用于细粒度多步长风速预测的时空深度神经网络
机器学习
2023-09-12 v1 人工智能
摘要
风速与风向的预测对航空与风电发电等诸多实际应用具有关键影响，但由于气象数据的高随机性与复杂相关性，其极具挑战性。现有方法通常聚焦于部分有影响的因素，因而缺乏对问题的系统处理。此外，细粒度预报对高效行业运营至关重要，但文献中较少受关注。本工作中，我们提出一种新颖数据驱动模型——多步长时空网络（MHSTN），用于普遍实现准确高效的细粒度风速预测。MHSTN在序列到序列（Seq2Seq）主干中集成多个针对不同类型因素的深度神经网络，以有效从多源数据提取特征，并给定区域内所有站点产生多步长预测。MHSTN由四大模块组成。首先，时间模块融合由数值天气预测（NWP）导出的粗粒度预报与站点历史现场观测数据，以利用全球与局地大气信息。其次，空间模块通过建模所有站点的联合表示来利用空间相关性。第三，集成模块对上述两模块加权以得到最终预测。此外，协变量选择模块自动选取有影响的气象变量作为初始输入。MHSTN已集成入中国最繁忙国际机场之一的调度平台。评估结果表明我们的模型大幅优于对比方法。
引用
@article{arxiv.2309.04733,
title = {A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind Prediction},
author = {Fanling Huang and Yangdong Deng},
journal= {arXiv preprint arXiv:2309.04733},
year = {2023}
}