Multi-step ahead significant wave height forecasting using global and local view graph representation based on GRU model
Notice bibliographique
Résumé
Significant wave heights (SWH) are important to be predicted accurately for clean wave energy production, and beach erosion risks. The existing models lack the ability to analyse the dynamic behaviour of oceanic drivers, as a result, they cannot predict SWH at different forecasting horizons. In this paper, an innovative modelling scheme (termed as GLG-DL) based on graph deep learning which integrated global and local graph features has been designed to predict SWH. The global and local graph leaners enable GLG-DL model to capture the global information, and the local trends from oceanic drivers. The extracted graph representations are then used into the gated recurrent unit (GRU) based encoder and decoder to predict multistep ahead SWH for Palm Beach, Gladstone, and Albatross Bay stations, Australia. The GLG-DL model was compared with Auto-regression model (ARM), Auto-regressive multilayer perceptron (AR-MLP), Recurrent neural network (RNN), RNN based attention mechanism (RNN-AM), RNN based Long Short-term Memory (RNN-LSM), Spatial-temporal attention mechanism (STAM), and improved recurrent neural networks (SNN) models. The results demonstrated that the GLG-DL attained higher performance to forecast multistep ahead SWH for all stations. The GLG-DL model is beneficial in the application and optimization of clean energy resource generations worldwide.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».