数据聚类与时延神经网络：每日太阳辐射预测新方法

本文主要探讨了基于数据聚类和时延神经网络的太阳辐射预测方法。作者Chee Keong Chan和Yi Hong Ler来自新加坡南洋理工大学的电气与电子工程学院，他们意识到化石燃料（如原油、煤炭和天然气）的日益减少以及可再生能源利用的重要性，特别是在太阳能辐射预测方面。研究的焦点在于提升太阳辐射预测的准确性和效率。 论文的核心创新在于提出了一种名为“感知重要点”的数据聚类技术。这种方法通过分析时间序列数据，识别出关键特征点，这些特征点将数据分割成不同的聚类。这种聚类策略有助于提取数据中的模式和趋势，从而提高预测模型的性能。数据聚类是数据分析的一个关键步骤，它简化了大量数据，使得人工神经网络能更有效地处理和学习复杂的输入模式。 聚焦时延神经网络（Focused Time-Delay Neural Network，FTDNN）被选用来构建预测模型。这种类型的神经网络结构特别适合处理时序数据，因为它们能够捕捉到数据随时间的变化关系。FTDNN通过延时单元模拟了时间依赖性，这使得网络在处理太阳辐射这类具有周期性和季节性变化的数据时展现出优势。 在评估模型性能时，研究者采用了平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）作为评价指标。MAPE是一种常用的预测精度度量方法，它考虑了预测值与实际值之间的相对差异，可以直观地反映模型的预测准确性。 这篇论文在计算机与通信领域期刊《计算机与通信》上发表，通过结合数据聚类和时延神经网络技术，提供了一种新颖且实用的方法来每日预测太阳辐射，这对于优化太阳能能源管理、降低对化石燃料的依赖以及推动可再生能源的发展具有重要的实际应用价值。未来的研究可能进一步探索如何改进聚类算法或优化神经网络架构，以实现更精准的太阳辐射预测。