XiaoMi-AI文件搜索系统
World File Search Systemforecasting
在洪水预测和预测，挑战和方向上的机器学习应用在改变环境的角度
摘要：在过去的几十年中，洪水被确定为世界上最常见和分布的自然灾害之一。洪水的负面影响可能会大大减少。除了大规模的时空数据以及对物联网数据的更多关注之外，全球数字数据的数量正在增加。人工智能在分析和制定相应的减轻洪水计划，洪水预测或预测中起着至关重要的作用。机器学习（ML）模型最近由于数据从数据中的自学能力而没有包含任何复杂的物理过程而受到了很多关注。本研究对洪水预测，预测和分类任务中使用的ML方法进行了全面综述，并作为未来挑战的指南。讨论了将这些技术应用于洪水预测的重要性和挑战。最后，提出了洪水分析中ML模型的建议和未来方向。
人工智能在股市预测中的应用
摘要：股票市场的特点是波动剧烈、非线性以及内部和外部环境变量的变化。人工智能 (AI) 技术可以检测到这种非线性，从而大大改善预测结果。本文回顾了 148 项利用神经和混合神经技术预测股票市场的研究，这些研究基于使用 NVivo 12 软件获得的 43 个自动编码主题进行分类。我们根据两大类将调查文章分组，即研究特征和模型特征，其中“研究特征”进一步分为涵盖的股票市场、输入数据和研究性质；“模型特征”分为数据预处理、人工智能技术、训练算法和绩效衡量标准。我们的研究结果表明，人工智能技术可以成功地用于研究和分析股票市场活动。最后，我们为潜在的金融市场分析师、人工智能和软计算奖学金制定了研究议程。
预测特朗普第二届政府的影响......
立法。联邦立法机构为制定全面的消费者数据隐私法（类似于《加州消费者隐私法》、《弗吉尼亚州消费者数据保护法》和《德克萨斯州数据隐私和安全法》）所做的努力收效甚微。目前此类立法的努力，例如《2024 年美国隐私权法案》（ARPA），已经停滞不前。事实上，行政、司法和立法部门在理论上统一制定这样的法律，这可能意味着两党立法可以通过。然而，ARPA 的作者之一 Cathy McMorris Rodgers 已经退休，而负责 APRA 的参议院委员会的资深成员 Ted Cruz 赢得了连任。Cruz 过去一直批评 APRA（包括希望有强有力的先发制人），这可能意味着任何通过的联邦隐私法都会与 APRA 不同。
中期负载预测的机器学习方法
摘要利比亚的通用电力公司（Gecol）近年来经历了电力需求激增，导致电力短缺，尤其是在夏季高峰期。这些短缺通常会因大生成单位故障或传输线破坏引起的系统中断而加剧，这极大地影响了该国的稳定性。利比亚正在进行的政治不稳定进一步加剧了这一问题，再加上电力供应问题，在该国一些最大的领域对石油和天然气的产生产生了负面影响。本研究通过采用机器学习（ML）技术来解决电力负荷需求预测的挑战，特别关注基于中期负载预测（MTLF）的人工智能算法。该研究比较了不同ML方法与实际消费数据的准确性和收敛性，旨在确定最有效的方法。准确的负载预测对于像Gecol这样的电气公用事业至关重要，可以有效地满足客户需求并优化发电和传输。着眼于班加西，这项研究开创了机器学习技术来预测总能耗和需求的应用。该研究的发现得到了从Gecol的班加西地区控制中心（BRCC）获得的现实世界数据的验证，这证明了ML在利比亚改善电力载荷预测的潜力。该研究得出以下结果：额外的树回收算法作为目标的孕妇产生了最佳结果，精度值为85％。Huber回归算法产生了赤字的最佳结果
使用Arimax模型探索环境指标和预测流感发病率的影响
流感是一种普遍存在的呼吸道感染，每年对全球数百万人的健康产生重大影响，导致严重的发病率和偶尔死亡（1）。尽管像其他呼吸道感染一样，流感在冬季和春季通常最普遍，但最近的报道阐明了夏季流感病例的引起兴趣（2）。这种新兴趋势对卫生当局和流感监视工作提出了新的挑战。流感的发作和传播受许多因素的影响，包括空气污染物（3）和气象因素等环境指标（4）。因此，获得对流感率的准确预测并对影响其因素的彻底理解的准确预测至关重要。
改善季节性influenza-forecasting-使用时间...
流感是一种高度传染性的呼吸道疾病，仍然对世界各地的公共卫生构成严重威胁。预测技术有助于监测季节性流感和其他类似流感的疾病，以及适当地管理资源以制定疫苗接种策略，并选择适当的公共卫生措施以减少疾病的影响。这项调查的目的是预测使用XGBoost模型在2020年和2021年的沙特阿拉伯每月发病率，并将其与Arima和Sarima模型进行比较。结果表明，与Arima和Sarima模型相比，XGBoost模型具有最低的MAE，MAE和RMSE，并且R-squared（R²）的最高值。本研究将XGBOOST模型与Arima和Sarima模型的准确性进行了比较，以提供每月季节性流感病例数量的预测。这些结果证实了以下概念：XGBoost模型的预测准确性高于Arima和Sarima模型，这主要是由于其捕获复杂的非线性关系的能力。因此，XGBoost模型可以预测沙特阿拉伯季节性流感病例的每月发生。
有限面积预测的数据驱动建模
一般而言，为了帮助在神经LAM和基于图的天气模型中进一步开发不同的图形体系结构，在神经LAM中已经开发了功能，以通过创建单个图形组件来构建与图神经网络一起使用的图。这将图形组件的创建（表示为networkx.digraph对象）分开，该图形组成了消息通话的不同部分[4]图； GRID2MESH（ENCODE），MESH2MESH（PROCESS）和MESH2GRID（DECODE），从序列化中加载到模型中的pytorch_geometric.data数据架构中。后一个步骤的分离实现了实现基于图的天气预测建模的不同代码基础的目标。
有条件的潜在自回归复发模型，用于生成和预测粒子加速器中的光束动力学
粒子加速器是复杂的系统，将重点，引导和加速的强烈带电的粒子梁转向高能。Beam Diagnostics提出了一个具有挑战性的问题，这是由于有限的非破坏性测量，计算要求的模拟以及系统中固有的不确定性。我们提出了一个两步无监督的深度学习框架，称为有条件的潜在自动回归复发模型（Clarm），用于学习加速器中带电粒子的时空动力学。clarm由有条件的变分自动编码器（CVAE）组成，将六维相位空间转换为较低维的潜在分布和长期短期内存（LSTM）网络，以自动化方式捕获临时动力学。克拉姆可以通过对潜在空间表示形式进行采样和解码来生成各种加速器模块的投影。该模型还预测了过去状态（上游位置）的带电粒子的未来状态（下游位置）。结果表明，在针对各种评估指标进行测试时，提出的方法的生成和预测能力有望。
在密西西比河中溶解的氧气预测-Iris
相比之下，统计模型基于历史数据，识别输入和输出变量之间的模式和关系。尽管这些模型的资源密集型和更快的实施速度较低，但由于几个因素，包括自然数据噪声，不完整的数据和有限的空间分辨率，它们通常缺乏准确性。5另外，统计模型通常受线性和正态性的假设的约束，这可能不能充分代表环境过程的非线性和动态性质。为了克服与环境和水文过程相关的高不确定性和复杂性，研究人员近年来越来越多地采用了数据驱动的方法。在其中，人工智能（AI）算法，尤其是机器学习（ML）和深度学习（DL）方法，已获得了突出性。这些方法不需要对输入变量和目标变量之间关系的明确指定，从而可以快速处理以及处理数据中复杂的非线性交互的能力。6
预测带有级联扩散模型的热带气旋
由于气候变化，热带气旋变得更加激烈，与基于数学模型的传统方法相比，基于AL的建模的崛起提供了一种更实惠和更容易获得的方法。这项工作通过整合卫星成像，遥感和大气数据来利用生成扩散模型来预测旋风轨迹和降水模式。它采用了一种级联的方法，该方法包含三个主要任务：预测，超分辨率和降水建模。培训数据集包括2019年1月至2023年3月的六个主要热带气旋盆地的51个旋风。实验表明，来自级联模型的最终预测显示，对于所有三个任务，分别超过0.5和20 dB的良好结构相似性（SSIM）和峰值信号 - 噪声比（PSNR）值（SSIM）和峰值信号 - 噪声比（PSNR）值分别具有出色的结构相似性（SSIM）。可以在单个NVIDIA A30/RTX 2080 Ti的30分钟内生成36小时的预测。这项工作还强调了AL方法的有希望的效率，例如在天气预报中为高性能需求的扩散模型，例如热带气旋预测，同时保持计算负担得起，使其非常适合具有关键预测需求和财务限制的高度脆弱区域。代码可在https：//github.com/nathzi1505/forecast-diffmodels上访问。