Sep, 2023

一个时空深度神经网络用于细粒度多时间段风速预测

PDF
TL;DR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。
wind predictiondata-driven modelmulti-horizon spatiotemporal networkneural networksweather data
发现论文，激发创造
  • 基于分层时空 Transformer 的长期风力预测

    本文提出了一种新的基于 Transformer Network 的 Hierarchical Spatial-Temporal Transformer Network（HSTTN）模型，利用空间和时间特征增强长期风力发电预测。实验结果表明，该模型性能优于现有解决方案。

    May, 2023

  • HiSTGNN：用于天气预报的分层时空图神经网络

    本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

    Jan, 2022

  • 适应性分层时空网络用于交通预测

    该研究提出了一种自适应分层时空网络 (AHSTN) 以利用空间层次结构和建模多尺度空间关联来促进交通预测。

    Jun, 2023

  • 超 ST-Net：用于时空预测的超网络

    本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

    Sep, 2018

  • 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

  • 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

  • 基于不同时域的增强风速混合变压器网络预测

    本文提出了一种新颖的智能混合风速预测模型（ICEEMDAN-TNF-MLPN-RECS），相较于现有技术在不同的时间范围内实现了更高的精确度，降低了电力系统工程师的工作量。

    Apr, 2022

  • 使用深度时空神经网络进行长期移动流量预测

    本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络（STN）结构和双 STN 技术（D-STN），通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验，证明了所提出的（D-）STN 方法可以实现高达 10 小时的精确预测，并且与其他流行的预测方法相比，可以获得高达 61% 的更小预测误差。

    Dec, 2017

  • 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

  • 利用历史发电和天气数据的分层时序卷积神经网络进行区域光伏日前功率预测

    本文提出了两种基于深度学习的区域太阳能发电预测方法，分别使用单一分层时序卷积神经网络和基于子区域的时序卷积神经网络，通过利用聚合和个体数据，以及区域内的天气数据进行预测。利用 101 个西澳大利亚地点收集的大量数据进行评估，与其他方法相比，子区域时序卷积神经网络在减少个体网络数量的同时，能够以 40.2% 的预测技巧得分降低 6.5% 的统计显著误差。

    Mar, 2024