风数据时空相关性对基于神经网络的风力预测的影响
机器学习
2023-06-21 v4 计算物理
摘要
本文研究了引入时空风数据对风力预测神经网络性能的影响。尽管先前研究表明纳入空间数据可提升此类模型的精度，但关于不同空间与时间尺度的输入风数据对神经网络模型可学习性的影响研究有限。本研究采用卷积神经网络（CNNs）并使用多种尺度的时空风数据进行训练。研究表明，利用周边区域与过去时间步的时空相关数据训练 CNN 有利于提升模型的预测性能。本研究提出相关性分析，包括自相关与皮尔逊相关分析，以揭示时空风特征对不同 CNN 模型预测性能的影响。CNN 模型的时空相关性与性能在三个区域考察：韩国、美国与英国。结果发现，自相关系数（ACC）偏差较小的区域更利于 CNN 学习区域与季节性风特征。具体而言，韩国、美国与英国区域的 ACC 最大标准差分别为 0.100、0.043 与 0.023。CNN 的风预测性能遵循区域的逆序：英国、美国、韩国。这凸显了区域与季节性风条件对预测模型性能的显著影响。
引用
@article{arxiv.2304.01545,
title = {Effects of spatiotemporal correlations in wind data on neural network-based wind predictions},
author = {Heesoo Shin and Mario Rüttgers and Sangseung Lee},
journal= {arXiv preprint arXiv:2304.01545},
year = {2023}
}
备注
27 pages, 18 figures