.png){kind=icon}
返回
Temporal pattern-aware temperature forecasting using CatBoost: A hybrid machine learning approach
.png){kind=icon}
OA
AI
DOI：10.1016/j.rineng.2026.110212.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 引入了一种自适应时间漂移编码（ATDE）机制，动态建模季节性变化以提高时序感知能力。
• 开发了一个基于CatBoost的鲁棒且可解释的预测框架，并通过Optuna自适应超参数搜索进行优化。
• 在山地、沿海、雨林和大陆气候等跨区域和跨国家场景中展示了强大的泛化能力。
• 进行了详细的极端天气和高误差分析，以评估模型在气候波动条件下的鲁棒性。
• 通过消融研究量化了时序特征工程的贡献，显示MSE降低21.6%且R²提升+0.07。
Keyword:
Temperature forecasting
Time series cross-validation
CatBoost
Temporal feature engineering
Ordered boosting, model generalization
Extreme weather prediction
Meteorological data
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.9
论文数:
1.2W
被引数:
1.7W
机构
引用论文
Machine Learning-Based Temperature Forecasting for Sustainable Climate Change Adaptation and Mitigation基于机器学习的温度预测，用于可持续的气候变化适应和缓解.png)
SUSTAINABILITY
OAAI
SUSTAINABILITYIF3.3
OAAI分享收藏Comparative analysis of machine learning techniques for temperature and humidity prediction in photovoltaic environments光伏环境中温度和湿度预测的机器学习技术比较分析SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Optimization of a porous wind barrier to reduce soiling and avoid shading losses of photovoltaic panelsRENEWABLE ENERGY
RENEWABLE ENERGYIF9.1
PREAI
分享收藏Improving Renewable Energy Forecasting With a Grid of Numerical Weather Predictions通过数值天气预报网格改进可再生能源预测OAAI
OAAI分享收藏
查看更多内容