leftroundabout指出的一个完全不同的方法是使用递归神经网络。这是预测未来发展的时间序列,首先学习隐藏模型本身,然后用它来估计未来的价值观。这种方法的优点是,即使是最轻微的气象学知识是必要的,所有的造型做的天气系统算法训练神经网络。

事实上Kaggle竞争完全任务预测降雨从过去的数据:http://simaaron.github.io/Estimating-rainfall-from-weather-radar-readings-using-recurrent-neural-networks/。使用的赢家几个复发性神经网络,学习了不同的模型由于其不同的架构,然后休息的平均预测的这些模型预测的降雨。

leftroundabout指出的一个完全不同的方法是使用递归神经网络。这是预测未来发展的时间序列,首先学习隐藏模型本身,然后用它来估计未来的价值观。这种方法的优点是,即使是最轻微的气象学知识是必要的,所有的造型做的天气系统算法训练神经网络。

事实上有一个Kaggle竞争任务预测降雨从过去的数据:http://simaaron.github.io/Estimating-rainfall-from-weather-radar-readings-using-recurrent-neural-networks/。复发性神经网络使用的赢家。

在的情况下的从当前值预测过去的值的可以使用相同的架构,因为它可以直接学习落后的模型作为一个模型。

一个完全不同的方法离开的指出的是使用递归神经网络。这是预测未来发展的时间序列,首先学习隐藏模型本身,然后用它来估计未来的价值观。这种方法的优点是,即使是最轻微的气象学知识是必要的,所有的造型做的天气系统算法训练神经网络。

事实上有一个Kaggle与完全竞争任务预测降雨从过去的数据:http://simaaron.github.io/Estimating-rainfall-from-weather-radar-readings-using-recurrent-neural-networks/。获胜者用了几个复发性神经网络,学习不同的模型由于其不同的体系结构,然后把这些模型的平均预测预测降雨。

一个完全不同的方法leftroundabout指出的是使用递归神经网络。这是预测未来发展的时间序列,首先学习隐藏模型本身,然后用它来估计未来的价值观。这种方法的优点是,即使是最轻微的气象学知识是必要的,所有的造型做的天气系统算法训练神经网络。

事实上有一个Kaggle与完全竞争任务预测降雨从过去的数据:http://simaaron.github.io/Estimating-rainfall-from-weather-radar-readings-using-recurrent-neural-networks/。获胜者用了几个复发性神经网络,学习不同的模型由于其不同的体系结构,然后把这些模型的平均预测预测降雨。