ENSEMBLE ARTIFICIAL NEURAL NETWORKS FOR PREDICTION OF DEW POINT TEMPERATURE
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».