A hybrid approach to weather seasonality study and forecasting
Notice bibliographique
Résumé
In the recent years, climate change produces a profound impact on the seasonality shifting. For example, even a slight variation in temperature may trigger an early spring start. This study presents a hybrid application of machine learning and deep learning to analyze the shifts in seasons across contiguous years and to accurately forecast weather variables. The daily meteorological features (minimum temperature, maximum temperature, wind speed, precipitation, snow cover, etc.) collected for the City of Toronto (Canada) area over a 20-year period spanning from 1st January 2001 till 31st December 2020 are used in the study. The temporal data has been pre-processed to normalize and rescale into a [0,1] range. The temporal data points are clustered to form distinct seasons applying various clustering algorithms: K-Means, Agglomerative hierarchical, Mean-shift, Affinity Propagation and Gaussian Mixture. The performance of these algorithms is compared to determine the most accurate seasonal clusters. The results show that the K-Means and Agglomerative hierarchical with ward linkage perform significantly better than other clustering algorithms to group temporal weather data. Obtained clusters are then used to analyze the shifts in seasonality for the period of 20 years. Furthermore, cascaded multi-layered Long Short-Term Memory (LSTM) deep learning model is used to forecast weather variables. Different variants of LSTM (i.e., single layer, multi-layer, and bidirectional) are evaluated to produce computationally inexpensive, lightweight, and accurate 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».