Designing empirical fourier decomposition reinforced with multiscale increment entropy and deep learning to forecast dry bulb air 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
Accurate prediction of dry bulb air temperature (DBTair) is significant to determine the state of humid air and supporting experts in the environmental sector. Traditional machine learning based approaches struggle to deliver accurate predictions when temperature is suddenly fluctuated during extreme weather conditions. This paper aims to design an intelligent model namely MEFD-MSIE-FCNN to forecast DBT air which integrates multivariate empirical Fourier decomposition (MEFD), multiscale increment entropy (MSIE), and FCSM model that integrates a fully connected neural network FCNN with long short-term memory (LSTM) to forecast DBT air . The multivariant time series of each predictor variable is passed through the MEFD to extract mutual features across multivariant time series and deliver multivariable-aligned modes. Then, the MSIE is extracted to form a feature final matrix to represent mutual information from multivariant time series. Finally, the features set is sent to the FCSM to forecast multistep ahead DBT air using goodness-of-fit statistical metrics for two regions in Saudi Arabia. The proposed model showed highest accuracy for Jazan station (RMSE=2.120, MAE=2.912, RSE=0.123, ECC=0.971, WIA=0.981, CC=0.982), and Jeddah station (RMSE=2.131, MAE=2.921, RSE=0.113, ECC=0.969, WIA=0.979, CC=0.980). A comprehensive comparison is made against state-of-the art benchmarking models, concluding that there is a noticeable improvement in model's performance in terms of AME, ECC, CC, WIA, RMSE and correlation coefficient. The proposed FCSM can be helpful for many applications such as improving weather prediction, preventing climate risks, energy consumption, water resources management and agricultural industry. Additionally, the proposed model can support decision makers and industries in the environmental sector to make informed decisions to mitigate the effects of climate change.
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 | 0,000 | 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