利用循环图卷积方法预测年降雪量
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
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
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
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
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
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
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
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
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