Sep, 2023

利用模块化神经网络编码季节气候预测进行需求预测

PDF
TL;DR通过一种新颖的建模框架，我们可以有效地编码季节性气候预测，为供应链功能提供强大而可靠的时间序列预测。这种编码框架通过模块化神经网络架构实现了对潜在表示的有效学习，从而使得在多个实际数据集上，相对于现有需求预测方法，将季节性气候预测结果建模的误差降低了大约 13％至 17％。
发现论文，激发创造
  • 用于预测的季节性编码器 - 解码器架构

    本文介绍了一种新的基于循环神经网络的结构，能够智能地捕捉时间序列的季节性相关性，实现准确的多步预测，并在单个或多个序列数据上使用。在多序列情况下，我们还提出了一种新的贪婪递归过程，以在每个序列数据不足的情况下构建一个或多个预测模型。通过大量实验证明了我们提出的结构在单个序列和多个序列情况下的实用性。

    Jul, 2022

  • 基于时空深度神经网络的季节性火灾预测

    利用机器学习进行深度学习模型的季节性火灾预报，研究发现在全球范围内，考虑更长时间序列和整合空间信息可以提高火灾预测性能，并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。

    Apr, 2024

  • 利用机器学习进行次季气候预测：挑战、分析与进展

    通过研究不同的机器学习方法，包括梯度提升和深度学习等，对美国本土的次季气候预测（SSF）进行了研究，发现通过精细构建特征表示方法，即使是简单的线性回归模型，如 Lasso，都可以取得良好的表现。期望通过研究特征的重要性，实现对气候和土地等协变量预测的进一步改善。

    Jun, 2020

  • 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

  • 基于深度学习的气候模型驱动季节预测方法

    本文介绍了一种基于深度学习模型（UNet++），利用 ERA5 重分析数据集和全球 CMIP6 模型进行训练和验证，以预测未来一个月的全球温度，发现该模型可以显著地提高预测准确度。

    Feb, 2023

  • 用于后处理集合天气预报的神经网络

    本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。

    May, 2018

  • 需求预测的多模态神经网络

    通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

    Oct, 2022

  • 基于条件神经场的时空预测通用方法

    自主系统的关键能力是自我意识，该论文提出一种融合神经网络和条件神经场的方法来预测时间序列，并有效地结合全局和局部信息来提高其准确性。

    May, 2023

  • 深度学习时间序列预测综述

    本文概述了深度学习建模在时序数据领域的应用，介绍了单步和多步预测中通用的编码器和解码器的设计，分析了每一种方法如何加入时间信息以提高预测结果。接下来，介绍了深度学习和统计模型的混合模型在时间序列预测中的最新进展，最后讨论了深度学习如何为决策支持提供便利。

    Apr, 2020

  • 基于远程联系信息的高效亚季节气象预测

    借助预训练的 Pangu 模型和基于电涡流的时间模块，我们的研究提出了一种电涡流通知变压器方法，能够改善未来天气状况的预测能力并提高输出的空间精度。此外，我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。

    Jan, 2024