A Novel Hybrid Predictive Model for Ultra-Short-Term Wind Speed Prediction
Notice bibliographique
Résumé
A novel hybrid model is proposed to improve the accuracy of ultra-short-term wind speed prediction by combining the improved complete ensemble empirical mode decomposition with adaptive noise (ICEEMDAN), the sample entropy (SE), optimized recurrent broad learning system (ORBLS), and broadened temporal convolutional network (BTCN). First, ICEEMDAN is introduced to smooth the nonlinear part of the wind speed data by decomposing the raw wind speed data into a series of sequences. Second, SE is applied to quantitatively assess the complexity of each sequence. All sequences are divided into simple sequence set and complex sequence set based on the values of SE. Third, based on the typical broad learning system (BLS), we propose ORBLS with cyclically connected enhancement nodes, which can better capture the dynamic characteristics of the wind. The improved particle swarm optimization (PSO) is used to optimize the hyper-parameters of ORBLS. Fourth, we propose BTCN by adding a dilated causal convolution layer in parallel to each residual block, which can effectively alleviate the local information loss of the temporal convolutional network (TCN) in case of insufficient time series data. Note that ORBLS and BTCN can effectively predict the simple and complex sequences, respectively. To validate the performance of the proposed model, we conducted three predictive experiments on four data sets. The experimental results show that our model obtains the best predictive results on all evaluation metrics, which fully demonstrates the accuracy and robustness of the proposed model.
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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».