Jun, 2023

利用循环图卷积方法预测年降雪量

PDF
TL;DR使用图形注意力网络模型预测越来越多的年降雪量数据点，使用更少的输入数据点，在较大的数据集上进行实验
发现论文，激发创造
  • 应用自适应循环图神经网络预测深层冰层厚度

    本文提出一种利用自适应递归图卷积网络的机器学习模型，通过使用空气激光雷达数据中近年来积雪量的预测，预测深层冰层的历史积雪量，以研究气候趋势和精准预测未来的气候和降水情况。我们发现，相比于之前的模型以及等价的无时间、无几何形态和非自适应模型，我们的模型表现更好、更一致。

    Jun, 2023

  • 使用物理信息的图神经网络学习极地冰层的时空模式

    基于图神经网络的物理受限混合模型能够通过学习浅层冰层的厚度信息，预测深层冰层的厚度，并在这方面表现出优于当前非归纳或非物理模型的性能。

    Jun, 2024

  • 探索几何深度学习在降雨即时预测中的应用

    基于几何深度学习的时态图卷积网络（GCN）用于降水预报，通过优化训练过程中预测与真实像素值之间的 L1 损失来自动学习模拟栅格单元间的相互作用的邻接矩阵，并通过 GCN 层对空间关系进行优化，并使用不同核长度的一维卷积提取时间信息，最终结果通过邻域信息作为辅助输入层来改善，实验结果表明 GCNs 可提高云形的局部细节建模和预测准确性，从而降低误差度量。

    Sep, 2023

  • 荷兰的短期降水预测：基于卷积 LSTM 神经网络的天气雷达数据应用

    此研究利用 ConvLSTM 神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和 LSTM 网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM 网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

    Dec, 2023

  • Traffic Graph Convolutional Recurrent Neural Network: 网络规模交通学习与预测的深度学习框架

    通过学习交通网络图形并提出一种新的深度学习框架，Traffic Graph Convolutional Long Short-Term Memory Neural Network（TGC-LSTM），我们可以更好地进行交通预测，从而在两个真实的交通状态数据集上优于基准方法。

    Feb, 2018

  • 降水预测的深度学习：基准和新模型

    该研究提出了一种新的 Trajectory GRU（TrajGRU）模型以解决天气预报中的位置变化问题，并提出了一个基准数据集和评估标准，旨在为未来的研究提供方便，并衡量该领域的技术水平。

    Jun, 2017

  • 基于循环卷积网络的短期天气预报改进

    该研究承担了预测卫星气象数据的二维场的时间演变的任务，使其成为一个更加具有竞争力的浅层模型版本，并采用了 AdaBelief 优化器和改进处理，其中预测变量训练集与验证集不匹配时，通过使用多个模型来提高表现。

    Nov, 2021

  • DeepRain: 使用多通道雷达数据的 ConvLSTM 网络进行降水预测

    本研究介绍了一种基于深度学习 (ConvLSTM) 的新型数据驱动的降雨预测模型 DeepRain，使用天气雷达三维四通道数据预测降雨量，并且在实验中与线性回归相比，二重 ConvLSTM 的 RMSE 降低了 23.0%。

    Nov, 2017

  • 基于图卷积 GRU 网络的短期逐时流量预测

    本研究提出了一种基于图卷积 GRUs 网络的模型，通过上游河网对传感器位置未来 36 小时内的水文流量进行预测。实验结果表明，该模型在短期内的水文流量预测方面比持续性基线和卷积双向 GRU 网络都表现更好，有望在未来的洪水预防和减灾中发挥重要作用。

    Jul, 2021

  • 卷积 LSTM 网络：一种用于降水预报的机器学习方法

    本文将降水短时预报问题作为时空序列预测问题，并使用卷积 LSTM (ConvLSTM) 构建可端到端训练的模型，数据实验表明，相比全连接的 LSTM 和 ROVER 算法，ConvLSTM 能够更好地捕捉时空相关性，并在降水短时预报中具有更好的预测性能。

    Jun, 2015