Aplikasyon Rezo Neral Renouvlab Memwa Alontèm Pou Prevwa Vitès Van

Résumé:

Previzyon vitès van an se youn nan pwoblèm ki pi enpòtan ak defi nan prediksyon pouvwa van pou jenerasyon elektrisite. Yo te itilize memwa alontèm kòm yon solisyon pou memwa kout tèm pou adrese pwoblèm nan disparisyon oswa eksplozyon enfòmasyon gradyan pandan pwosesis fòmasyon ki gen eksperyans nan rezo neral renouvlab (RNN) lè yo itilize seri tan etid.

Memwa alontèm se inséparabl ak memwa. Memwa se yon pwosesis olye konplèks ki enplike tout aspè nan sèvo imen an, tankou sansasyon, pèsepsyon, koyisyon, aplikasyon, reyaksyon, elatriye. Objektif nou se estoke enfòmasyon nou resevwa nan memwa alontèm pou itilize pita.

Long Short-Term Memory Model (LTM) enpòtan nan pwosesis sa a. LTM refere a kapasite nou nan magazen enfòmasyon ki te trete. Sa vle di, LTM ede nou estoke enfòmasyon ki soti nan memwa kout tèm nan sèvo a. Ak pou memwa, depo alontèm se objektif final la.

Nan lavi nou, anpil faktè ki pwodui memwa alontèm gen rapò ak eksperyans pèsonèl ak aktivite yo. Pa egzanp, ekspoze nan yon sitiyasyon pou yon tan ase lontan, koute yon konferans, oswa amelyore kapasite memwa ka ogmante memwa.

Modèl memwa a kout tèm ka tou senpleman eksplike jan sa a: Lè nou premye aprann yon moso nan enfòmasyon, nou ka estoke li nan memwa a kout tèm. Enfòmasyon sa yo pral estoke pou yon tan espesifik, men li pral disparèt byen vit. Sepandan, si nou panse pwofondman sou enfòmasyon sa a oswa konekte li ak eksperyans anvan yo, li pral transfere nan memwa alontèm.

Se poutèt sa, kle nan amelyore memwa alontèm nou an se kenbe sèvo nou an aktif, pozitif, ak panse kreyatif. Nou ka egzèse sèvo nou lè nou li liv, jwe jwèt entèaktif, eksplore nouvo bagay, epi ekri jounal pèsonèl. An patikilye, byen konbine aprantisaj ak eksplorasyon ka pi byen ranfòse memwa.

An brèf, enpak modèl memwa alontèm ak kout tèm sou memwa enpòtan anpil. Nan lavi ak etid, nou bezwen peye atansyon ak pratike memwa. Atravè panse aktif ak egzèsis, nou ka kontinyèlman amelyore kapasite memwa alontèm nou yo epi aprann nouvo konesans pi fasil ak efektivman. Li ka wè ke nou bezwen amelyore memwa nou an. Cistanche ka siyifikativman amelyore memwa paske li kapab tou kontwole balans nerotransmeteur, tankou ogmante nivo asetilkolin ak faktè kwasans, ki trè enpòtan pou memwa ak aprantisaj. Anplis de sa, Cistanche kapab tou amelyore sikilasyon san ak ankouraje livrezon oksijèn, sa ki ka asire ke sèvo a jwenn ase nitrisyon ak enèji, kidonk amelyore vitalite nan sèvo ak andirans.

Klike sou konnen sipleman pou amelyore memwa

Nan etid sa a, pwoblèm sa a adrese lè yo pwopoze yon modèl prediksyon ki baze sou memwa alontèm ak yon rezo neral pwofon devlope pou prevwa valè vitès van an nan plizyè etap tan nan tan kap vini an.

Baz done metewolojik nan Halifax, Kanada te itilize kòm yon sous pou de seri vitès van pou chak èdtan. De sezon diferan prentan (mas 2015) ak ete (jiyè 2015) yo te itilize pou fòmasyon ak tès modèl la prévisions. Rezilta yo te montre ke itilizasyon modèl yo pwopoze a ka efektivman amelyore presizyon prediksyon vitès van an.

Mo kle: previzyon; memwa alontèm; seri tan miltip; RNN; vitès van an.

1. Entwodiksyon

Prevwa vitès van an se yon defi trè difisil konpare ak lòt varyab nan atmosfè a, e sa se akòz nati chaotic ak tanzantan yo ki lakòz difikilte pou entegre pouvwa van nan griy la.

Kòm vitès van an se youn nan sous enèji vèt ki pi devlope ak pi bon mache, previzyon egzat li nan kout tèm vin tounen yon pwoblèm enpòtan e li gen yon enpak desizif sou griy elektrik la. Tou de metòd dinamik ak estatistik, ak kèk metòd ibrid ki marye de metòd yo, yo te aplike pou prevwa vitès van a kout tèm.

Egzekisyon modèl prediksyon metewolojik (NWP) wo-rezolisyon mande pou yon konpreyansyon sou anpil nan prensip debaz ki sipòte yo, tankou asimilasyon done, konesans sou fason pou estime modèl NWP nan espas ak tan, ak fason pou fè validation ak verifikasyon prévisions. Sa a ka koute chè an tèm de tan enfòmatik.

Metòd ak teknik serye pou prevwa vitès van an ap vin de pli zan pli enpòtan pou karakterize ak predi resous van [1]. Objektif prensipal nenpòt previzyon se pou konstwi, idantifye, ajiste, ak valide modèl timeseries.

Previzyon seri tan se youn nan pwoblèm ki pi enpòtan yo aplike nan aprantisaj machin ak entèlijans atifisyèl an jeneral, depi amelyorasyon nan metòd previzyon pral fè li posib pi byen predi konpòtman an nan plizyè faktè zòn endiferan. Tradisyonèlman, modèl sa yo baze sou metòd analiz estatistik ak modèl matematik devlope nan ane 1960 yo ak ane 1970 yo [2].

Modèl ARIMA a te itilize pou pwedi vitès van lè l sèvi avèk mezi komen rapò erè pou presizyon prediksyon modèl [3]. Dènyèman, aprantisaj pwofon nan kominote aprantisaj machin lan te vin gen yon popilarite enpòtan paske li konsidere kòm yon fondasyon jeneral ki fasilite fòmasyon nan rezo neral pwofon ak anpil kouch kache [4].

Disponibilite gwo done ansanm ak amelyorasyon nan algoritm ak kwasans eksponansyèl nan pouvwa enfòmatik te mennen nan yon vag san parèy nan enterè nan sijè a nan aprantisaj machin.

Metòd sa yo itilize sèlman done istorik pou aprann depandans o aza ant sot pase a ak tan kap vini an. Pami metòd sa yo, rezo neral renouvlab (RNNs) ki fèt pou aprann yon sekans done lè yo travèse yon eta kache soti nan yon etap nan sekans nan pwochen an, konbine avèk opinyon an, ak routage li retounen ak lide ant antre yo [5] .

Rezo neral renouvlab ki baze sou memwa a kout tèm (LSTM-RNN) yo te itilize pou prevwa 1 a 24 èdtan devan pouvwa van [6]. Yo te fè yon konparezon ant LSTM, machin aprantisaj ekstrèm (ELM), ak SVM. Rezilta yo te montre ke apwòch aprantisaj pwofon yo pi efikas pase metòd tradisyonèl aprantisaj machin nan amelyore presizyon prediksyon atravè estrikti rezo neral bouk direksyon an ak yon inite espesyal kache [7]. Etid yo sigjere ke kouple modèl NWP ak rezo neral atifisyèl ta ka benefisye epi bay pi bon presizyon konpare ak metòd konvansyonèl NWP modèl downscaling [8].

Metòd prediksyon metewolojik nimerik (NWP) se youn nan metòd ki pi itilize, epi li apwopriye pou alontèm olye ke kout tèm ak previzyon a mwayen tèm akòz gwo kantite kalkil [9]. Te gen analiz de presizyon previzyon vitès van nan modèl rezo neral frekan yo, epi yo te prezante pi bon rezilta konpare ak modèl ARIMA univarye ak miltivarye [10].

Yo te devlope modèl otoregresif lineyè ak ki pa lineyè ak ak san varyab ekstèn pou prevwa vitès van a kout tèm. Yo te itilize twa mezi pèfòmans, MAE, RMSE ak MAPE pou mezire presizyon modèl yo [11].

Metòd LSTM te itilize pou pwevwa vitès van ak rezilta yo te konpare ak tradisyonèl atifisyèl neral networkand autoregressive entegre k ap deplase modèl mwayèn, metòd yo pwopoze a te pwouve pi bon rezilta [12]. Modèl memwa alontèm (LSTM) te fè pou prevwa vitès van an espas-tanporèl a kout tèm pou senk kote lè l sèvi avèk done dezan pou vitès van istorik ak oto-regression.

Modèl la te vize amelyore presizyon previzyon sou yon orizon tan ki pi kout. Pou egzanp, lè l sèvi avèk LSTM pou de oswa twa èdtan ka prevwa orizon ki pwolonje jiska kenz jou lè l sèvi avèk yon modèl NWP ki mete ajou tèt li tipikman ak yon frekans sis èdtan [13]. Vitès fòmasyon RNN yo pou predi seri tan miltivarye anjeneral relativman ralanti sitou lè yo itilize ak gwo pwofondè rezo.

Dènyèman, divès kalite RNN yo rele memwa alontèm (LSTM) te favorize akòz pèfòmans siperyè li yo pandan faz fòmasyon an pa pi byen rezoud pwoblèm gradyan ki disparèt ak eksploze nan achitekti RNN estanda [14,15].

Yo te pwopoze modèl memwa kout tèm (LSTM) ak rezo konvolisyon tanporèl (TCN) pou previzyon move tan ki baze sou done, epi yo te konpare pèfòmans yo ak apwòch klasik aprantisaj machin (regression estanda (SR), regression vektè sipò (SVR), forè o aza. RF)), apwòch aprantisaj machin estatistik (Mwayèn k ap deplase autoregressif entegre (ARIMA), regression vektè oto (VAR), ak modèl koreksyon erè vektè (VECM)), ak metòd ansanbl dinamik (Abitraj nan ekspè previzyon (AFE)).

Rezilta modèl yo pwopoze a demontre kapasite li pou predi move tan efikas ak egzat [16].Malgre devlopman kontinyèl rechèch sou algorithm LSTM nan prediksyon alontèm vitès van an, algorithm tradisyonèl RNN pou prediksyon toujou pi pito nan pifò rechèch.

Nan papye sa a, yo te mete aksan sou aplikasyon LSTMalgorithm nan jaden an nan pwevwa vitès van ak yon konparezon ant prediksyon efikasite ak presizyon nan algorithm a anba diferan seri tan vitès van te itilize pou fòmasyon ak tès.

2. Metodoloji ak Done Sous

2.1. Sous Done yo

Nan etid sa a, yo te aplike modèl yo pwopoze a sèlman pou prevwa a kout tèm vitès van an pou evite gwo tan enfòmatik pou fè rediksyon dinamik nan itilize modèl NWP tankou Weather Research and Forecasting Model (WRF). Done sou vitès van ki soti nan estasyon Halifax Dockyard nan Nova Scotia, ki sitiye nan latitid 44.66◦ N, longè 63.58◦ W.

Vitès van yo te mezire nan yon wotè 3.80 m, epi li te itilize kòm yon sous pou de sezon diferan, prentan (mas 2015) ak ete (jiyè 2015), jan yo montre nan Figi 1.

Pou tou de sezon, done yo anrejistre nan chak èdtan, (576 lekti/24 jou) kòm obsèvasyon ak (168 lekti/7 jou), respektivman, kòm gwoup fòmasyon ak tès yo. ka amelyore presizyon dirèksyon pwosesis fòmasyon an.

2.2. Rezo neral frekan

Rezo neral renouvlab (RNNs) se rezo neral done sekans ki gen objektif pou predi pwochen etap la nan yon sekans obsèvasyon parapò ak etap anvan yo nan menm sekans la.

RNN yo genyen kouch kache ki distribye atravè tan, ki pèmèt yo estoke enfòmasyon yo te jwenn nan premye etap lekti done seri yo. Vitès van an depann sou kout ak long tèm.

Modèl RNN senp la pa kapab okipe depandans alontèm. Youn nan pwoblèm ki rive nan dewoulman yon RNN se ke gradient nan kèk nan pwa yo kòmanse vin twò piti oswa twò gwo si rezo a se depliye pou twòp tan etap.

Yo rele fenomèn sa a pwoblèm gradient disparisyon, epi li ka estoke memwa a kout tèm sèlman paske li gen ladan fonksyon aktive kouch kache nan etap tan anvan an sèlman epi sa lakòz pèt enfòmasyon nan alontèm [17,18].

Yon kalite achitekti rezo ki rezoud pwoblèm sa a se LSTM la. Nan yon aplikasyon tipik, kouch kache a ranplase pa yon blòk konplèks nan inite enfòmatik ki konpoze de pòtay ki pyèj erè a nan blòk la, fòme yon sa yo rele "karousèl erè" [5]. Figi 2 montre estrikti RNN kote pwodiksyon kouch ki te kache a se antre nan kouch kache aktyèl la. Modèl RNN eksprime pa

2.2. Rezo neral frekan

Rezo neral renouvlab (RNNs) se rezo neral done sekans ki gen objektif pou predi pwochen etap la nan yon sekans obsèvasyon parapò ak etap anvan yo nan menm sekans la. RNN yo genyen kouch kache ki distribye atravè tan, ki pèmèt yo estoke enfòmasyon yo te jwenn nan premye etap lekti done seri yo. Vitès van an depann sou kout ak long tèm.

Modèl RNN senp la pa kapab okipe depandans alontèm. Youn nan pwoblèm ki rive nan dewoulman yon RNN se ke gradient nan kèk nan pwa yo kòmanse vin twò piti oswa twò gwo si rezo a se depliye pou twòp tan etap. Yo rele fenomèn sa a pwoblèm gradient disparisyon, epi li ka estoke memwa a kout tèm sèlman paske li gen ladan fonksyon aktive kouch kache nan etap tan anvan an sèlman epi sa lakòz pèt enfòmasyon nan alontèm [17,18].

Yon kalite achitekti rezo ki rezoud pwoblèm sa a se LSTM la. Nan yon aplikasyon tipik, kouch kache a ranplase pa yon blòk konplèks nan inite enfòmatik ki konpoze de pòtay ki pyèj erè a nan blòk la, fòme yon sa yo rele "karousèl erè" [5]. Figi 2 montre estrikti RNN kote pwodiksyon kouch ki te kache a se antre nan kouch kache aktyèl la.

Modèl RNN eksprime pa kote li ye opinyon an, li se valè eta a nan kouch kache a, li se valè nan kouch pwodiksyon an nan tan t, poukisa se pwa a soti nan kouch nan opinyon, poukisa se pwa a pou pwodiksyon an reta nan moman t - 1, tanh se tanjant hyperbolic kòm fonksyon deklanchman nan kouch kache a, andσ se fonksyon sigmoid kòm fonksyon deklanchman nan kouch pwodiksyon an.

2.3. Memwa alontèm

Rezo memwa alontèm se yon kalite rezo neral renouvlab (RNN) ki fèt pou evite pwoblèm depandans alontèm, kote chak newòn gen yon selil memwa ki kapab estoke enfòmasyon anvan RNN te itilize oswa bliye li si sa nesesè [19] . Kounye a, li se lajman itilize ak siksè nan pwoblèm prediksyon seri tan.

LSTM-RNN te fèt nan yon selil memwa ki estoke depandans alontèm. Anplis selil memwa a, selil LSTM a gen yon pòtay antre, pòtay pwodiksyon ak forgetgate.

Chak pòtay nan selil la resevwa tx aktyèl la antre, eta kache ht-1 nan moman anvan an ak enfòmasyon eta Ct-1 nan memwa entèn selil la pou fè divès operasyon epi detèmine si yo aktive lè l sèvi avèk yon fonksyon lojik. Eta ht nan inite a, pwodiksyon an nan tan t, ak eta a kache D 'nan tan t1 yo detèmine pa tanh ki pa linearlyactivating ( ) ak enfòmasyon ki nan pòtay pwodiksyon an.

3. Rezilta ak Diskisyon

Nan etid sa a, yo te itilize lojisyèl MATLAB (R2019b) pou pwosesis fòmasyon LSTM, ki se yon achitekti avanse pou RNN pou predi valè tan kap vini yo nan yon sekans. Yo te antrene rezo retou sekans nan sekans LSTM, kote repons yo se sekans fòmasyon ak valè ki chanje nan yon sèl etap.

Sa vle di, pou chak etap tan nan sekans opinyon an, rezo LSTM la aprann predi valè pwochen etap tan an. Nan travay sa a, pou evalye efikasite ak aplikabilite modèl pwopoze a konplè ak sistematik, yo te chwazi de seri done vitès van an pou de sezon diferan akòz diferan karakteristik klimatik yo, ki se, respektivman, prentan (mas 2015) ak ete (jiyè 2015). ).

Chak seri done te divize an 1-576 (24 jou) kòm obsèvasyon ak 577-744 (7 jou), respektivman, kòm gwoup fòmasyon ak tès yo. Done fòmasyon yo te estandadize pou yo gen zewo mwayen ak divèjans inite nan tan prediksyon pou anpeche fòmasyon soti nan divergence. Yo jwenn pi bon paramèt fòmasyon pou jwenn pi ba RMSE lè l sèvi avèk yon to aprantisaj inisyal 0.005.

Figi 4 ak 5 montre konparezon valè obsève yo ak valè prevwa seri vitès van lè yo kolekte nan sezon prentan (1-31 mas 2015) ak pandan ete (1-31 jiyè 2015), respektivman, pou evalyasyon LSTM a, ki te resevwa fòmasyon yon fwa (la). valè prediksyon anvan an) epi yo itilize ankò pou predi chak etap tan ant prediksyon ki reprezante pa Ekwasyon (2)–(4). Sa vle di ke pa gen okenn mizajou fèt yon fwa modèl la premye adapte done fòmasyon an, ak modèl la nan ka sa a yo rele modèl la fiks paske gen noupdates.

Yo te chwazi opsyon fòmasyon rezo LSTM pou 200 modil kache. Pousantaj aprantisaj inisyal la se 0.005, epi kantite maksimòm iterasyon yo fikse nan 250. Se limit gradyan yo mete sou 1 pou anpeche gradyan yo eksploze. Pousantaj aprantisaj la diminye apre 125 epòk lè yo miltipliye pa yon faktè 0.2. Nan tou de Figi 6 ak 7, LSTM a te mete ajou ak nouvo done pou previzyon seri tan yo lè l sèvi avèk valè yo prevwa ak valè eta yo mete ajou nan seri tès la epi yo te mete disponib pou modèl la pou pwevwa sou pwochen etap la Espesyalman, modifyedLSTM la te adopte Ct−1 nan pòtay yo antre, bliye, ak pwodiksyon.

Sa a se paske chak fwa LSTM a kontinye, Ct−1 afekte opinyon, bliye, ak pwodiksyon LSTM la. Tout prediksyon yo kolekte nan seri done tès la epi yo kalkile yon nòt erè pou rezime konpetans modèl la. Yo itilize erè kare mwayen rasin (RMSE) paske li penalize gwo erè ak rezilta nan yon nòt nan menm inite ak done yo prevwa a, ki se vitès van perhour.

Isit la, prediksyon yo pi egzak lè yo mete ajou eta rezo a ak valè yo obsève olye de valè prevwa yo. Soti nan rezilta yo, yo obsève ke nan tou de seri Prentan (mas 2015) ak pandan ete (jiyè 2015) valè RMSE tonbe pa 4.5845 ak 4.9392, respektivman, lè w ap itilize aktyalizasyon LSTM la, e sa a se akòz diferan karakteristik yo nan chak.

Nan travay sa a ak ki baze sou plizyè etid anvan yo dapre diferan modèl, li te note ke presizyon nan modèl prediksyon diferan selon diferan karakteristik enfòmasyon an, ak Se poutèt sa, jiska kounye a, pa gen okenn modèl ki te rive jwenn ki travay ak presizyon nan menm ak enfòmasyon diferan. . Tablo 1 montre erè yo pou de seri done yo (jiyè 2015) ak (mas 2015) nan modèl LSTM pwopoze a lè l sèvi avèk mezi erè RMSE yo.

4. Konklizyon

Yon modèl previzyon egzat sou sous vitès van nesesè pou bay enfòmasyon esansyèl pou pèmèt operatè rezo yo ak konsèpteur sistèm yo nan jenere yon plant elektrik optimal van ak balans ekipman ak demann nan mache enèji a.

Nan etid sa a, yo te pwopoze memwa a kout tèm modifye (LSTM) pou prevwa vitès van an. Piske valè aktyèl la nan etap tan ki genyen ant prediksyon yo ka gen aksè, vitès van an prevwa pa mete ajou eta rezo a nan chak prediksyon lè l sèvi avèk valè obsève olye pou yo pòtay yo.

Sa a se paske chak fwa LSTM a kontinye, eta selil la afekte opinyon, bliye, ak pwodiksyon LSTM la. Rezilta yo nan modèl la demontre presizyon amelyore nan predi vitès van an.

Kontribisyon Otè: Konsepyalizasyon, ME; metodoloji, ME; lojisyèl, ME; validation, ME; analiz fòmèl, ME, ak AM; ekri-Original draft preparation, ME; ekri-Revizyon ak koreksyon, AM; sipèvizyon, AM; administrasyon pwojè, AM Tout otè yo te li ak dakò ak vèsyon ki te pibliye maniskri a.

Finansman: Ministè Edikasyon Libyen an te finanse an pati rechèch sa a, nimewo sibvansyon 3772.

Deklarasyon Komisyon Konsèy Revizyon Enstitisyonèl: Pa aplikab.

Deklarasyon Konsantman Enfòme: Pa aplikab.

Deklarasyon Disponibilite Done: Pa aplikab.

Konfli enterè: Otè yo pa deklare okenn konfli enterè.

Referans

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Yon nouvo estrateji pou previzyon vitès van lè l sèvi avèk metòd entèlijan atifisyèl. Renew.Energy 2009, 34, 845–848. [CrossRef]

2. Bwat, GE; Jenkins, GM; Reinsel, GC; Ljung, GM Tan Seri Analiz: Previzyon ak Kontwòl, 5yèm ed.; John Wiley & Sons:Hoboken, NJ, USA, 2015; paj 129–171.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Tan Seri Analiz ak Previzyon Done Vitès Van. Nan Pwosedi reyinyon anyèl IEEEIndustry Applications Society, Baltimore, MD, USA, 29 septanm–3 oktòb 2019; paj 1–5.

4. Yadav, AP; Kumar, A.; Behera, L. RNN ki baze sou previzyon radyasyon solè lè l sèvi avèk pousantaj aprantisaj adaptasyon. Nan Konferans Entènasyonal sou Swarm, Evolisyonè, ak Memetic Computing; Springer: Cham, Swis, 2013; paj 442–452.

5. Hochreiter, S.; Schmidhuber, J. Long kout tèm memwa. Neural Comput. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Previzyon enèji solè ak van lè l sèvi avèk LSTM RNN pou kontwòl frekans chaj nan yon mikwogri izole. Ent. J. Modèl. Simil. 2020. [CrossRef]

7. Shi, X.; Lei, X.; Huang, Q.; Huang, S.; Ren, K.; Hu, Y. Hourly day-ahead prediksyon pouvwa van lè l sèvi avèk modèl la ibrid ofvariational dekonpozisyon modèl ak memwa alontèm. Enèji 2018, 11, 3227. [CrossRef]

8. Rodrigues, ER; Oliveira, I.; Cunha, R.; Netto, M. DeepDownscale: Yon estrateji aprantisaj pwofon pou wo rezolisyon WeatherForecast. Nan Pwosedi 2018 IEEE 14yèm Konferans Entènasyonal sou e-Syans (e-Syans), Amstèdam, Netherlands, 29 oktòb–1 novanm 2018; IEEE: New York, NY, USA, 2018; paj 415–422.

9. Chen, N.; Qian, Z.; Nabney, IT; Meng, X. Previzyon pouvwa van lè l sèvi avèk pwosesis Gaussian ak prediksyon metewolojik nimerik.IEEE Trans. Sistèm pouvwa. 2013, 29, 656–665. [CrossRef]

10. Cao, Q.; Ewing, BT; Thompson, MA Previzyon vitès van ak rezo neral frekan. Eur. J. Oper. Res. 2012, 221,148–154. [CrossRef]

11. Lidi, M.; Kumar, SS; Selvakumar, AI; Kumar, GE lineyè ak ki pa lineyè autoregressive modèl pou kout tèm van speedforecasting. Enèji Convers. Jere. 2016, 112, 115–124. [CrossRef]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Deep Forecast: Deep Learning-Based Spatio-Temporal Forecasting; Inivèsite Cornell: Ithaca, NY, USA, 2017.

For more information:1950477648nn@gmail.com