Event-Aware Spatiotemporal Precipitation Forecasting with Geographic Context and Physics-Guided Regularization
Beijing Institute of Technology(北京理工大学);Tangshan Research Institute, Beijing Institute of Technology(北京理工大学唐山研究院);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
该研究开发了结合地理上下文、事件感知学习与物理引导正则化的时空降水预报框架,利用ERA5数据验证了各组件对提升降水预报效果的作用。
2026-10-09 stat.AP
A Bayesian Approach to Probabilistic Solar Irradiance Forecasting
太阳能发电的输出在很大程度上取决于可用的太阳辐射。因此,随着光伏发电在现代电网中的普及,预测太阳辐照度对于电网的正常运行至关重要。为了提高预测性能的准确性,本文讨论了概率预测的贝叶斯处理。该方法被证明使用公开的数据从佛罗里达州自动气象网(FAWN)。该算法在Python中开发,并将结果与点预测,其他概率方法和该时期获得的实际现场结果进行比较。
2022-09-02 cs.SY eess.SY stat.AP
Spatio-temporal DeepKriging in PyTorch: A Supplementary Application to Precipitation Data for Interpolation and Probabilistic Forecasting
School of Mathematics and Applied Statistics, University of Wollongong, Australia(数学与应用统计学系,沃林戈恩大学,澳大利亚)
本文基于PyTorch平台实现时空深度克里金(STDK)框架,用于欧洲降水数据的插值与多步预测,并提供可复现代码模块,验证了该方法在处理时空不规则性时的预测性能与鲁棒性。
2025-09-16 cs.LG stat.AP
Probabilistic Quantitative Precipitation Forecasting Using Ensemble Model Output Statistics
动力预报集合的统计后处理是天气预报的重要组成部分。在这篇文章中,我们提出了一个后处理方法,生成完整的预测概率分布的降水积累的集合模型输出统计(EMOS)的基础上。我们模拟降水量的广义极值分布,左删失为零。这种分布允许在原始尺度上模拟降水,而无需事先转换数据。可以导出其连续秩概率得分的封闭形式表达式,并且允许计算高效的模型拟合。我们讨论了我们的方法,结合进一步的统计特征的空间变异性的降水量在感兴趣的位置附近的扩展。建议的EMOS方法应用于每日18小时的预测6小时累积降水在德国在2011年使用的COSMO-DE集合预报系统由德国气象局。它产生校准和尖锐的预测分布,并与扩展的逻辑斯谛回归和贝叶斯模型平均,这是最先进的降水后处理方法相比,毫不逊色。邻域信息的纳入进一步提高了预测性能,并证明是一个有用的策略,占位移误差的动态预测的概率预测框架。
2013-02-04 physics.ao-ph stat.AP
Coupling Precipitation Forecasting and Early Warning with Reverse-Martingale Recurrent Neural Networks
Institute of Statistical Science, Academia Sinica(中央研究院统计科学研究所)
提出一种带反向平滑惩罚的递归神经网络,在不损失预报精度的同时,通过重构缺陷信号实现干旱早期预警,在四个气候区验证了其提前于标准干旱指数的预警能力。
2026-07-01 stat.AP
Small-Area Precipitation Forecasting and Drought--Flood Early Warning with Reverse-Martingale Regularized Recurrent Networks
Institute of Statistical Science, Academia Sinica(中央研究院统计科学研究所)
提出逆鞅正则化循环神经网络(RMRNN)用于概率降水预报和序贯旱涝预警,通过后向一致性惩罚和Shiryaev-Roberts检测器提升预警性能。
2026-05-26 stat.AP stat.ME
A probabilistic gridded product for daily precipitation extremes over the United States
网格化数据产品,例如气象站每日降水量的插值测量,通常被用作直接观测的方便替代品,因为这些产品提供了空间和时间上连续和完整的数据源。然而,当目标是在空间域上表征极端降水的气候特征时(例如,返回值的地图),那么网格化的产品可能会导致不正确的结论,因为日降水量是一个分形场,因此任何平滑技术都会抑制局部极值。为了解决这个问题,我们创建了一个新的“概率”网格化产品,专门设计用于描述极端降水的气候特性,通过应用空间统计分析,每天测量的降水量从GHCN超过CONUS。我们的方法的本质是,首先估计极端降水的气象站数据的基础上,然后使用数据驱动的统计方法,这些估计插值到一个细网格。我们认为,我们的方法产生了一个网格单元内的气候学的改进表征,因为极端降水的概率行为表现得更好(即,比日常天气更好。此外,我们的方法固有的空间平滑显着增加了信噪比的估计极端统计相对于没有平滑的分析。最后,通过推导出一种数据驱动的方法,将极端统计数据转化为空间完整的网格,本文所述的方法解决了如何正确比较台站数据与地球系统模型输出的问题。最后,我们通过比较我们的概率网格化产品与标准极值分析的Livneh网格化的每日降水产品的文件。
2019-01-02 physics.ao-ph stat.AP
Stochastic Tropical Cyclone Precipitation Field Generation
热带气旋是沿海洪灾的重要驱动因素,对公共安全和经济造成严重的负面影响。由于这种事件很少发生,高空间和时间分辨率的历史风暴降水数据的可用性有限。本文介绍了一个统计的热带气旋时空降水生成器,从风暴轴数据集的有限信息。考虑到少数的预测变量,是常见的历史或模拟风暴路径合奏,如在风暴中心的压力赤字,最大风速半径,风暴中心和方向,以及距离海岸,建议的随机模型生成的时空场的定量降水的研究领域。统计上的新颖之处包括,该模型是在拉格朗日坐标相对于动态风暴中心,使用的想法,从低秩表示与循环过程模型。该模型是训练一组热带气旋数据从一个先进的天气预报模式在墨西哥湾和美国南部,并通过交叉验证。结果表明,该模型适当地捕捉空间不对称的气旋降水模式,总降水量以及降水的局部分布在一组案例研究地点沿海岸。
2020-11-19 stat.AP
Combining Probabilistic Forecasts of Intermittent Demand
针对间歇性需求概率预测研究不足、现有研究忽略库存影响的问题,本研究构建兼顾预测精度与库存效用的概率预测组合方法,实证发现其优于单一方法,但两类性能存在权衡。
2024-04-15 stat.AP
Post-processing multi-ensemble temperature and precipitation forecasts through an Exchangeable Gamma Normal model and its Tobit extension
气象集合是由气象中心提供的未来天气情景的集合。这种集合形成了概率预测的有价值信息的主要来源,其目的是产生感兴趣的量的预测概率分布,而不是单个最佳猜测估计。不幸的是,在没有初步的后处理处理来校准系综的情况下,系综通常不能被认为是来自这种预测概率分布的样本。在文献中可以找到两个主要的后处理方法家族,或者是竞争的,如BMA,或者是合作的,如EMOS。本文提出了一个属于合作家族的混合效应模型。该模型的结构是基于假设下的集合成员的重新标记的不变性。其有趣的特点如下:1)交换,这有助于简约,与潜在的枢纽变量综合的基本气象特征的集合,2)多集合的实施,允许利用各种信息,以提高预测程序的清晰度。重点是投到正常的统计结构,首先与温度的直接应用程序,然后与它的Tobit扩展降水。推理是由期望最大化算法与追索权的随机条件模拟降水的情况下。在人工数据上检查其良好的行为后,建议的后处理技术被应用于由Hydro-Qu $é$ bec管理的五个流域的温度和降水集合预报。这些集合预报是从THORPEX交互式全球大联盟(TIGGE)数据库中提取的。结果表明,后处理的合奏校准,一般比原始合奏更清晰。
2019-03-05 stat.AP
Improving Subseasonal Forecasting in the Western U.S. with Machine Learning
美国西部的水资源管理者(美国)依靠对气温和降水的长期预报,为干旱和其他极端潮湿天气做好准备。为了提高这些长期预测的准确性,美国垦务局和国家海洋和大气管理局(NOAA)发起了亚季节气候预测竞赛,这是一项为期一年的实时预测挑战,参与者旨在提前两到四周和四到六周巧妙地预测美国西部的温度和降水。在这里,我们介绍并评估了我们的机器学习方法,并发布了我们的SubseasonalRodeo数据集,收集这些数据集用于训练和评估我们的预测系统。我们的系统是两个回归模型的集合。第一个集成了不同的收集气象测量和动态模型预测的SubseasonalRodeo数据集和修剪不相关的预测使用自定义的多任务模型选择过程。第二种方法只使用目标变量(温度或降水)的历史测量值,并将多任务最近邻特征引入加权局部线性回归。每个模型都比去偏操作的美国气候预测系统(CFSv 2)更准确,我们的集合技能超过了每个目标变量和预测范围的顶级Rodeo竞争对手。此外,在2011-2018年期间,我们的回归模型和去偏CFSv 2的集合将温度的去偏CFSv 2技能提高了40-50%,降水量提高了129-169%。我们希望我们的数据集和我们的方法将有助于推进亚季节预测的最新发展。
2019-05-22 cs.CY stat.AP stat.ML
Physics-based vs. data-driven 24-hour probabilistic forecasts of precipitation for northern tropical Africa
研究提出CNN+EasyUQ两阶段方法,将U-Net确定性预报转化为概率预报,在非洲北部热带地区24小时降水预报中全面优于物理模型与传统统计方法。
2024-01-08 physics.ao-ph stat.AP
Statistical models for short and long term forecasts of snow depth
预测未来积雪深度对于道路安全、冬季体育活动、雪崩风险评估和水文学等许多应用都很有用。由于缺乏雪深的统计预报模型,在本文中,我们提出了一套模型来填补这一空白。首先,我们提出了一个模型来做短期预测时,我们假设可靠的天气预报的空气温度和降水是可用的。协变量被非线性地包括在模型中,遵循降雪、雪老化和融化的基本物理原理。由于雪深等于零的大量观测数据,我们使用零膨胀伽马回归模型,该模型通常用于类似的应用,如降水。我们还可以对积雪深度进行长期预测,并且比传统的温度和降水天气预报更深入。长期预报是根据降水、温度和积雪深度的历史时间序列拟合模型作出的。我们拟合模型的数据来自挪威的三个地点具有不同的气候特性。预测未来五天的结果显示,在给出可靠的温度和降水天气预报的情况下,挪威不同地点的绝对值预测误差在3到7厘米之间。预测未来三周,预测误差在7到16厘米之间。
2019-01-15 stat.AP stat.ME
Forest-based methods and ensemble model output statistics for rainfall ensemble forecasting
降雨集合预报必须对低降水和极端事件都有技巧。我们提出了基于分位数回归森林(QRF)和梯度森林(GF)的统计后处理方法,并对重尾分布进行了参数扩展。我们的目标是提高集合质量的所有类型的降水事件,包括重尾,受到良好的整体性能。我们的混合提出的方法被施加到每天51小时的预测6小时累积降水量从2012年至2015年在法国使用M{é}t{é}o-France集合预报系统称为PEARP。它们提供校准的预测分布,并与最先进的方法(如模拟方法或Encoding模型输出统计)竞争。特别是,混合森林为基础的程序似乎带来了附加值的预测暴雨。
2017-11-29 math.ST stat.AP stat.ML
Probabilistic Forecasting of Patient Waiting Times in an Emergency Department
我们研究估计的概率分布的个别病人在急诊科(ED)的等待时间。我们功能丰富的建模允许动态更新和细化等待时间估计,作为患者和ED特定信息(例如,病人状况、急诊室充血程度)。还讨论了与患者沟通预测不确定性,并在实践中实施这种方法有关的方面。
2020-05-30 stat.AP
A Multi-model Combination Approach for Probabilistic Wind Power Forecasting
Shandong University(山东大学);Zhejiang University(浙江大学);Argonne National Laboratory(阿贡国家实验室);Tsinghua University(清华大学)
短期概率风电功率预测可以为电力系统运行和控制提供关键的量化的风电功率不确定性信息。由于风电功率预测误差的复杂性,很难开发出一种通用的预测模型来优于其他替代模型。因此,本文提出了一种新的多模型组合(MMC)方法的短期概率风力发电预测,利用不同的预测模型的优点。该方法可以结合不同的预测模型,提供不同的概率密度函数,以提高概率预测精度。采用基于稀疏贝叶斯学习、核密度估计和贝塔分布拟合的概率预测模型构成组合模型。MMC模型的参数求解基于贝叶斯框架。数值试验表明了所提出的MMC方法的有效性。
2017-02-13 cs.LG stat.AP
Applications of machine learning to predict seasonal precipitation for East Africa
本文采用EOF降维与可解释机器学习,结合大尺度气候指数特征预测东非季节降水,并在1993—2020年三个季节上与SEAS5和气候态比较。
2024-09-10 stat.AP stat.ML
Lasso estimation for GEFCom2014 probabilistic electric load forecasting
我们提出了一种基于套索(最小绝对收缩和选择算子)估计的概率负荷预测方法。所考虑的模型可以看作是一个二元时变门限自回归(AR)过程的小时电力负荷和温度。联合建模方法直接将温度效应,并反映每日,每周和每年的季节性模式和公众假期的影响。我们提供了两个实证研究,一个基于2014年全球能源预测竞赛(GEFCom 2014-L)的概率负荷预测轨道,另一个基于最近的另一个概率负荷预测竞赛,该竞赛遵循类似于GEFCom 2014-L的设置。在这两个实证案例研究中,所提出的方法优于GEFCom 2014-L的前八个条目中的两个基于多重线性回归的基准。
2016-03-04 stat.AP stat.ML
Probabilistic Forecasting for Daily Electricity Loads and Quantiles for Curve-to-Curve Regression
电力负荷曲线的概率预测对于在日益波动和竞争激烈的能源市场中进行有效的调度和决策至关重要。我们提出了一种新的方法来构建概率预测曲线(PPC),这导致了一个自然的和新的分位数的定义曲线到曲线线性回归的上下文中。PPC有三种类型:预测集、预测带和预测分位数,所有这些都是在预先指定的名义概率水平上定义的。在仿真研究中,PPC在多种数据生成机制下都能获得较好的覆盖概率。在法国日负荷曲线的一天前预测中,PPC在预测精度、覆盖率和预测带平均长度方面优于几种最先进的预测方法。预测分位数曲线提供了有见地的信息,这是高度相关的电力供应管理中的对冲风险。
2020-11-11 stat.AP stat.ME
Generative Probabilistic Time Series Forecasting and Applications in Grid Operations
Cornell University(康奈尔大学)
本文提出弱新息自编码器架构,从非参数平稳时间序列中提取独立同分布新息序列,并证明其贝叶斯充分性,在实时电价预测中优于领先的概率预测和点预测方法。
2024-02-21 cs.LG eess.SP stat.AP
Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models
Stanford University(斯坦福大学);Open Climate Fix(开放气候修复);National Center for Atmospheric Research(美国国家大气研究中心)
推进概率太阳能预测方法对于支持太阳能融入电网至关重要。在这项工作中,我们开发了各种最先进的概率模型预测太阳辐照度。我们调查使用事后校准技术,以确保良好校准的概率预测。我们训练和评估的模型使用公共数据从七个站在SURFRAD网络,并证明,最好的模型,NGBoost,实现更高的性能在每小时内的分辨率比最好的基准太阳辐照度预测模型在所有站点。此外,我们表明,NGBoost与CRUDE事后校准实现了相当的性能数值天气预报模型的小时分辨率预报。
2020-10-14 cs.LG stat.AP stat.ML
A hybrid model of kernel density estimation and quantile regression for GEFCom2014 probabilistic load forecasting
作为2014年全球能源预测竞赛概率负荷预测轨道的一部分,我们提出了一种结合核密度估计(KDE)和分位数回归技术生成概率预测的模型。KDE方法最初是使用时间衰减参数实现的。我们后来通过调节温度或一周的周期变量来改进这种方法,以提供更准确的预测。其次,我们发展了一个简单而有效的分位数回归预测。我们的方法的新颖方面是双重的。首先,我们将对称性引入到基于核密度估计的预测的时间衰减参数中。其次,我们结合三个概率预测不同的权重为不同时期的一个月。
2016-10-17 physics.data-an physics.soc-ph stat.AP
A review of machine learning concepts and methods for addressing challenges in probabilistic hydrological post-processing and forecasting
National Technical University of Athens(雅典国立技术大学);Hellenic Air Force(希腊空军)
概率预报在包括水文学在内的各种应用领域中日益受到重视。几个机器学习概念和方法对于解决形式化和优化概率预测实现的主要挑战以及识别这些实现中最有用的实现的同样重要的挑战是显著相关的。尽管如此,注重实际的审查,这些概念和方法,以及如何可以有效地利用这些在上述基本的努力,目前失踪的概率水文预报文献。尽管在同一文献中,从机器学习中受益的研究工作明显加强,但这种缺乏仍然存在。尽管最近出现了实质性的相关进展,特别是在概率水文后处理领域,传统上为水文学家提供概率水文预报实施,但它也成立。我们的目标是填补这一空白。在我们的审查中,我们强调可以导致有效普及的关键思想和信息,因为这种强调可以支持未来的成功实施和进一步的科学发展。在同一个前瞻性的方向,我们确定开放的研究问题,并提出想法,在未来进行探索。
2022-10-30 cs.LG stat.AP stat.ME
Adaptive Probabilistic Forecasting of Electricity (Net-)Load
本文提出基于 Kalman filter、残差分位数回归与在线专家聚合的自适应概率电力负荷预测方法,并在英国净负荷和美国七城需求数据上验证其显著提升点预测与概率预测性能。
2023-04-24 stat.AP stat.ME stat.ML
Quantile Regression for Qualifying Match of GEFCom2017 Probabilistic Load Forecasting
我们提出了一种简单的基于分位数回归的预测方法,并将其应用于2017年全球能源预测竞赛(GEFCom 2017)的概率负荷预测框架中。每小时负荷数据经过对数转换并分为长期趋势分量和剩余项。关键的预测要素是剩余期的分位数回归方法,该方法考虑到每周和每年的季节性,例如它们的相互作用。温度信息仅用于稳定长期趋势分量的预测。公众假期信息被忽略。尽管如此,预测方法在开放数据跟踪中排名第二,在确定数据跟踪中排名第四,这是显着的模型简单。该方法也始终优于Vanilla基准。
2018-09-10 stat.AP stat.CO stat.ME
Probabilistic multivariate electricity price forecasting using implicit generative ensemble post-processing
预测不确定性的可靠估计是风险敏感最优决策的关键。在本文中,我们提出了隐式生成集成后处理,多变量概率电价预测的新框架。我们使用一个基于点预测模型集合的无似然隐式生成模型来生成具有一致依赖结构的多变量电价场景,作为联合预测分布的表示。我们的集成后处理方法优于成熟的模型组合基准。这一点在德国日前市场的数据集上得到了证明。由于我们的方法在特定领域的专家模型集合之上工作,因此可以很容易地部署到其他预测任务中。
2020-05-27 econ.EM q-fin.RM q-fin.ST