論文の概要: A Meta-Analysis of Solar Forecasting Based on Skill Score
- arxiv url: http://arxiv.org/abs/2208.10536v2
- Date: Wed, 12 Apr 2023 07:57:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 18:54:24.739416
- Title: A Meta-Analysis of Solar Forecasting Based on Skill Score
- Title(参考訳): 習熟度に基づく日射量予測のメタ分析
- Authors: Thi Ngoc Nguyen and Felix M\"usgens
- Abstract要約: 定性的な太陽予測の総合的メタ分析を,スキルスコアに基づいて行った。
4,687点のデータベースを構築し解析した。
時間内および日内予測は日頭予測よりも改善が見られた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We conduct the first comprehensive meta-analysis of deterministic solar
forecasting based on skill score, screening 1,447 papers from Google Scholar
and reviewing the full texts of 320 papers for data extraction. A database of
4,687 points was built and analyzed with multivariate adaptive regression
spline modelling, partial dependence plots, and linear regression. The marginal
impacts on skill score of ten factors were quantified. The analysis shows the
non-linearity and complex interaction between variables in the database.
Forecast horizon has a central impact and dominates other factors' impacts.
Therefore, the analysis of solar forecasts should be done separately for each
horizon. Climate zone variables have statistically significant correlation with
skill score. Regarding inputs, historical data and spatial temporal information
are highly helpful. For intra-day, sky and satellite images show the most
importance. For day-ahead, numerical weather predictions and locally measured
meteorological data are very efficient. All forecast models were compared.
Ensemble-hybrid models achieve the most accurate forecasts for all horizons.
Hybrid models show superiority for intra-hour while image-based methods are the
most efficient for intra-day forecasts. More training data can enhance skill
score. However, over-fitting is observed when there is too much training data
(longer than 2000 days). There has been a substantial improvement in solar
forecast accuracy, especially in recent years. More improvement is observed for
intra-hour and intra-day than day-ahead forecasts. By controlling for the key
differences between forecasts, including location variables, our findings can
be applied globally.
- Abstract(参考訳): Google Scholarから1,447枚の論文をスクリーニングし,データ抽出のための320枚の論文の全文をレビューした。
4,687点のデータベースを構築し,多変量適応回帰スプラインモデル,部分依存プロット,線形回帰を用いて解析した。
10因子のスキルスコアに対する限界影響を定量化した。
解析は、データベース内の変数間の非線形性と複雑な相互作用を示す。
予測地平線は中心的な影響を持ち、他の要因の影響を支配している。
したがって、太陽予報の分析は各地平線ごとに別々に行うべきである。
気候変数は、スキルスコアと統計的に有意な相関がある。
入力に関しては、歴史的データと時空間情報が非常に有用である。
日中は、空と衛星画像が最も重要である。
日中の天気予報や局地的な気象データは非常に効率的である。
予測モデルは全て比較された。
アンサンブルハイブリッドモデルは、すべての地平線の最も正確な予測を達成する。
ハイブリッドモデルは時間内予測に優れ、画像ベース手法は日内予測に最も効率的である。
トレーニングデータが増えれば、スキルスコアが向上する。
しかし、トレーニングデータ(2000日以上)が多すぎると、過剰適合が観察される。
特に近年では、太陽の予測精度が大幅に向上している。
時間内および日内予測は日頭予測よりも改善が見られた。
位置変数を含む予測間の重要な違いを制御することで,この知見をグローバルに適用することができる。
関連論文リスト
- Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳(メタデータ) (2022-11-03T17:19:43Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Towards Coupling Full-disk and Active Region-based Flare Prediction for
Operational Space Weather Forecasting [0.5872014229110215]
本稿では, 太陽フレア予測システムの訓練と展開を行うための新しい手法を提案する。
フルディスクモードでは、深層学習モデルを用いて全ディスクラインオブサイト磁気グラム上で予測を行う。
アクティブなリージョンベースモデルでは、各アクティブなリージョンに対して個別に予測が発行される。
論文 参考訳(メタデータ) (2022-08-11T22:34:44Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳(メタデータ) (2022-04-01T14:55:10Z) - SubseasonalClimateUSA: A Dataset for Subseasonal Forecasting and
Benchmarking [20.442879707675115]
SubseasonalClimateUSAは、米国におけるサブシーズン予測モデルのトレーニングとベンチマークのための、キュレートされたデータセットである。
このデータセットを使用して、操作力学モデル、古典的気象ベースライン、最先端の機械学習10、文献からのディープラーニングベースのメソッドなど、さまざまなモデルのスイートをベンチマークします。
論文 参考訳(メタデータ) (2021-09-21T18:42:10Z) - CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。
多様なデータソースから表現と不確実性を学ぶことができる。
動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。
CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文 参考訳(メタデータ) (2021-09-15T17:13:47Z) - WeatherBench: A benchmark dataset for data-driven weather forecasting [17.76377510880905]
データ駆動型中距離天気予報のためのベンチマークデータセットを提案する。
機械学習モデルでの使用を容易にするために処理されたERA5アーカイブから得られたデータを提供する。
単純な線形回帰手法、ディープラーニングモデル、および純粋に物理的な予測モデルからベースラインスコアを提供する。
論文 参考訳(メタデータ) (2020-02-02T19:20:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。