CN117851927B - 一种基于随机森林与气象数据的云预测方法 - Google Patents
一种基于随机森林与气象数据的云预测方法 Download PDFInfo
- Publication number
- CN117851927B CN117851927B CN202410257949.3A CN202410257949A CN117851927B CN 117851927 B CN117851927 B CN 117851927B CN 202410257949 A CN202410257949 A CN 202410257949A CN 117851927 B CN117851927 B CN 117851927B
- Authority
- CN
- China
- Prior art keywords
- cloud
- meteorological
- prediction
- data
- super
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006854 communication Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001212 derivatisation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于随机森林与气象数据的云预测方法，该方法以气象数据为数据集进行模型训练，在多维的数据集选取方案与模型优化方法的作用下，可以实现高精度与高准确率的有云、无云预测。气象数据集包括地表、高空数据在内的多个水平面内数据，可以避免云层影响因素的遗漏；由于随机森林在处理数据噪声、进行分类任务方面的优越表现，模型训练成本较低，所需时间短；***的预测结果通过多参数进行评估，有助于***的多场景、高效率利用。
Description
技术领域
本发明属于星地激光通信技术领域，具体涉及一种应用于星地激光链路可靠通信***的基于随机森林与气象数据的云预测模型方法。
背景技术
随着信息化社会发展，以及空间数据需求量的增加，激光通信凭借通信速率高、传输容量大以及设备成本低的优势，成为未来空间网络发展的趋势，可有效缓解空间网络中的传输压力。然而，相较于星间激光通信，在星地激光通信过程中由于大气衰减效应，尤其以云层的散射和吸收为主，往往会对星地激光链路造成较大影响，导致激光传输信号严重衰减甚至中断，成为影响星地激光组网过程中通信质量的关键因素。
为确保星地激光链路的可靠性连接，保证通信的持续进行，通常选用链路切换的方法，即当卫星与某个地面光学站的激光通信链路被云层遮挡时，则切换到与另一地面光学站建立的无云遮挡的链路，以此来有效降低云层干扰带来的影响。但是链路切换往往需要时间与成本，如果云层遮挡导致链路切断后再进行切换，还会导致数据传输中断。因此通过对星地激光通信链路上的有云、无云情况进行有效的预测，可对链路进行提前切换，进而避免中断出现后临时切换带来的传输中断或数据丢失。
目前，传统的气象数值预报与近年兴起的基于神经网络模型的云层预测方法，都可以对云覆盖率进行预测。然而，传统气象数值预报的方法存在对大气运动规律认识和表达的不足，物理参数模式化也有所欠缺，预测结果存在较大程度的误差，准确率通常只有50%左右；而神经网络的方法虽然具有更高准确率，但缺少数学物理机理约束，因此在迭代的过程中会不断积累迭代误差，并且由于计算复杂度高、参数量大，往往训练成本很高。
南京大学公开了一种基于深度学习的云层变化趋势预测方法（申请号：202010436563.0），其是针对星地激光通信过程中的云团预测问题，该方法在对云团的变化趋势预测方面，存在以下的不足: ①使用神经网络进行云变化趋势预测，数据集为图像形式数据，训练模型通常需要花费几个小时以上；②侧重于云图变化趋势的预测，虽然在有云无云方面也可以达到90%以上的准确率，但预测提前量仅为分钟级。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于随机森林与气象数据的云预测方法，用以在星地激光通信过程中，提高对有云无云预测的准确率，并解决云预测模型训练花费时间长、可***的时间短的问题。
技术方案：为确保星地激光通信链路的可靠传输，尽可能避免云层干扰导致的传输中断的技术问题，本发明采用以下技术方案：一种基于随机森林与气象数据的云预测方法，包括以下步骤：
步骤S1，数据筛选：建立随机森林模型，以数值预报***作为气象因子数据库，并根据气象学中各气象因子对预覆盖率的影响大小，对气象因子进行筛选，并作为本预测方法的输入数据；
步骤S2，模型训练：将步骤S1筛选得到的数据按训练集：测试集：验证集=7:2:1的比例进行划分，并通过训练集的数据对随机森林模型进行训练，得到训练优化后的模型；
步骤S3，结果评估：该步骤通过将有云无云的预测结果，与实际的有云无云进行对比，有云即为1，无云即为0；通过召回得分、精确度/>、F1调和平均值、偏差/>四个参数进行评估，所述四个参数由下面公式给出：
，
所述分别依次对应实际有云预测有云、实际有云预测无云、实际无云预测有云、实际无云预测无云四种结果。
进一步的，步骤S2所述模型训练的过程依次包括基线拟合、主成分分析和超参数优化三个步骤，具体过程如下：
（1）基线拟合：通过权重计算函数，计算得到不同气象因子的的基尼指数并进行排序；所述基尼指数反映不同气象因子对云覆盖率的影响大小，基尼指数大的气象因子，在后续的预测过程中，将相应地被赋予更高的权重；
（2）主成分分析：在上述基线拟合的基础上，通过下式确定在保证拟合效果达到预设阈值的前提下，所需的最少气象因子数量n，
，
式中，为气象因子总量，/>为表示第i个气象因子，且按照基线拟合中结果从到/>排序，/>为累计方差比函数，函数值越大，则拟合效果越好；
（3）超参数优化：
首先，在主成分分析确定影响气象因子后，对随机森林模型的超参数进行优化调整设置；所述超参数包括“决策树的数量”、“决策树的最大深度”、“拆分的最大特征数”、“拆分内部节点所需的最小样本数”、“叶子节点包含的最少样本数量”、“是否随机放回抽样”，分别用n_estimators，max_depth，max_feature，min_samples_split，min_samples_leaf，bootstrap表示；
然后，采用随机搜索的方法，从预先设置的超参数采样数值中随机选取不同的组合，在达到预先设定的采样次数后，比较不同组合所构成模型的预测结果并进行排名，得到局部最优的超参数组合；
最后，通过网络搜索的方法，在得分高的超参数组合中，选取步长更小的超参数数值；并以此遍历所有的超参数组合，再进行预测结果排名，确定预测准确率最高的模型。
进一步的，所述超参数优化步骤中所述随机搜索的方法是基于RandomSearchCV函数；所述网络搜索的方法基于GridSearchCV函数。
进一步的，步骤S1中所述气象因子的筛选是在选定的经纬度网格范围内，以气压高低为划分标准，从六个高度平面进行选取，分别为第1层的地表气象因子和第2-6层的高空气象因子；
所述所述地表气象包括温度、湿度、气压、U分量风和V分量风；所述高空气象包括可降水量、露点温度、露点下降、相对湿度、反演云顶高度。
进一步的，所述高空气象因子的选取，在选取中心点处气象因子的同时，还分别选取相对中心点东西南北四个方向并距离4km处对应的气象因子。
有益效果：与现有技术相比，本发明中提出的云预测模型借助随机森林算法实现，由于随机森林可以并行训练多棵决策树，并且参数数量少，不像神经网络需要不断迭代，参数众多，数据维度高，因此本模型训练所需时间短，对同样的有云无云事件预测，所需的时间从几小时降低到十几分钟，有效避免了资源的浪费；而对有云无云的预测，在准确率方面也有较好的表现，因为随机森林中的基本单元决策树的构建采用随机采样的思想，使得它不易受到数据噪声的干扰，因此鲁棒性较强，模型性能较好。
附图说明
图1是本发明所述基于随机森林与气象数据的云预测方法的***流程图；
图2是本发明所述气象数据格式示意图；
图3是本发明所述气象数据以气压高低划分标准划分的六层平面示意图；
图4是本发明所述高空气象参数中每层平面气象点选取示意图；
图5是本发明所述随机搜索进行超参优化结构图；
图6是本发明所述网格搜索进行超参优化结构图；
图7是本发明所述混淆矩阵的示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，云预测模型的完整实现包括数据筛选、模型训练与结果评估三个关键步骤，涉及气象因子提取、数据集分割、超参数优化多个方面，具体实施方案如下：
（1）数据筛选：数值预报***作为气象因子数据库，可以根据气象学中对云覆盖率的影响大小进行气象参数的初步筛选，这些气象参数有温度、湿度、气压、风速、可降水量、露点温度、露点下降、相对湿度、反演云顶高度，而筛选出的气象因子作为预测模型的数据输入；
（2）模型训练：模型训练首先对数据集进行初步划分，借助随机森林决策树思想设置参数，搭建基础云预测模型，再通过基线拟合、主成分分析、超参数优化进行模型的优化与迭代，以提升模型性能；
（3）结果评估：模型预测的不同时刻对应的云覆盖率情况，可与实际的云覆盖率进行对比，并且通过召回得分 ()、精确度 (/>)、F1调和平均值 ()、偏差 (/>)四大参数进行评估，有助于从不同的角度反映模型效果。
如图2所示，数据集由时空参量、地表气象与高空气象组成。其中时空参量包括气象信息获取的时刻，每 30 分钟一组，并且该分辨率可以通过数值预报***进行调整，如江苏省省气象局的精细化天气分析与预报***（Precision Weather Analysis andForecast System,PWAFS ***）可以提供的分辨率为 30分钟; 还包括获取气象所在区域中心的经纬度，均以数值形式呈现。
如图3所示，气象数据从六个高度（以气压高低为划分标准）平面进行选取，其中 1层为地表气象，选取了温度、湿度、气压、U分量风、V分量风这几条气象数据；2~6 层属于高空气象，在 300~730hPa气压范围内，涵盖了大气层中云层所处的平面，每层选取了可降水量、露点温度、相对湿度这几条气象数据。
如图4所示，每层气象平面内的气象因子，包括温度、湿度、风速在内，除了中心点O外，考虑到高空气象因子影响范围较大，仅选取一点不够全面，因此，在 2~6 层，还选取了除中心点外的东西南北四个方向 4km 点A、B、C、D 四个位置的对应气象因子，这一距离与方位的选取可以视情况而定，以得到最好的结果，这里每一个点对应网格数值预报中1*1km的网格。
如图5所示，为随机搜索进行超参数优化的结构图，图中的超参数由上至下，分别对应随机森林中“决策树的数量”、“决策树的最大深度”、“拆分的最大特征数”、“拆分内部节点所需的最小样本数”、“叶子节点包含的最少样本数量”、“是否随机放回抽样”。而随机搜索的方法，即从预先设定的超参数采样空间中随机选取不同的组合，经过设定的采样次数过后，评估这些组合的模型得分，从而得到局部最优的超参数，如下表1所示各超参数作用。
表1 超参数列表
如图6，在随机搜索算法的基础之上，在得分高的超参数中，选取步长间隔更小的超参数，以求不遗漏最佳的超参数，遍历每一种超参数组合，这一步需要的迭代次数比前一次多很多，但是可以得到预测准确率最高的模型。
如图7所示，是用于结果评估的混淆矩阵，四个网格分别对应预测值0/1、实际值0/1的情况，且由此表格衍生出的四个参数：召回得分 ()、精确度 (/>)、F1调和平均值 (/>)、偏差 (/>)。其中召回得分衡量了模型正确预测出正例样本的能力；精确度衡量了模型在预测为正例的样本中的准确性；F1调和平均值 ()综合了召回得分(/>)和精确度(/>)；偏差(/>)描述了模型预测结果与真实值之间的差异。其公式分别对应如下：
，
其中分别依次对应实际有云预测有云、实际有云预测无云、实际无云预测有云、实际无云预测无云四种情况。由上述公式可以发现，当这几个参数越接近于1，表明TP参数，即实际有云、预测有云的情况所占比重越高，则模型预测得准确率就越高。对于无云情况同理。此外，这些参数还可以反映当前预测结果是否可靠，若偏差(/>)远大于1，则表明模型存在对FP的倾斜，因此存在从而可以在下一次模型训练时，对这些参数的权重设置进行调整，因此结果评估还可以作为信息反馈，作用于模型训练。
综上所述，对本发明进行验证实验过程中，选取2022年3月到12月，时间分辨率为30min，共14206组数据，包括时间、经纬度在内共计63个预测因子，进行模型训练后，预测结果输出的评估得分如表2所示，
表2模型预测结果输出评估得分
以江苏省PWAFS数值预报***为例，由图可以发现与传统气象数值预报预测的结果相比，精确度相差无几，但是召回得分具有60%的提升，接近94%，而且F1调和平均值与偏差也有很大程度的提升。模型的计算成本如表3所示，
表3模型计算成本表
从表3可知：模型经过10次训练，所需平均时长为228.9 s，而神经网络进行云预测模型训练时，由于循环次数多，通常为几万次迭代，且输入二维图像，加上神经网络中前向或后向传播，衍化成为三位数据，因此训练通常需要花费几小时，相比之下，本发明中基于随机森林算法设计的云预测模型复杂度低、训练循环次数少，可以有效降低训练花费时间。
Claims (3)
1.一种基于随机森林与气象数据的云预测方法，其特征在于包括以下步骤：
步骤S1，数据筛选：建立随机森林模型，以数值预报***作为气象因子数据库，并根据气象学中各气象因子对预覆盖率的影响大小，对气象因子进行筛选，并作为本预测方法的输入数据；
步骤S2，模型训练：将步骤S1筛选得到的数据按训练集：测试集：验证集=7:2:1的比例进行划分，并通过训练集的数据对随机森林模型进行训练，得到训练优化后的模型；
步骤S3，结果评估：该步骤通过将有云无云的预测结果，与实际的有云无云进行对比，有云即为1，无云即为0；通过召回得分、精确度/>、F1调和平均值、偏差/>四个参数进行评估，所述四个参数由下面公式给出：
，
所述分别依次对应实际有云预测有云、实际有云预测无云、实际无云预测有云、实际无云预测无云四种结果；
步骤S2所述模型训练的过程依次包括基线拟合、主成分分析和超参数优化三个步骤，具体过程如下：
（1）基线拟合：通过权重计算函数，计算得到不同气象因子的的基尼指数并进行排序；所述基尼指数反映不同气象因子对云覆盖率的影响大小，基尼指数大的气象因子，在后续的预测过程中，将相应地被赋予更高的权重；
（2）主成分分析：在上述基线拟合的基础上，通过下式确定在保证拟合效果达到预设阈值的前提下，所需的最少气象因子数量n，
，
式中，为气象因子总量，/>为表示第i个气象因子，且按照基线拟合中结果从/>到排序，/>为累计方差比函数，函数值越大，则拟合效果越好；
（3）超参数优化：
首先，在主成分分析确定影响气象因子后，对随机森林模型的超参数进行优化调整设置；所述超参数包括“决策树的数量”、“决策树的最大深度”、“拆分的最大特征数”、“拆分内部节点所需的最小样本数”、“叶子节点包含的最少样本数量”、“是否随机放回抽样”，分别用n_estimators，max_depth，max_feature，min_samples_split，min_samples_leaf，bootstrap表示；
然后，采用随机搜索的方法，从预先设置的超参数采样数值中随机选取不同的组合，在达到预先设定的采样次数后，比较不同组合所构成模型的预测结果并进行排名，得到局部最优的超参数组合；
最后，通过网络搜索的方法，在得分高的超参数组合中，选取步长更小的超参数数值；并以此遍历所有的超参数组合，再进行预测结果排名，确定预测准确率最高的模型；
步骤S1中所述气象因子的筛选是在选定的经纬度网格范围内，以气压高低为划分标准，从六个高度平面进行选取，分别为第1层的地表气象因子和第2-6层的高空气象因子；所述高空气象因子，在 300~730hPa气压范围内；
所述地表气象包括温度、湿度、气压、U分量风和V分量风；所述高空气象包括可降水量、露点温度、露点下降、相对湿度、反演云顶高度。
2.根据权利要求1所述基于随机森林与气象数据的云预测方法，其特征在于：所述超参数优化步骤中所述随机搜索的方法是基于RandomSearchCV函数；所述网络搜索的方法基于GridSearchCV函数。
3.根据权利要求2所述基于随机森林与气象数据的云预测方法，其特征在于：所述高空气象因子的选取，在选取中心点处气象因子的同时，还分别选取相对中心点东西南北四个方向并距离4km处对应的气象因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257949.3A CN117851927B (zh) | 2024-03-07 | 2024-03-07 | 一种基于随机森林与气象数据的云预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410257949.3A CN117851927B (zh) | 2024-03-07 | 2024-03-07 | 一种基于随机森林与气象数据的云预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117851927A CN117851927A (zh) | 2024-04-09 |
| CN117851927B true CN117851927B (zh) | 2024-06-21 |
Family
ID=90544448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410257949.3A Active CN117851927B (zh) | 2024-03-07 | 2024-03-07 | 一种基于随机森林与气象数据的云预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851927B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118211497A (zh) * | 2024-05-21 | 2024-06-18 | 南京大学 | 一种基于天空红外图像和气象数据的云底高度反演方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114847875A (zh) * | 2022-03-24 | 2022-08-05 | 浙江大学 | 多动症的功能性近红外光谱和红外热像的识别方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7472590B2 (en) * | 2007-04-30 | 2009-01-06 | Hunter Solheim | Autonomous continuous atmospheric present weather, nowcasting, and forecasting system |
| CN108460739A (zh) * | 2018-03-02 | 2018-08-28 | 北京航空航天大学 | 一种基于生成对抗网络的遥感图像薄云去除方法 |
| CN113256066B (zh) * | 2021-04-23 | 2022-05-06 | 新疆大学 | 基于PCA-XGBoost-IRF的作业车间实时调度方法 |
| CN115271144A (zh) * | 2021-04-30 | 2022-11-01 | 国网冀北电力有限公司 | 基于互补集合经验模态分解算法融合社会类因素的负荷预测方法 |
| CN115294392B (zh) * | 2022-08-09 | 2023-05-09 | 安徽理工大学 | 基于生成网络模型的可见光遥感图像云去除方法及*** |
-
2024
- 2024-03-07 CN CN202410257949.3A patent/CN117851927B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114847875A (zh) * | 2022-03-24 | 2022-08-05 | 浙江大学 | 多动症的功能性近红外光谱和红外热像的识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于深度学习和使S-NPPCRIS FSR 数据的云探测;张梦凡;《基础科学辑》;20230131;第2.4.3章节 * |
| 面向未来星地激光骨干链路可靠组网的云预测技术研究;胡马援、周逸秋、赵康僆、李文峰、方元;《移动通信》;20231031;第2-3章节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117851927A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363347B (zh) | 基于决策树索引的神经网络预测空气质量的方法 | |
| CN117851927B (zh) | 一种基于随机森林与气象数据的云预测方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及*** | |
| CN106845080B (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
| CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
| CN112735097A (zh) | 一种区域滑坡预警方法及*** | |
| CN112287018A (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及*** | |
| CN112949953B (zh) | 基于pp理论和af模型的暴雨预报方法 | |
| CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
| CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN115237896A (zh) | 一种基于深度学习预报空气质量的数据前处理方法及*** | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN115129802A (zh) | 一种基于多源数据和集成学习的人口空间化方法 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| CN116609858A (zh) | 一种基于可解释性XGBoost模型的热带气旋大气波导预测方法及*** | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
| CN114998719A (zh) | 一种基于深度学习和多源遥感数据的林火预测方法 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及*** | |
| CN113408816A (zh) | 一种基于深度神经网络的电网灾情评估方法 | |
| Turukmane et al. | Proper Weather Forecasting Internet of Things Sensor Framework with Machine Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |