Pesquisa sobre previsão logística do aeroporto de Tianhe com base em aprendizado de máquina
Com o rápido crescimento da economia global, a demanda logística do Aeroporto de Wuhan Tianhe, um dos oito hubs regionais, também está aumentando. Visando o throughput de carga e correio do Aeroporto de Tianhe, o artigo utiliza o modelo de regressão linear em aprendizado de máquina para prever sua demanda por meio do Python, e compara com o método de suavização exponencial quadrática, e obtém a previsão de aprendizado de máquina com base na comparação de o erro percentual médio absoluto. com melhor precisão
Fonte "Tecnologia Logística" Instituição: Evergrande School of Management, Universidade de Ciência e Tecnologia de Wuhan
Pesquisa sobre previsão meteorológica de seca na região de Beijing-Tianjin-Hebei com base no modelo de máquina de aprendizado extremo ideal
Com base na severa seca meteorológica na região de Beijing-Tianjin-Hebei, a fim de encontrar um modelo padrão para previsão de seca na região de Beijing-Tianjin-Hebei, com base no índice de umidade relativa (MI) e no modelo de máquina de aprendizagem extrema ( ELM), baseado no algoritmo de busca de pardal (SSA), otimização de enxame de partículas (PSO) e algoritmo genético (GA) são três algoritmos de otimização e três modelos de otimização, SSA-ELM, PSO-ELM e GA-ELM, são construído, e os resultados do cálculo são comparados com o modelo ELM e a rede neural de regressão generalizada. A comparação entre o modelo de rede (GRNN) e o modelo de rede neural BP mostra que a seca meteorológica na região de Beijing-Tianjin-Hebei é geralmente severa , especialmente na primavera e no inverno, e toda a região é basicamente dominada por secas extremas; o modelo SSA-ELM é eficaz na previsão de seca O modelo SSA-ELM tem o menor índice de erro e o maior índice de consistência e o índice de desempenho abrangente ( GPI) é de 1,36, ocupando o primeiro lugar em precisão entre todos os modelos. Portanto, o modelo SSA-ELM pode ser usado como Modelos Recomendados para Previsão de Seca na Região de Beijing-Tianjin-Hebei
Instituição: Departamento de Engenharia de Conservação de Água, Instituto Hebei de Conservação de Água e Energia Elétrica Autor: Wang Xiaoya, Jia Yue Fonte: "Controle de inundações e alívio da seca na China"
Previsão e análise da concentração de massa de PM2,5 na planície de Fenwei com base em diferentes algoritmos de aprendizado de máquina
Com base em cinco algoritmos de aprendizado de máquina, incluindo Support Vector Regression (SVR), BP Neural Network (BPNN), Random Forest (RF), Gradient Boosting Decision Tree (GBDT) e Extreme Gradient Boosting (XGBoost), use PM2 por hora de 2016 a 2021 .5 Dados de monitoramento de concentração de massa e dados de observação meteorológica, construir um modelo de previsão de concentração de massa PM2.5 para cidades representativas na planície de Fenwei e comparar e testar os efeitos de previsão de diferentes modelos de previsão em diferentes períodos de tempo. Os resultados mostram que: (1) O desempenho geral dos cinco modelos de algoritmo de aprendizado de máquina é que o efeito de previsão do outono, inverno e período de aquecimento é melhor do que a primavera e o verão, e a capacidade de previsão de cada modelo é mais estável e o efeito de previsão é melhor no período de poluição por partículas finas pesadas. (2) O modelo XGBoost é superior a outros modelos em termos de coeficiente de determinação, erro médio absoluto e raiz quadrada do erro médio, seguido pelos modelos GBDT, RF e BPNN, e o modelo SVR é pobre em capacidade de previsão. (3) Os resultados da previsão do modelo XGBoost são muito próximos da situação real em termos de magnitude e tendência de evolução, e o valor previsto se desvia do valor real por uma pequena margem, mas os resultados da previsão de primavera e verão são obviamente superestimados ou subestimados, e também há subestimativas nas áreas de valores extremamente altos. (4) A visibilidade no momento e na última 1 hora é o fator mais crítico que afeta o efeito da previsão, e os fatores meteorológicos têm um efeito de atraso óbvio na concentração de massa de PM2,5 prevista na Planície de Fenwei
Instituição: Shaanxi Provincial Agricultural Sensoriamento Remoto e Centro de Serviços Meteorológicos de Culturas Econômicas Shaanxi Provincial Bureau Meteorológico Qinling e Loess Plateau Laboratório Chave de Meteorologia Ambiental Ecológica de Shaanxi Observatório Meteorológico Provincial de Shaanxi Instituto de Pesquisa em Ciências Meteorológicas de Shaanxi Autor: Zhang Xuting Liu Hui Liang Mian Jufei Gao Xingxing Fonte: "Shaanxi Meteorologia
"
Melhore os recursos práticos de aplicação nos campos de meteorologia, oceanografia e hidrologia com base no aprendizado de máquina Python e na tecnologia de aprendizado profundo
Python é uma linguagem de programação poderosa, gratuita, de código aberto e orientada a objetos que pode ser usada em diferentes sistemas operacionais e plataformas. Sua sintaxe concisa e linguagem interpretada o tornam uma linguagem de script ideal. Além da biblioteca padrão, há também uma grande variedade de bibliotecas de terceiros. Python tem excelente desempenho em processamento de dados, computação científica, modelagem matemática, mineração de dados e visualização de dados. As vantagens acima tornam o Python amplamente utilizado em pesquisas científicas e projetos de engenharia nas áreas de meteorologia, oceanografia, geografia, clima, hidrologia e ecologia . É previsível que o Python se torne uma das principais linguagens de programação nas áreas de meteorologia, oceanografia e hidrologia no futuro [1] .
A inteligência artificial e as tecnologias de big data alcançaram resultados disruptivos em muitos setores. Os campos meteorológico e oceanográfico possuem modelos massivos e dados de observação, que são cenários naturais para aplicações de big data e inteligência artificial. Atualmente, o Python também é a linguagem mais popular para aplicativos de aprendizado de máquina e aprendizado profundo. Para profissionais das áreas meteorológica e oceanográfica, o Python é a primeira escolha para aprendizado de máquina e trabalho de aprendizado profundo.
Instalação e introdução do software Python
1.1 Histórico do Python e sua aplicação na meteorologia
1.2 Interpretação e instalação do Anaconda e configuração do Jupyter
1.3 Sintaxe básica do Python
Biblioteca de Computação de Ciências Meteorológicas
2.1 Biblioteca Numpy
2.2 biblioteca Pandas
2.4 Biblioteca Xarray
Bibliotecas Comuns de Visualização Meteorológica e Oceanográfica
Introdução à biblioteca visual Matplotlib, Cartopy, etc.
3.2 Desenho básico
(1) Desenho de gráfico de linha
(2) Desenho do gráfico de dispersão
(3) Coloração/Contorno
(4) Diagrama vetorial de campo de fluxo
Dados do Crawler e Met-Ocean
(1) Introdução à biblioteca de solicitações
(2) Rastrear o mapa meteorológico do Observatório Meteorológico Central
(3) rastreamento de dados FNL
(4) download do ERA5
Métodos de interpolação comumente usados em meteorologia e oceanografia
(1) Interpolação regular de dados de grade para o site
(2) Interpolação RBF da função de base radial
(3) Interpolação IDW de peso de distância inversa
(4) Interpolação de krigagem
Teoria básica e prática de aprendizado de máquina
6.1 Princípios básicos de aprendizado de máquina
(1) Introdução ao aprendizado de máquina
(2) Aprendizagem integrada (Bagging e Boosting)
(3) Princípios de modelo comumente usados (floresta aleatória, Adaboost, GBDT, Xgboost, lightGBM)
6.2 Biblioteca de aprendizado de máquina scikit-learn
(1) Introdução ao sklearn
(2) sklearn conclui a tarefa de classificação
(3) sklearn conclui a tarefa de regressão
Exemplos de aplicação de aprendizado de máquina
Neste tópico, com base na explicação detalhada dos dois tipos de algoritmos de aprendizado de conjunto comumente usados em aprendizado de máquina, Bagging e Boosting, com base em explicações detalhadas dos dois tipos de algoritmos e seus modelos representativos comumente usados, combinados com três exemplos e discutindo em série algumas técnicas comuns de aprendizado de máquina, combinando teoria e prática.
7.1 Aplicação de Machine Learning e Deep Learning em Meteorologia
Aplicação de IA na correção de modelos climáticos, previsão de curto prazo, previsão climática e outros cenários
7.2 Correção da previsão da velocidade do vento pelo modelo numérico GFS
(1) Seleção aleatória de características importantes da floresta
(2) K-vizinho mais próximo e modelo de árvore de decisão para corrigir a velocidade do vento
(3) Árvore de decisão de aumento de gradiente GBDT corrige a velocidade do vento
(4) Avaliação e comparação do modelo
7.3 Correção inteligente dos dados de previsão de tufão
(1) Introdução e pré-processamento do conjunto de dados de previsão de tufão CMA
(2) Modelo florestal aleatório corrige previsão de tufão
(3) Previsão de tufão corrigida pelo modelo XGBoost
(4) Teste do Efeito de Previsão do Tufão "Fogos de Artifício"
7.4 Previsão de Machine Learning de Energia Eólica em Parques Eólicos
(1) modelo lightGBM prevê energia eólica
(2) Uma ferramenta afiada para ajuste de parâmetros - GridSearch para verificação K-fold
Teoria básica e prática de aprendizado profundo
8.1 Teoria Básica de Deep Learning
Explicar o conhecimento teórico básico do aprendizado profundo, compreender profundamente a teoria básica e o princípio de funcionamento do aprendizado de máquina, dominar como construir e otimizar modelos de rede neural (como rede neural artificial ANN, rede neural convolucional CNN, rede neural recorrente RNN, etc. ), melhorar a compreensão de A capacidade de compreender e aplicar algoritmos e tecnologias de aprendizado profundo pode lidar melhor com problemas práticos e aplicações em campos subsequentes relacionados à meteorologia marinha.
8.2 Bibliotecas Pytorch
(1) Introdução ao sklearn, funções comuns e métodos de aprendizado de máquina
As funções comuns da biblioteca clássica de aprendizado de máquina sklearn, como a aquisição de conjuntos de dados públicos, como flores de íris e fontes manuscritas, a divisão de conjuntos de treinamento e conjuntos de teste, construção de modelo e verificação de modelo, etc.
(2) Introdução ao pytorch e construção de modelos
A atual e popular estrutura de aprendizado profundo pytorch, entenda tensor tensor, derivação automática, aumento de gradiente, etc., use a função sin de aprendizado de rede neural BP como exemplo, domine como construir redes neurais de camada única e multicamada e como usar GPU para cálculos de modelo.
Exemplos de Aplicação de Deep Learning
Neste tópico, com base no uso de ANN para prever a equação de águas rasas, domine ainda mais como usar o método PINN para adicionar a equação dinâmica ao modelo para aliviar o problema de má interpretação física do aprendizado profundo. Além disso, os dados meteorológicos são dados espaço-temporais típicos, o método clássico de previsão de séries temporais LSTM e o algoritmo de convolução espacial UNET.
9.1 O aprendizado profundo prevê padrões de equação de águas rasas
(1) Introdução do modelo de águas rasas e aquisição de dados
(2) Rede neural tradicional ANN aprendendo equação de águas rasas
(3) Rede de Restrição Física PINN Aprendizagem da Equação de Águas Rasas
9.2 Método LSTM para prever ENSO
(4) Introdução ENSO e introdução de dados
(5) Introdução ao princípio do método LSTM
(6) Método LSTM para prever dados de sequência meteorológica
9.3 Aprendizado Profundo - Redes Convolucionais
(1) Introdução às Redes Neurais Convolucionais
(2) Unet prevê ecos de radar
Análise Estatística EOF
Introdução à fundação EOF e biblioteca eofs
10.2 Análise EOF dos dados de temperatura da superfície do mar
(1) Anomalia de cálculo de dados SST, desaceleração
(2) SST realiza análise e visualização EOF
Pós-processamento de padrão
Pós-processamento do modo WRF
(1) Introdução à biblioteca wrf-python
(2) Extrair dados do site
(3) desenho de campo formal 500hPa
(4) Perfil vertical - exemplo de refletividade do radar
11.2 Pós-processamento no modo ROMS
(1) Tome xarray como um exemplo para operar dados de saída ROMS
(2) Conversão de coordenadas verticais, coordenada S para coordenada de profundidade
(3) Desenho de seção vertical
(4) Desenho de mapa colorido horizontal
● Aplicação técnica prática de Python em meteorologia e oceanografia
● Um conjunto completo de simulação geocientífica regional de alta precisão - modelagem meteorológica WRF, desenho requintado de aplicação multicaso
Aplicação do modo WRF e tecnologia de fusão Python em vários campos e desenho requintado
● WRF-UCM) tecnologia de simulação dinâmica meteorológica de urbanização de alta precisão e prática de caso
● Pré-processamento, operação e prática do modelo de acoplamento meteorológico e hidrológico WRF-Hydro
● Aplicação do método de simulação WRF-SOLAR e tecnologia aprimorada do modelo de previsão de radiação solar sob a meta de carbono duplo nas áreas de meteorologia, agricultura, ecologia florestal e energia elétrica
● Simulação de mudanças futuras na poluição do ar com base no programa de comparação de modelo global CMIP6 e no modelo de acoplamento químico-climático regional WRF-Chem