 (MSE) 能减少 2 到 15 个百分点。

Nov, 2023

利用卷积神经网络在立方球面上改善基于数据的全球天气预报

使用深度卷积神经网络通过 cubed-sphere 重新映射，改进 CNN 架构并在预测序列中优化损失函数，实现了更准确的天气预报，能够以几周或更长的时段内实现不断稳定的天气预报，并在短 - 中程预报中显著优于其他方法。

Mar, 2020

DeepTransport: 学习交通状况预测的时空依赖关系

提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017