ENSEMBLE ARTIFICIAL NEURAL NETWORKS FOR PREDICTION OF DEW POINT TEMPERATURE
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Dew point temperature is needed as an input to calculate various meteorological variables. In general, it contributes to human and animal comfort levels. The goal of this study was to develop artificial neural network (ANN) models for dew point temperature prediction to improve upon previous research. These improvements included optimizing the stopping criteria, comparing seasonal models to year-round models, and developing ensemble ANNs to blend the output of seasonal models. For an ANN trained with 100,000 patterns per epoch, the error was reduced using a 2000-pattern stopping dataset at an interval of 20 learning events to decide when to stop training. Seasonal ANN models were blended in an ensemble ANN with the weight of the member networks determined using a fuzzy membership-type function based on the day of year. These ensemble models were shown to produce lower errors than year-round, nonensemble models. The mean absolute errors (MAEs) of the final models evaluated with an independent evaluation dataset included 0.795°C for a 2-hour prediction, 1.485°C for a 6-hour prediction, and 2.146°C for a 12-hour prediction. The final model MAEs, when compared to the previous research, were reduced by 0.008°C, 0.081°C, and 0.135°C, respectively. It can be concluded that the methods used in this research were effective in more accurately predicting year-round dew point temperature. The ANN models for different prediction periods were sequenced to provide a 12-hour dew point temperature prediction system for implementation on the Georgia Automated Environmental Monitoring Network website (www.georgiaweather.net).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle