머신러닝 기반 천하공항 물류예측 연구
세계 경제의 급속한 성장에 따라 8개 지역 허브 중 하나인 우한 톈허 공항의 물류 수요도 증가하고 있다. 톈허 공항의 화물 및 우편물 처리량을 목표로 기사는 기계 학습에서 선형 회귀 모델을 사용하여 Python을 통해 수요를 예측하고 이를 2차 지수 평활 방법과 비교하고 비교를 기반으로 기계 학습의 예측을 얻습니다. 평균 절대 백분율 오차 더 나은 정확도
출처 "물류 기술" 기관: 무한 과학 기술 대학교 Evergrande School of Management
최적극한학습기모형에 기반한 북경-천진-하북 지역의 기상학적 가뭄예보에 관한 연구
현재 북경-천진-허베이 지역의 극심한 기상 가뭄 상황을 바탕으로 북경-천진-허베이 지역 가뭄 예보의 표준모형을 알아보기 위해 상대습도지수(MI)와 SSA(Sparrow Search Algorithm), PSO(Particle Swarm Optimization), GA(Genetic Algorithm)를 기반으로 하는 학습 기계 모델(ELM)은 세 가지 최적화 알고리즘이며 SSA-ELM, PSO-ELM 및 GA의 세 가지 최적화 모델입니다. -ELM을 구축하고 계산 결과를 ELM 모델과 일반화 회귀 신경망과 비교 네트워크 모델(GRNN)과 BP 신경망 모델의 비교를 통해 Beijing-Tianjin-Hebei 지역의 기상학적 가뭄이 일반적으로 특히 봄과 겨울에 심각하며 전체 지역은 기본적으로 극심한 가뭄에 의해 지배됩니다. SSA-ELM 모델은 가뭄 예측에 효과적입니다. 모델의 정확도가 높고 모델의 오류 지수가 가장 낮으며 일관성이 있습니다. 지수가 가장 높고 종합성능지수(GPI)가 1.36으로 정확도가 모든 모델 중 1위이므로 SSA-ELM 모델은 베이징-톈진-허베이 지역 가뭄예보를 위한 추천 모델로 활용될 수 있다.
기관: Hebei Institute of Water Conservancy and Electric Power, Water Conservancy Engineering과 저자: Wang Xiaoya, Jia Yue 출처: "중국의 홍수 통제 및 가뭄 완화"
다양한 기계 학습 알고리즘을 기반으로 한 펜웨이 평원의 PM2.5 질량 농도 예측 및 분석
SVR(Support Vector Regression), BPNN(BP Neural Network), RF(Random Forest), GBDT(Gradient Boosting Decision Tree) 및 XGBoost(Extreme Gradient Boosting)를 포함한 5가지 기계 학습 알고리즘을 기반으로 2016년부터 2021년까지 매시간 PM2를 사용합니다. .5 질량 농도 모니터링 데이터 및 기상 관측 데이터, Fenwei Plain의 대표 도시에 대한 PM2.5 질량 농도 예측 모델을 구축하고 서로 다른 기간에 서로 다른 예측 모델의 예측 효과를 비교 및 테스트합니다. 결과는 다음과 같습니다. (1) 5가지 기계 학습 알고리즘 모델의 전체 성능은 봄과 여름보다 가을과 겨울과 난방 기간에 더 좋고 각 모델의 예측 능력은 이 기간에 더 안정적이고 더 좋습니다. 무거운 미세 입자 오염의. (2) 결정계수, 평균절대오차, 제곱평균오차는 XGBoost 모델이 다른 모델보다 우수하고 GBDT, RF, BPNN 모델 순이며 SVR 모델은 예측력이 떨어진다. (3) XGBoost 모델 예측 결과는 크기와 진화 추세 측면에서 실제 상황에 매우 가깝고 예측 값은 실제 값에서 약간의 편차가 있지만 봄과 여름 예측 결과는 분명히 과대 또는 과소 평가되었으며, 또한 매우 높은 가치 영역에서 과소평가되고 있습니다. (4) 현재와 과거 1시간 동안의 가시성은 예측 효과에 영향을 미치는 가장 중요한 요소이며 기상 요소는 Fenwei Plain의 PM2.5 질량 농도 예측에 명백한 시차 영향을 미칩니다.
기관: 산시성 농업 원격 감지 및 경제 작물 기상 서비스 센터 산시성 기상국 친링 및 황토 고원 생태 환경 기상 핵심 실험실 산시성 기상 관측소 산시 기상 과학 연구소 저자: Zhang Xuting Liu Hui Liang Mian Jufei Gao Xingxing 출처: "산시성 기상학
"
Python 머신러닝과 딥러닝 기술을 기반으로 기상학, 해양학, 수문학 분야의 실용화 역량 향상
Python은 다양한 운영 체제와 플랫폼에서 사용할 수 있는 강력하고 무료이며 오픈 소스인 객체 지향 프로그래밍 언어입니다. 간결한 구문과 해석된 언어는 이상적인 스크립팅 언어입니다. 표준 라이브러리 외에도 풍부한 타사 라이브러리가 있습니다.Python은 데이터 처리, 과학 컴퓨팅, 수학적 모델링, 데이터 마이닝 및 데이터 시각화에서 탁월한 성능을 발휘합니다. 위의 장점으로 인해 Python은 기상학, 해양학, 지리학, 기후, 수문학 및 생태학 분야의 과학 연구 및 엔지니어링 프로젝트에 널리 사용 됩니다. Python은 미래에 기상학, 해양학 및 수문학 분야의 주류 프로그래밍 언어 중 하나가 될 것으로 예상됩니다 [1] .
인공 지능 및 빅 데이터 기술은 많은 산업에서 파괴적인 결과를 얻었으며 기상 및 해양 분야에는 빅 데이터 및 인공 지능 응용 프로그램의 자연스러운 시나리오인 방대한 모델 및 관측 데이터가 있습니다. Python은 현재 기계 학습 및 딥 러닝 응용 프로그램에서 가장 많이 사용되는 언어이기도 합니다. 기상학 및 해양학 분야의 전문가에게 Python은 머신 러닝 및 딥 러닝 작업을 위한 첫 번째 선택입니다.
Python 소프트웨어 설치 및 도입
1.1 파이썬 배경과 기상학에서의 응용
1.2 Anaconda 해석 및 설치 및 Jupyter 구성
1.3 파이썬의 기본 구문
기상과학전산도서관
2.1 넘파이 라이브러리
2.2 팬더 라이브러리
2.4 Xarray 라이브러리
기상 및 해양 공통 시각화 라이브러리
비주얼 라이브러리 소개 Matplotlib, Cartopy 등
3.2 기본 도면
(1) 꺾은선형 차트 그리기
(2) 산점도 그리기
(3) 착색/윤곽
(4) 유동장 벡터도
크롤러 및 Met-Ocean 데이터
(1) 요청 라이브러리 소개
(2) 중앙기상대 기상도 크롤링
(3) FNL 데이터 크롤링
(4) ERA5 다운로드
기상학 및 해양학에서 일반적으로 사용되는 보간 방법
(1) 사이트에 대한 일반 그리드 데이터 보간
(2) 방사형 기저 함수 RBF 보간
(3) 역 거리 가중치 IDW 보간
(4) 크리깅 보간
머신러닝의 기초이론과 실습
6.1 기계 학습의 기본 원리
(1) 머신러닝 입문
(2) 통합 학습(Bagging 및 Boosting)
(3) 일반적으로 사용되는 모델 원리(random forest, Adaboost, GBDT, Xgboost, lightGBM)
6.2 기계 학습 라이브러리 scikit-learn
(1) sklearn 소개
(2) sklearn은 분류 작업을 완료합니다.
(3) sklearn은 회귀 작업을 완료합니다.
기계 학습의 응용 사례
본 주제에서는 머신러닝에서 흔히 사용되는 두 가지 앙상블 학습 알고리즘인 Bagging과 Boosting에 대해 자세히 설명하고, 두 가지 알고리즘에 대한 심층적인 설명과 이들이 공통적으로 사용하는 대표 모델을 결합하여 세 가지 예를 들어 몇 가지 일반적인 기계 학습 기술을 연속적으로 논의하여 이론과 실습을 결합합니다.
7.1 기상학에서의 머신러닝과 딥러닝의 응용
기상 모델 수정, 단기 예보, 기후 예보 및 기타 시나리오에서 AI 적용
7.2 GFS 수치모델에 의한 풍속예보 보정
(1) 중요 기능의 무작위 숲 선택
(2) 풍속 보정을 위한 K-최근접 이웃 및 결정 트리 모델
(3) 그래디언트 부스팅 결정 트리 GBDT는 풍속을 보정합니다.
(4) 모델 평가 및 비교
7.3 태풍 예보 데이터의 지능형 수정
(1) CMA 태풍 예보 데이터셋 도입 및 전처리
(2) 임의의 숲 모델이 태풍 예보를 수정함
(3) XGBoost 모델 수정 태풍 예보
(4) 태풍 "불꽃" 예보 효과 테스트
7.4 풍력 발전소의 풍력에 대한 기계 학습 예측
(1) lightGBM 모델은 풍력을 예측합니다.
(2) 매개변수 조정을 위한 날카로운 도구 - K-fold 검증을 위한 GridSearch
딥러닝의 기초이론과 실습
8.1 딥러닝의 기본 이론
심층 학습의 기본 이론 지식을 설명하고, 기계 학습의 기본 이론과 작동 원리를 깊이 이해하고, 신경망 모델(예: 인공 신경망 ANN, 합성곱 신경망 CNN, 순환 신경망 RNN 등)을 구성하고 최적화하는 방법을 숙달합니다. ), 기존의 이해도 향상 딥 러닝 알고리즘 및 기술을 이해하고 적용하는 능력은 후속 해양 기상 관련 분야에서 실질적인 문제 및 응용을 더 잘 다룰 수 있습니다.
8.2 파이토치 라이브러리
(1) sklearn 소개, 공통 기능 및 기계 학습 방법
붓꽃, 손글씨체 등의 공개 데이터 세트 획득, 트레이닝 세트와 테스트 세트의 분할, 모델 구축 및 모델 검증 등 고전적인 머신러닝 라이브러리인 sklearn의 공통 기능
(2) 파이토치 소개 및 모델 구축
현재 널리 사용되는 딥 러닝 프레임워크 pytorch, 텐서 텐서, 자동 유도, 그래디언트 부스팅 등 이해, BP 신경망 학습 sin 함수를 예로 들어, 단일 계층 및 다중 계층 신경망 구축 방법 및 사용 방법을 마스터합니다. 모델 계산을 위한 GPU.
딥러닝 적용 사례
이 항목에서는 ANN을 사용하여 얕은 물 방정식을 예측하는 것을 기반으로 PINN 방법을 사용하여 모델에 동적 방정식을 추가하여 심층 학습의 물리적 해석이 좋지 않은 문제를 완화하는 방법을 더 숙달합니다. 또한 기상 데이터는 대표적인 시공간 데이터, 고전적인 시계열 예측 방법인 LSTM, 공간 컨볼루션 알고리즘인 UNET이다.
9.1 딥 러닝은 얕은 물 방정식 패턴을 예측합니다.
(1) 천해 모델 도입 및 데이터 획득
(2) 전통적인 신경망 ANN 학습 얕은 물 방정식
(3) 물리적 제약 네트워크 PINN 학습 얕은 물 방정식
9.2 ENSO 예측을 위한 LSTM 방법
(4) ENSO 도입 및 데이터 도입
(5) LSTM 방법의 원리 소개
(6) 기상 시퀀스 데이터를 예측하기 위한 LSTM 방법
9.3 딥러닝 - 컨볼루션 네트워크
(1) 합성곱 신경망 소개
(2) Unet은 레이더 에코를 예측합니다.
EOF 통계 분석
EOF 기초 및 eofs 라이브러리 소개
10.2 해수면 온도 데이터의 EOF 분석
(1) SST 데이터 계산 이상, detrend
(2) SST는 EOF 분석 및 시각화를 수행합니다.
패턴 후처리
WRF 모드 사후 처리
(1) wrf-python 라이브러리 소개
(2) 사이트 데이터 추출
(3) 500hPa 공식 현장 도면
(4) 수직 프로파일 - 레이더 반사율의 예
11.2 ROMS 모드에서 후처리
(1) xarray를 예로 들어 ROMS 출력 데이터를 작동합니다.
(2) 수직 좌표 변환, S 좌표를 깊이 좌표로 변환
(3) 종단면도
(4) 가로 채색 지도 그리기
●기상학 및 해양학 분야에서 Python의 실용적인 기술 적용
●지역 고정밀 지구 과학 시뮬레이션 전체 세트 - WRF 기상 모델링, 다중 사례 적용 정교한 도면
WRF 모드와 Python 융합 기술을 다양한 분야에 적용하고 정교한 드로잉
●WRF-UCM) 고정밀 도시화 기상동역학 시뮬레이션 기술 및 사례실습
● 기상수문연관모형 WRF-Hydro 전처리, 운영 및 실습
●WRF-SOLAR 모의기법 적용 및 기상, 농업, 임업생태, 전력분야 이중탄소 목표 하의 일사량 예측모델 기술 고도화
●글로벌 모델 비교 프로그램 CMIP6와 지역 기후-화학적 결합 모델 WRF-Chem을 기반으로 미래 대기오염 변화 시뮬레이션