XiaoMi-AI文件搜索系统
World File Search Systemforecasting
基于 AI/ML 的气候服务 S2S 预测工具
有很多 Python 包可用，但没有一个可以处理气候数据集的多维。它安装起来非常容易（一行命令），不需要任何特殊的计算机，并且适用于 Window、Mac 和 Linux/Unix 系统。Xcast 并行化代码，因此速度更快。它包括所有传统方法（MLR、PCR、CCA）和最先进的 AI/ML 方法（如 ANN、随机森林等）。它读取 NetCDF/Grib2/Zar 数据，而传统工具需要“ASCII 格式”。它还可以读取任何模型输出（NMME、C3S、S2S 和 SubX 或您自己的）。它不仅仅是一个“Jupyter 笔记本”，而是一个 Python 包。
地理空间植被预测的多模式学习
精确的地理空间植被预测具有各个部门的潜力，包括农业，林业，植物援助和碳会计。为了利用卫星图像的广泛可用性来完成此任务，各种作品应用了深层神经网络，以预测具有逼真质量的多光谱图像。但是，尚未彻底探索植被动力学的重要领域。我们的研究介绍了Greenearthnet，这是第一个专门为高分辨率植被预测设计的数据集，以及ContextFormer，这是一种新颖的深度学习方法，可预测Sentinel 2卫星2卫星图像，并在整个Eu-Rope之间进行精细分辨率。我们的多模式变压器模型上下文形式通过视觉主链利用空间上下文，并以参数有效的方式预测局部上下文贴片上包含气象时间序列的时间动态。Greenearthnet数据集具有学习的云蒙版和适当的植被建模评估方案。它还与现有的卫星图像预测数据集SEARNET2021保持兼容性，从而实现了跨数据库模型比较。我们广泛的定性和定量分析表明，我们的方法的表现优于广泛的基线技术。这包括超越了SEARNET2021上的先前最先进的模型，以及时间序列预测和视频预测的改编模型。我们提供开源代码和预训练的权重，以根据https：// gith ub.com/vitusbenson/greenearthnet [10]重新产生我们的实验结果。据我们所知，这项工作为大陆规模植被建模的第一个模拟介绍了良好的分辨，能够在季节性周期以外捕获异常，从而为对气候变化和极端的响应铺平了预测植被健康和行为的道路。
粘蛋白 - 微生物组相互作用在牲畜呼吸道疾病中的预测能力
抽象复杂的呼吸道疾病是全球牲畜行业的重大挑战。这些疾病极大地影响了动物健康和福利，并造成严重的经济损失。病原体防御的第一线结合了呼吸道粘液，一种主要由粘蛋白组成的高度粘性物质以及繁荣的多象胸部微生物生态系统。微生物组 - 麦氨基蛋白相互作用可保护不需要的物质和生物体，但其功能障碍可能会引起致病性感染和呼吸道疾病的发作。新兴的证据还表明，非编码调节RNA可能会调节微生物组粘膜关系的结构和功能。本意见论文在兽医感兴趣的动物的呼吸道感染背景下发掘了粘蛋白，微生物组和非编码RNA之间三角关系的当前理解。有必要查看这些分子基础，这些基础决定了独特的健康和疾病结果，以实施针对不同流行病学环境量身定制的有效预防，监视和及时的干预策略。
使用LSTM在巴西进行预测和爆发检测：整合人类流动性和气候因素
背景登革热是全球主要的健康问题，由于其有利的气候因素，社会环境状况以及人类流动性的增加，巴西反复发生和严重爆发。准确的登革热案件和爆发风险对于预警系统和有效的公共卫生干预至关重要。传统的预测模型主要依赖于历史案例数据和气候变量，通常忽略了人类运动在病毒传播中的作用。本研究通过将人类流动性数据纳入基于深度学习的登革热预测框架来解决这一差距。方法开发了一种基于LSTM的模型，以预测每周的登革热病例并检测到选定的巴西城市的爆发。该模型整合了历史登革热案例，滞后气候变量（温度和湿度）以及人类移动调整后的进口案例，以捕获时间趋势和空间传播动态。根据三种替代模型评估其性能：（1）仅使用登革热案例数据的LSTM，（2）结合气候变量的LSTM，以及（3）LSTM集成气候和地理邻里效应的LSTM。使用平均值溶质误差（MAE），平均绝对百分比误差（MAPE）和连续排名的概率得分（CRP）评估了预测准确性，而使用准确性，灵敏度，特异性和F1分数评估了爆发分类。结果在登革热案例预测和爆发检测中，提出的提出的迁移率增强的LSTM模型始终超过所有基线。在所有城市中，它都达到了较低的MAE和MAPE值，表明准确性提高，同时也表现出了出色的CRP性能，反映了良好的校准不确定性估计值。在爆发分类中，该模型达到了最高的灵敏度和F1分数，与仅依赖病例趋势，气候变量或地理位置的模型相比，它在检测爆发期间的有效性。结果强调了登革热预测中赋予移动性数据的重要性，尤其是在人口较高的城市中心。
机器学习进步时间序列预测
但是，什么是机器学习？当然，这是一个流行语，在过去的几年中，它在广受欢迎。文献中有无数的定义，最有良好的定义是来自人工智能先驱阿瑟·塞缪尔（Arthur L. Samuel），后者将ML定义为“使计算机的学习领域，使计算机能够学习而无需明确编程。” 2我们更喜欢一个不太模糊的定义，其中ML是自动化计算机算法与有力的统计方法的组合，可以在丰富的数据集中学习（发现）HID-DEN模式。从这个意义上讲，统计学习理论为ML的统计基础提供了统计基础。因此，本文是关于统计学习的发展，而不是ML，因为我们将重点关注统计模型。ML方法可以分为三个主要群体：受监督，无监督和强化学习。本调查是关于监督学习的，该任务是学习将输入（解释变量）映射到输出（因变量）的函数，该函数基于组织为输入输出对的数据。回归模型属于此类。另一方面，无监督的学习是一类ML方法，它在没有预先存在的标签的数据集中发现未发现的模式，例如群集分析或数据压缩算法。最后，在强化学习中，代理商学会在环境中执行某些行动，从而使其获得最大的奖励。它通过探索和剥削知识来做到这一点，它通过重复提高奖励的重复试验而学习。这是几个人工智能游戏玩家（例如Alfago）以及顺序治疗（例如强盗问题）的核心。
增强了可再生能源预测和操作...
对可再生能源产生的准确和可靠的预测对于将可再生能源的有效整合到电网中至关重要。尤其是，概率预测对于管理可再生能源生产的内在变异性和不确定性，尤其是风和太阳能产生的不确定性至关重要。本文考虑了使用例如分位数回归模型为单个可再生能源站点提供概率预测的设置，但在站点之间没有任何相关信息。如果例如每个站点或多个供应商提供此类预测，则此设置是常见的。但是，要有效地管理可再生发电机的车队，有必要将这些个人预测汇总到车队级别，同时确保汇总的概率预测在统计学上是一致且可靠的。为了应对这一挑战，本文介绍了综合使用Copula和Monte-Carlo方法，以将个人概率预测汇总为在车队级别的统计校准，概率的预测中。使用来自美国几个大型系统的合成数据对所提出的框架进行了验证。这项工作对电网运营商和能源计划者具有重要意义，为他们提供了更好的工具来管理可再生能源生产中固有的可变性和不确定性。
抗菌消耗对大肠杆菌耐药性的影响：使用动态回归模型在法国大学医院（2014- 2019年）进行评估和预测
2。方法2.1。研究设计和设置使用Consores软件（一种用于监视法国公共卫生机构提供的AMC和AMR数据的工具），在2014年1月至2019年12月之间进行了法国教学医院的回顾性生态研究。Nimes University医院有1773张病床，包括46张病床，有24张床，用于血液学，235张手术，长期为190。在研究期间，每年接受41 300至50 100个住院患者，住院时间为55 200天/月，每年增加到2019年的57 500天/月。2.2。细菌样品分析了研究期间收集的大肠杆菌阳性的所有微生物样品。从门诊病人获得的样本，或在急诊室或在入院48小时内收集的样本，除非患者
智能电网能源统计与预测
智能电网中电力的供需缺口导致了能源预测和能源管理系统的引入。能源预测是智能电网系统规划和管理的关键参与者[1]。智能电网中的数据是借助高级计量基础设施（AMI）收集的，它可以测量双向电力流。数据分析应用程序使用这些数据进行预测。这些预测应用程序可用于发电调度、可再生能源发电厂的发电预测以及需求侧管理。在智能电网管理中，各种统计和机器学习预测方法已用于预测电力需求和发电量[2,3]。时间序列发电量和电力需求已使用统计预测方法来预测，包括自回归移动平均线（ARMA）、自回归积分移动平均线（ARIMA）和向量自回归（VAR）[4]。由于智能电网技术的最新进展，统计预测方法无法处理大量发电和需求数据。统计方法不能用于复杂和非线性的数据点[5]。随着机器学习和人工智能预测方法的进步，现在可以进行准确而精确的预测。非线性时间序列数据使用循环神经网络 (RNN) 和长短期记忆 (LSTM) 预测方法进行预测[6]。可再生能源融入智能电网引发了不确定性问题以及能源消费模式的变化。这些不确定性问题可以通过概率方法解决，因为与点预测相比，它们会生成预测区间[7-9]。通过将多种预测方法组合成一种称为混合预测方法的单一方法，可以提高预测精度[10]。多种预测方法的集成使混合模型更加复杂。因此，需要在预测结果和预测精度之间进行权衡。
面向可持续城市发展的深度学习和基于智能能源的轻量级城市电力负荷预测模型
模型来规划城市的电力调度方式，估计城市电力负荷的未来趋势，并确定将电力损耗降至最低并维持稳定供需平衡的发电量（Mahajan 等人，2022 年）。准确的城市智能电力负荷预测对于城市电网保持稳定和财务可持续性至关重要。由于企业在周日停止运营，城市电力负荷数据中的电力负荷规模在周日通常比工作日小。这导致电力负荷预测中的数据不一致。现有的多模型系统（Huseien 和 Shah，2022 年）根据各种负荷分布划分电力负荷数据集，然后为每个子集创建预测模型并提供不同的预测。然而，开发包含许多模型的模型会增加总成本，并将电力分布的共享特性分割到各种负荷分布变化中（Xie 等人，2024 年）。