论文笔记（1）

1.Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM（2018）

这篇文章只要就是对太阳辐射度的预测、用到LSTM并且和bpnn、presistence和LR做对比，都是比较基本的方法。

感觉这篇文章还挺简单的，就具体记一下它的LSTM是怎么做的。

如图，LSTM的步长设置是11（这边的11是因为太阳辐照度只采集每天的8-18时，一共11个数据），输入xt的维度为9，其中有3维用来表示是月、日、小时，其它是一些气象相关的变量，yt是表示此时对应的太阳辐射度。batch_size是50。

需要注意的这篇文章，用提前一天的天气预报的值（温度、云层厚度等）通过LSTM算得太阳辐射度，这样得到的值相当于和天气预报有同样的预测日。预测的精度很大程度上受天气预报准确度的影响，但文章也说了之后会继续研究天气预报的误差对预测误差的影响。

2.Machine Learning Applied to Weather Forecasting（2016）

这篇就是用线性回归和一种函数回归的变体来进行每天最大温度、最低温度的预测。

线性回归：前两天每天的数据值，最大温度、最小温度、平均湿度、平均大气压一共8个值加上一个等于1的intercept term来预测后面7天，每天的最大温度、最小温度一共14个值。 （input，output）=（9，14）

函数回归：核心思想就是找出历史数据中，与当前气候模式最相近的，然后用他们的温度值预测现在。