Forschung zur Logistikprognose des Flughafens Tianhe basierend auf maschinellem Lernen
Mit dem rasanten Wachstum der Weltwirtschaft steigt auch die Logistiknachfrage des Flughafens Wuhan Tianhe, einem der acht regionalen Drehkreuze. Der Artikel zielt auf den Fracht- und Postdurchsatz des Flughafens Tianhe ab und verwendet das lineare Regressionsmodell des maschinellen Lernens, um seinen Bedarf mithilfe von Python vorherzusagen, vergleicht ihn mit der quadratisch-exponentiellen Glättungsmethode und erhält die Vorhersage des maschinellen Lernens basierend auf dem Vergleich der durchschnittliche absolute prozentuale Fehler. mit besserer Präzision
Quelle „Logistics Technology“ Institution: Evergrande School of Management, Wuhan University of Science and Technology
Forschung zur meteorologischen Dürrevorhersage in der Region Peking-Tianjin-Hebei basierend auf einem optimalen Extreme-Learning-Machine-Modell
Basierend auf der aktuellen Situation schwerer meteorologischer Dürre in der Region Peking-Tianjin-Hebei, um das Standardmodell für die Dürrevorhersage in der Region Peking-Tianjin-Hebei basierend auf dem Index der relativen Luftfeuchtigkeit (MI) und dem Extremwert zu ermitteln Das lernende Maschinenmodell (ELM) basiert auf dem Sparrow-Suchalgorithmus (SSA), der Partikelschwarmoptimierung (PSO) und dem genetischen Algorithmus (GA). Es gibt drei Optimierungsalgorithmen sowie drei Optimierungsmodelle: SSA-ELM, PSO-ELM und GA -ELM wird konstruiert und die Berechnungsergebnisse werden mit dem ELM-Modell und dem generalisierten Regressions-Neuronalen Netzwerk verglichen. Der Vergleich zwischen dem Netzwerkmodell (GRNN) und dem BP-Neuronalen Netzwerkmodell zeigt, dass die meteorologische Dürre in der Region Peking-Tianjin-Hebei herrscht ist im Allgemeinen schwerwiegend, insbesondere im Frühjahr und Winter, und die gesamte Region ist im Wesentlichen von extremer Dürre geprägt; das SSA-ELM-Modell ist bei der Dürrevorhersage wirksam. Das Modell weist eine hohe Genauigkeit auf, der Fehlerindex des Modells ist am niedrigsten und die Konsistenz Der Index ist der höchste, der umfassende Leistungsindex (GPI) beträgt 1,36 und die Genauigkeit steht unter allen Modellen an erster Stelle. Daher kann das SSA-ELM-Modell als empfohlenes Modell für die Dürrevorhersage in der Region Peking-Tianjin-Hebei verwendet werden
Institution: Abteilung für Wasserschutztechnik, Hebei-Institut für Wasserschutz und Elektrizität Autor: Wang Xiaoya, Jia Yue Quelle: „Hochwasserschutz und Dürrehilfe in China“
Vorhersage und Analyse der PM2,5-Massenkonzentration in der Fenwei-Ebene basierend auf verschiedenen Algorithmen des maschinellen Lernens
Basierend auf fünf Algorithmen für maschinelles Lernen, darunter Support Vector Regression (SVR), BP Neural Network (BPNN), Random Forest (RF), Gradient Boosting Decision Tree (GBDT) und Extreme Gradient Boosting (XGBoost), verwenden Sie stündliches PM2 von 2016 bis 2021 .5 Massenkonzentrationsüberwachungsdaten und meteorologische Beobachtungsdaten erstellen, ein PM2,5-Massenkonzentrationsvorhersagemodell für repräsentative Städte in der Fenwei-Ebene erstellen und die Prognoseeffekte verschiedener Prognosemodelle in verschiedenen Zeiträumen vergleichen und testen. Die Ergebnisse zeigen Folgendes: (1) Die Gesamtleistung der fünf Algorithmenmodelle für maschinelles Lernen besteht darin, dass der Vorhersageeffekt von Herbst, Winter und Heizperioden besser ist als der von Frühling und Sommer und die Vorhersagefähigkeit jedes Modells stabiler ist In Zeiten starker Feinstaubbelastung ist der Prognoseeffekt besser. (2) Das XGBoost-Modell ist anderen Modellen in unterschiedlichem Maße hinsichtlich des Bestimmtheitsmaßes, des mittleren absoluten Fehlers und des quadratischen Mittelfehlers überlegen, gefolgt von GBDT-, RF- und BPNN-Modellen, und das SVR-Modell weist eine schlechte Prognosefähigkeit auf. (3) Die Vorhersageergebnisse des XGBoost-Modells kommen der tatsächlichen Situation in Bezug auf Ausmaß und Entwicklungstrend sehr nahe, und der vorhergesagte Wert weicht geringfügig vom tatsächlichen Wert ab, aber die Ergebnisse der Frühjahrs- und Sommervorhersage werden offensichtlich über- oder unterschätzt. und es gibt auch Unterschätzungen in den extrem hohen Wertbereichen. (4) Die Sichtverhältnisse zum jetzigen Zeitpunkt und in der vergangenen Stunde sind der kritischste Faktor, der den Prognoseeffekt beeinflusst, und meteorologische Faktoren wirken sich offensichtlich zeitverzögert auf die Vorhersage der PM2,5-Massenkonzentration in der Fenwei-Ebene aus
Institution: Shaanxi Provincial Agricultural Remote Sensing and Economic Crop Meteorological Service Center Shaanxi Provincial Meteorological Bureau Qinling and Loess Plateau Ecological Environmental Meteorology Key Laboratory Shaanxi Provincial Meteorological Observatory Shaanxi Meteorological Science Research Institute Autor: Zhang Xuting Liu Hui Liang Mian Jufei Gao Xingxing Quelle: „Shaanxi Meteorologie
“
Verbessern Sie praktische Anwendungsmöglichkeiten in den Bereichen Meteorologie, Ozeanographie und Hydrologie basierend auf Python-Maschinenlern- und Deep-Learning-Technologie
Python ist eine leistungsstarke, kostenlose, objektorientierte Open-Source-Programmiersprache, die auf verschiedenen Betriebssystemen und Plattformen verwendet werden kann. Seine prägnante Syntax und interpretierte Sprache machen es zu einer idealen Skriptsprache. Neben der Standardbibliothek gibt es auch eine Fülle von Bibliotheken von Drittanbietern. Python bietet hervorragende Leistungen in den Bereichen Datenverarbeitung, wissenschaftliches Rechnen, mathematische Modellierung, Data Mining und Datenvisualisierung. Aufgrund der oben genannten Vorteile wird Python häufig in wissenschaftlichen Forschungs- und Ingenieurprojekten in den Bereichen Meteorologie, Ozeanographie, Geographie, Klima, Hydrologie und Ökologie eingesetzt. Es ist absehbar, dass Python in Zukunft zu einer der Mainstream-Programmiersprachen in den Bereichen Meteorologie, Ozeanographie und Hydrologie werden wird [1] .
Künstliche Intelligenz und Big-Data-Technologien haben in vielen Branchen bahnbrechende Ergebnisse erzielt. Die meteorologischen und ozeanografischen Bereiche verfügen über umfangreiche Modelle und Beobachtungsdaten, die natürliche Szenarien für Big-Data- und Künstliche-Intelligenz-Anwendungen darstellen. Python ist derzeit auch die beliebteste Sprache für maschinelles Lernen und Deep-Learning-Anwendungen. Für Fachleute im meteorologischen und ozeanografischen Bereich ist Python die erste Wahl für maschinelles Lernen und Deep-Learning-Arbeiten.
Installation und Einführung der Python-Software
1.1 Python-Hintergrund und seine Anwendung in der Meteorologie
1.2 Anaconda-Interpretation und -Installation sowie Jupyter-Konfiguration
1.3 Grundlegende Syntax von Python
Meteorological Science Computing Library
2.1 Numpy-Bibliothek
2.2 Pandas-Bibliothek
2.4 Xarray-Bibliothek
Meteorologische und ozeanographische gemeinsame Visualisierungsbibliotheken
Einführung in die visuelle Bibliothek Matplotlib, Cartopy usw.
3.2 Grundzeichnung
(1) Liniendiagrammzeichnung
(2) Streudiagrammzeichnung
(3) Färbung/Kontur
(4) Strömungsfeld-Vektordiagramm
Crawler- und Met-Ocean-Daten
(1) Einführung in die Request-Bibliothek
(2) Crawlen Sie die Wetterkarte des Zentralen Meteorologischen Observatoriums
(3) FNL-Daten-Crawling
(4) ERA5-Download
In der Meteorologie und Ozeanographie häufig verwendete Interpolationsmethoden
(1) Regelmäßige Netzdateninterpolation zum Standort
(2) Radiale Basisfunktion RBF-Interpolation
(3) Inverse Distanzgewicht-IDW-Interpolation
(4) Kriging-Interpolation
Grundlegende Theorie und Praxis des maschinellen Lernens
6.1 Grundprinzipien des maschinellen Lernens
(1) Einführung in maschinelles Lernen
(2) Integriertes Lernen (Bagging und Boosting)
(3) Häufig verwendete Modellprinzipien (Random Forest, Adaboost, GBDT, Xgboost, lightGBM)
6.2 Bibliothek für maschinelles Lernen scikit-learn
(1) Einführung in sklearn
(2) sklearn schließt die Klassifizierungsaufgabe ab
(3) sklearn schließt die Regressionsaufgabe ab
Anwendungsbeispiele für maschinelles Lernen
In diesem Thema werden die beiden Arten von Ensemble-Lernalgorithmen, die häufig beim maschinellen Lernen verwendet werden, Bagging und Boosting, ausführlich erläutert und die beiden Arten von Algorithmen und ihre häufig verwendeten repräsentativen Modelle ausführlich erläutert Anhand von drei Beispielen und einer fortlaufenden Diskussion einiger gängiger Techniken des maschinellen Lernens werden Theorie und Praxis kombiniert.
7.1 Anwendung von maschinellem Lernen und Deep Learning in der Meteorologie
Anwendung von KI bei der Korrektur von Wettermodellen, kurzfristigen Vorhersagen, Klimavorhersagen und anderen Szenarien
7.2 Korrektur der Windgeschwindigkeitsvorhersage durch das numerische GFS-Modell
(1) Zufällige Waldauswahl wichtiger Merkmale
(2) K-nächster Nachbar und Entscheidungsbaummodell zur Korrektur der Windgeschwindigkeit
(3) Der GBDT-Entscheidungsbaum zur Gradientenverstärkung korrigiert die Windgeschwindigkeit
(4) Modellbewertung und -vergleich
7.3 Intelligente Korrektur von Taifun-Prognosedaten
(1) Einführung und Vorverarbeitung des CMA-Taifunvorhersagedatensatzes
(2) Zufälliges Waldmodell korrigiert Taifunvorhersage
(3) XGBoost-Modell korrigierte Taifunvorhersage
(4) Test der Vorhersagewirkung des Taifuns „Feuerwerk“.
7.4 Vorhersage der Windkraft in Windparks durch maschinelles Lernen
(1) Das LightGBM-Modell sagt die Windkraft voraus
(2) Ein scharfes Werkzeug zur Parameteranpassung – GridSearch für die K-fache Verifizierung
Grundlegende Theorie und Praxis des Deep Learning
8.1 Grundlegende Theorie des Deep Learning
Erklären Sie die grundlegenden theoretischen Kenntnisse des Deep Learning, verstehen Sie die Grundtheorie und das Funktionsprinzip des maschinellen Lernens tiefgreifend und beherrschen Sie die Konstruktion und Optimierung neuronaler Netzwerkmodelle (z. B. künstliches neuronales Netzwerk ANN, Faltungs-Neuronales Netzwerk CNN, wiederkehrendes neuronales Netzwerk RNN usw.). ), Verbesserung des Verständnisses bestehender Die Fähigkeit, Deep-Learning-Algorithmen und -Technologien zu verstehen und anzuwenden, kann praktische Probleme und Anwendungen in nachfolgenden Bereichen der Meeresmeteorologie besser bewältigen.
8.2 Pytorch-Bibliotheken
(1) Einführung in sklearn, allgemeine Funktionen und Methoden des maschinellen Lernens
Die allgemeinen Funktionen der klassischen Bibliothek für maschinelles Lernen sklearn, wie die Erfassung öffentlicher Datensätze wie Irisblumen und handgeschriebener Schriftarten, die Aufteilung von Trainingssätzen und Testsätzen, Modellerstellung und Modellüberprüfung usw.
(2) Einführung in Pytorch und Modellbau
Das derzeit beliebte Deep-Learning-Framework Pytorch versteht Tensor-Tensor, automatische Ableitung, Gradientenverstärkung usw., nimmt als Beispiel die Sin-Funktion des Lernens neuronaler BP-Netzwerke und beherrscht den Aufbau einschichtiger und mehrschichtiger neuronaler Netzwerke sowie deren Verwendung GPU für Modellberechnungen.
Anwendungsbeispiele für Deep Learning
In diesem Thema erfahren Sie anhand der Verwendung von ANN zur Vorhersage der Flachwassergleichung weiter, wie Sie mit der PINN-Methode die dynamische Gleichung zum Modell hinzufügen und so das Problem der schlechten physikalischen Interpretation von Deep Learning lindern. Darüber hinaus sind meteorologische Daten typische räumlich-zeitliche Daten, die klassische Zeitreihenvorhersagemethode LSTM und der räumliche Faltungsalgorithmus UNET.
9.1 Deep Learning sagt Gleichungsmuster für flache Gewässer voraus
(1) Einführung und Datenerfassung des Flachwassermodells
(2) Traditionelles neuronales Netzwerk ANN, das die Flachwassergleichung lernt
(3) Physical Constraint Network PINN Lernen der Flachwassergleichung
9.2 LSTM-Methode zur Vorhersage von ENSO
(4) ENSO-Einführung und Dateneinführung
(5) Einführung in das Prinzip der LSTM-Methode
(6) LSTM-Methode zur Vorhersage meteorologischer Sequenzdaten
9.3 Deep Learning – Faltungsnetzwerke
(1) Einführung in Faltungs-Neuronale Netze
(2) Unet sagt Radarechos voraus
Statistische EOF-Analyse
Einführung in die EOF-Stiftung und die EOFs-Bibliothek
10.2 EOF-Analyse von Meeresoberflächentemperaturdaten
(1) SST-Datenberechnungsanomalie, Trendbehebung
(2) SST führt eine EOF-Analyse und -Visualisierung durch
Musternachbearbeitung
Nachbearbeitung im WRF-Modus
(1) Einführung in die WRF-Python-Bibliothek
(2) Standortdaten extrahieren
(3) 500hPa formale Feldzeichnung
(4) Vertikales Profil – Beispiel für Radarreflexion
11.2 Nachbearbeitung im ROMS-Modus
(1) Nehmen Sie xarray als Beispiel für den Betrieb von ROMS-Ausgabedaten
(2) Vertikale Koordinatenkonvertierung, S-Koordinate in Tiefenkoordinate
(3) Vertikalschnittzeichnung
(4) Horizontale Farbkartenzeichnung
●Praktische technische Anwendung von Python in der Meteorologie und Ozeanographie
●Ein vollständiger Satz regionaler hochpräziser geowissenschaftlicher Simulationen – WRF-Meteorologiemodellierung, exquisite Zeichnung für mehrere Fälle
Anwendung des WRF-Modus und der Python-Fusion-Technologie in mehreren Bereichen und exquisites Zeichnen
●WRF-UCM) hochpräzise Urbanisierungs-Meteorologie-Dynamik-Simulationstechnologie und Fallpraxis
● Meteorologisches und hydrologisches Kopplungsmodell WRF-Hydro Vorverarbeitung, Betrieb und Praxis
●Anwendung der WRF-SOLAR-Simulationsmethode und verbesserte Technologie des Solarstrahlungsvorhersagemodells im Rahmen des doppelten Kohlenstoffziels in den Bereichen Meteorologie, Landwirtschaft, Forstökologie und Elektrizität
●Simulation zukünftiger Luftverschmutzungsänderungen basierend auf dem globalen Modellvergleichsprogramm CMIP6 und dem regionalen klimachemischen Kopplungsmodell WRF-Chem