热点事件持续更新
研究提出用于太阳辐照度预测的两阶段残差学习方法
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年11月6日，arXiv发布的一篇机器学习论文提出了一种用于太阳辐照度预测不确定性校准的两阶段残差学习方法。该方法首先利用LSTM网络预测期望太阳辐照度，再通过第二个网络单独建模预测误差分布，以此同时输出预测值与不确定性。在国家太阳辐射数据库历史数据的测试中，该方法改善了不确定性估计表现，使独立LSTM的预测标准差偏差降低了34.6%；当与高斯过程回归结合使用时，该偏差降低了56.5%。
AI 根据报道生成 · 4 小时前更新
最新进展11月6日 13:00
研究提出两阶段残差学习方法，使太阳辐照度预测标准差偏差最高降低56.5%。报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv 机器学习两阶段残差学习用于太阳辐照度预测的不确定性校准
研究人员提出一种两阶段残差学习方法，先通过 LSTM 网络预测期望太阳辐照度，再利用第二个网络单独建模预测误差分布以同时输出预测值与不确定性。在国家太阳辐射数据库的历史数据测试中，该方法使独立 LSTM 的预测标准差偏差降低了 34.6%，与高斯过程回归结合时偏差降低了 56.5%。
本事件热度走势
当前热度 9·可比范围峰值 10（11月6日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。