人工智能时代的风暴潮模拟:基于 LSTM 的机器学习用于提高预测准确性
本研究使用人工神经网络模型结合一组合成暴风模拟数据库,研究了该模型模拟风暴潮水平的能力;使用时间序列模型 Long short-term memory,和结合卷积神经网络的 ConvLSTM 模型捕捉数据的时空相关性;该模型的性能优于高斯过程实现多个合成风暴数据库的结果。
Apr, 2022
基于多层感知器与长短期记忆模型的交通预测系统应用于路易斯安那州实施的真实交通预测系统中,在 7 天飓风影响期间 6 小时的长期拥堵状态预测准确率达到 82%,并且短期速度预测模型在 1 至 6 小时的疏散时段中表现出 7%至 13%的均方绝对百分比误差。评估结果强调了该模型在飓风疏散过程中增强交通管理的潜力,并且实际部署显示其在广泛的交通网络中适应性和可扩展性。
Jun, 2024
通过 2016 年至 2018 年诺福克的降雨事件数据,本研究比较了基于随机森林算法的以前的代理模型与两种深度学习模型(LSTM 和 GRU)的性能,突出了使用支持预测不确定性传达和有效整合相关多模态特征的模型架构的重要性。
Jul, 2023
机器学习模型和数值天气预报模型在模拟高影响天气事件方面的表现进行了比较,发现机器学习模型能准确捕捉到气旋的宏观结构,但在发出天气警报所需的细节结构方面表现较为复杂。
Dec, 2023
本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势,实现了静态和动态洪水预测。通过贝叶斯优化,最佳的混合模型被确定为 LSTM-DeepLabv3+,在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高,相对于基于物理的模型的传统计算时间约为 1 / 125。
Apr, 2023
本研究通过结合 ARIMA 模型和 K-MEANS 的方法,以及利用 Autoencoder 进行增强的模拟,有效地模拟了历史飓风行为并提供了潜在未来轨迹和强度的详细预测,为风险管理策略提供了可行的见解。
Sep, 2023
使用气象时间序列数据和静态流域属性,我们提出了一种基于数据驱动的方法,在使用 LSTMs 单个模型对 531 个流域进行训练的情况下,显著提高了性能,比符合地区性条件的水文模型和针对单个流域进行校准的水文模型的表现更好,同时还提出了 Entity-Aware-LSTM 的改进网络架构使学习、嵌入和特征层深度学习可以在其上实现,同时提出的这个背景与之前的水文理解相符。
Jul, 2019
基于 LSTM 神经网络的多元时间序列数据监测和故障检测,采用 Modelica 模型进行验证,引入阈值筛选机制并过滤超出操作者兴趣范围的故障。
Dec, 2016
在追求计算效率的过程中,提出了训练高保真、基于深度学习的沿海洪水预测模型的系统框架,通过与地质统计回归方法和传统机器学习方法进行性能验证,表明其对预测质量的显著提升,并提供了阿布扎比海岸的综合数据集,用于评估未来的沿海洪水预测模型。
Jun, 2024
本文提出一种基于 LSTM 的深度学习结构,结合前沿的水文模型 SWAT,通过建模天气驱动和产流之间的中间交互过程,实现对径流预测的精确预测,同时减少了传统数据驱动方法所需的大量数据。
Dec, 2020