Seasonal Clustering Forecasting Technique for Intelligent Hourly Solar Irradiance Systems
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
The main purpose of the study is to reach a forecasting accuracy level through layering and stacking clusters of weather data to reduce seasonality-related uncertainty. To enhance forecasting accuracy, high-dimensional heterogeneous weather data should be added to training datasets; yet, weather data are deemed to have seasonality-related uncertainty. Since utilizing the long short-term memory (LSTM) model does not achieve the required results, the LSTM forecasting model performance deteriorates as a result of the change from univariate to multivariate analyses. Therefore, a primary investigation was conducted to analyze seasonality-based hourly predictions for global horizontal irradiance. The investigation found that seasonality affects accuracy of predictions due to high levels of Autumn- and Winter-related weather phenomena and climate uncertainty. Accordingly, seasonal clustering forecasting technique (SCFT) based on an LSTM hybrid strategy and stacked layers of weather clusters was proposed. In order to demonstrate the validity of this model, the proposed SCFT is compared to a variety of forecasting approaches in the literature. The comparison shows the SCFT’s superiority, especially during seasons that are predominantly rainy and overcast. Finally, in accordance with previous studies, suggesting the benefit of applying model testing in other parts of the world, SCFT is employed using data from other Köppen climate classifications. Furthermore, the performance of the proposed forecasting model, SCFT, shows significant stability and reliability after measuring it against Diebold–Mariano and Granger–Newbold tests.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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 découle