-
公开(公告)号：CN119538733A
公开(公告)日：2025-02-28
申请号：CN202411680773.9
申请日：2024-11-22
Applicant: 成都信息工程大学
IPC: G06F30/27 , G06N3/0455 , G06N3/082 , G06N3/0442 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了基于可分离卷积的时空序列预测方法，包括S1、将原始时空序列输入编码器，得到编码器的输出；S2、通过多尺度分解层对编码器的输出进行多尺度分解，得到不同空间尺度的第一时空序列和第二时空序列；S3、通过双流预测和多尺度合并层根据第一时空序列和第二时空序列进行时空关系的学习，将学习结果进行多尺度合并，得到第六时空序列；S4、将第六时空序列输入解码器，解码为最终预测的时空序列。实验表明，从整体预测精确度上看，本发明的精确度最高。这说明通过双流结构学习多尺度时空关系、通过时空选择性扫描学习全局时空关系和通过时空深度可分离卷积学习局部时空关系的方案能够提高时空序列预测能力。
-
公开(公告)号：CN115907189A
公开(公告)日：2023-04-04
申请号：CN202211559849.3
申请日：2022-12-06
Applicant: 成都信息工程大学
Abstract: 本发明公开了基于混合模型的大风预报订正方法，涉及大风预报领域，包括S1获取多个不同地理位置和海波的气象站点数据作为数据集；S2构建初始模型，初始模型包括线性模型、非线性模型和组合模型；S3训练集导入初始模型，并采用均方误差和平均绝对百分比误差作为性能指标对初始模型进行训练优化；S4验证集导入优化后的初始模型进行测试验证最终得到订正模型；S5获取待订正的大风预报数据；S6待订正的大风预报数据导入订正模型得到订正后的大风预报；首先使用ARIMA或ARIMAX对时间序列进行线性预测；接下来采用非线性模型对残差进行非线性预测；线性模型的时间序列预测与非线性模型的残差序列预测通过支持向量机组合，有效地提高了本方法的最终预测。
-
公开(公告)号：CN115906984A
公开(公告)日：2023-04-04
申请号：CN202211524535.X
申请日：2022-11-30
Applicant: 成都信息工程大学
Abstract: 本发明公开了基于符号回归的大风预报订正方法，涉及天气领域，包括S1获取多个城市的天气特征作为数据集，S2对数据集进行预处理，将每个特征缩放到0‑1之间，S3构建符号回归神经网络，S4预处理后的数据集分为训练集和验证集；S5训练集导入符号回归神经网络进行训练优化，得到订正方程；S6、获取需要订正的天气特征导入订正方程，完成订正；基于符号回归的方法能同基于统计的订正方法一样，能够找出数据的规律，展示输入特征与风要素的关系。同时，基于符号回归的方法没有人为因素的干扰，不会因为误判或者经验不起作用而导致误差变大，具有有效的抑制同质区域噪声，对强弱目标点能很好的保持，边缘保持清晰，消除边缘划痕以及块效应的优点。
-
-
Search Results
3
records
(took 0.026 seconds)
