基于CNN-LSTM的时间序列分析天气预测:以德里温度数据为例
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
本文提出了一个新的深度学习框架—— Long- and Short-term Time-series network (LSTNet), 用于解决多元时间序列预测等问题,并在复杂混合循环模式数据上实现了显著的性能提升。
Mar, 2017
使用深度卷积神经网络通过cubed-sphere重新映射,改进CNN架构并在预测序列中优化损失函数,实现了更准确的天气预报,能够以几周或更长的时段内实现不断稳定的天气预报,并在短 - 中程预报中显著优于其他方法。
Mar, 2020
本文提出了一种基于LSTM深度学习网络的框架,用于以高空间分辨率生成未来一天每小时的气温预测,并利用纽约市的历史原位观测和物联网观测进行了案例研究,旨在解决在城市环境下,由于热岛效应导致空气温度预测存在空间分辨率和历史气候样本不足等问题。
Feb, 2021
本文研究旨在回顾深度学习在时间序列预测方面的应用,并比较其性能,结果表明长短时记忆网络(LSTM)和卷积神经网络(CNN)是最佳选择,其中LSTM获得最准确的预测结果,而CNN在不同参数配置下能够实现可比较的性能和更高的效率。
Mar, 2021
使用Dynamic Mode Decomposition (DMD)和Long Short-Term Memory (LSTM)这两种数据驱动的方法,研究了印度东北地区118年来的日降雨数据,并进行了降雨预测的相对效果比较分析,结果显示LSTM在准确性方面优于DMD,展现了LSTM捕捉数据中复杂非线性关系的能力,从而成为降雨预测的强大工具,并提出数据驱动方法和深度学习方法可以显著提高印度东北地区的降雨预测准确性,帮助减轻极端天气事件的影响并增强该地区对气候变化的适应能力。
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
人工智能在地球和大气科学领域日益采用数据驱动模型,通过深度学习技术对地球系统的混沌和非线性方面进行解码,以及通过理解天气和气候数据来应对气候挑战。这篇综述全面介绍了针对天气和气候数据专门设计的最先进的人工智能方法,特别关注时间序列和文本数据,同时深入研究了该领域的挑战,并提出了未来研究的详细意见。
Dec, 2023
本研究针对亚马逊地区火灾点历史时间序列建模和预测的具体问题,通过混合的循环神经网络模型(结合LSTM和GRU架构)来预测每日火灾点的月累积值。研究结果表明,该模型在预报12个月内的效果显著提升,并揭示了其在捕捉复杂时间模式方面的优势,促进了深度学习技术在环境监测中的应用。
Sep, 2024