{"title":"Anet1：利用神经网络对集合天气预报进行后处理","authors":"Peter Mlakar, Janko Merše, Jana Faganeli Pucer","doi":"10.31449/upinf.211","DOIUrl":null,"url":null,"abstract":"Poprocesiranje ansambelskih napovedi igra ključno vlogo pri tvorjenju natančnejših verjetnostnih napovedi vremena. Pogosto uporabljene metode za poprocesiranje verjetnostne napovedi ustvarijo ločeno za vsako lokacijo ali časovno obdobje. V tem delu predlagamo nov pristop, imenovan ANET1, ki temelji na nevronskih mrežah, ki združno tvori verjetnostne napovedi za vse lokacije in časovna obdobja. ANET1 posamično poprocesira člane ansambelske napovedi ter te uporabi za oceno parametrov normalne porazdelitve. Za učenje ter evalvacijo naše metode smo uporabili podatkovno zbirko napovedi temperatur, EUPPBench. Rezultati nakazujejo, da ANET1 izboljša delovanje obstoječih metod, predvsem v zahtevnih gorskih regijah. Prav tako zmanjša variabilnost napake napovedi tekom dnevnega hoda. V primerjavi z dvema drugim najboljšima pristopoma, EMOS in DVQR, ANET1 prinaša opazne izboljšave v umerjenosti porazdelitve napovedi glede na več evalvacijskih kriterijev.","PeriodicalId":393713,"journal":{"name":"Uporabna informatika","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2023-11-02","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Anet1: poprocesiranje ansambelskih vremenskih napovedi s pomočjo nevronskih mrež\",\"authors\":\"Peter Mlakar, Janko Merše, Jana Faganeli Pucer\",\"doi\":\"10.31449/upinf.211\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Poprocesiranje ansambelskih napovedi igra ključno vlogo pri tvorjenju natančnejših verjetnostnih napovedi vremena. Pogosto uporabljene metode za poprocesiranje verjetnostne napovedi ustvarijo ločeno za vsako lokacijo ali časovno obdobje. V tem delu predlagamo nov pristop, imenovan ANET1, ki temelji na nevronskih mrežah, ki združno tvori verjetnostne napovedi za vse lokacije in časovna obdobja. ANET1 posamično poprocesira člane ansambelske napovedi ter te uporabi za oceno parametrov normalne porazdelitve. Za učenje ter evalvacijo naše metode smo uporabili podatkovno zbirko napovedi temperatur, EUPPBench. Rezultati nakazujejo, da ANET1 izboljša delovanje obstoječih metod, predvsem v zahtevnih gorskih regijah. Prav tako zmanjša variabilnost napake napovedi tekom dnevnega hoda. V primerjavi z dvema drugim najboljšima pristopoma, EMOS in DVQR, ANET1 prinaša opazne izboljšave v umerjenosti porazdelitve napovedi glede na več evalvacijskih kriterijev.\",\"PeriodicalId\":393713,\"journal\":{\"name\":\"Uporabna informatika\",\"volume\":null,\"pages\":null},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-11-02\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Uporabna informatika\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.31449/upinf.211\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Uporabna informatika","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.31449/upinf.211","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Anet1: poprocesiranje ansambelskih vremenskih napovedi s pomočjo nevronskih mrež
Poprocesiranje ansambelskih napovedi igra ključno vlogo pri tvorjenju natančnejših verjetnostnih napovedi vremena. Pogosto uporabljene metode za poprocesiranje verjetnostne napovedi ustvarijo ločeno za vsako lokacijo ali časovno obdobje. V tem delu predlagamo nov pristop, imenovan ANET1, ki temelji na nevronskih mrežah, ki združno tvori verjetnostne napovedi za vse lokacije in časovna obdobja. ANET1 posamično poprocesira člane ansambelske napovedi ter te uporabi za oceno parametrov normalne porazdelitve. Za učenje ter evalvacijo naše metode smo uporabili podatkovno zbirko napovedi temperatur, EUPPBench. Rezultati nakazujejo, da ANET1 izboljša delovanje obstoječih metod, predvsem v zahtevnih gorskih regijah. Prav tako zmanjša variabilnost napake napovedi tekom dnevnega hoda. V primerjavi z dvema drugim najboljšima pristopoma, EMOS in DVQR, ANET1 prinaša opazne izboljšave v umerjenosti porazdelitve napovedi glede na več evalvacijskih kriterijev.
京公网安备 11010802042870号
京ICP备2023020795号-1
分享
求助内容：
应助结果提醒方式：
扫码关注我们
