@第{CiCP-31-131条，author={孔文佳、李浩晨、余晨江、夏晨江、康燕燕和张平文}，title={多站点天气预报后处理的深空时预报模型}，journal={计算物理中的通信}，年份={2021}，体积={31}，数字={1}，pages＝{131-153}，抽象={在本文中，我们提出了一种用于多站点天气预测后处理的深度时空预测模型（DeepSTF），该模型同时使用时间和空间信息。在我们提出的框架中，时空信息是由CNN（卷积神经网络）模块和编解码器建模具有注意机制的结构。我们工作的新颖之处在于我们的模式充分考虑时间和空间特征，并使用相同的框架同时获得多个气象站的预报。我们应用年226个气象站短期天气预报的DeepSTF模型北京。与包括模型输出统计方法在内的其他广泛使用的基准模型相比，它显著改善了短期预测。为了评估模型参数的不确定性，通过bootstrapping估计置信区间。结果表明，DeepSTF的预测精度模型具有很强的稳定性。最后，我们评估了季节变化和地形差异对模型预测准确性的影响。结果表明我们提出的模型具有较高的预测精度。
},issn={1991-7120}，doi={https://doi.org/10.4208/cicp.OA-2020-0158},url={http://global-sci.org/intro/article_detail/cicp/20020.html}}
TY-JOUR公司T1-一种用于多站点天气预报后处理的深空时预测模型AU-孔文佳，AU-李浩晨，AU-Yu、ChenAU-江江夏，AU-Yanyan Kang，AU-Zhang、PingwenJO-计算物理通信VL-1型SP-131型EP-1532021年上半年DA-2021/12年序号-31做-http://doi.org/10.4208/cicp.OA-2020-0158UR-（欧元）https://global-sci.org/intro/article_detail/cicp/20020.htmlKW-天气预报、后处理、时空建模、深度学习。AB公司-在本文中，我们提出了一种用于多站点天气预测后处理的深度时空预测模型（DeepSTF），该模型同时使用时间和空间信息。在我们提出的框架中，时空信息是由CNN（卷积神经网络）模块和编解码器建模具有注意机制的结构。我们工作的新颖之处在于我们的模式充分考虑时间和空间特征，并使用相同的框架同时获得多个气象站的预报。我们应用年226个气象站短期天气预报的DeepSTF模型北京。与包括模型输出统计方法在内的其他广泛使用的基准模型相比，它显著改善了短期预测。为了评估模型参数的不确定性，通过bootstrapping估计置信区间。结果表明，DeepSTF的预测精度模型具有很强的稳定性。最后，我们评估了季节变化和地形差异对模型预测准确性的影响。结果表明我们提出的模型具有较高的预测精度。
孔文佳、李浩晨、陈瑜、夏江江、康燕燕和张平文。(2021). 用于多站点天气预测后处理的深层时空预测模型。计算物理中的通信.31(1).131-153.doi:10.4208/cicp。OA-2020-0158号文件
复制到剪贴板
