【论文阅读】-周总结-第5周

1. 【论文阅读24】并行 TCN-LSTM 风电预测模型（2024-02）

论文信息 ：

Liu S, Xu T, Du X, et al. A hybrid deep learning model based on parallel architecture TCN-LSTM with Savitzky-Golay filter for wind power prediction. Energy Conversion and Management, 2024, 302: 118122.

内容总结：

本文提出并验证了一种用于风电功率预测的新型混合深度学习模型。
核心思路是基于并行结构 的 TCN-LSTM 模型，结合Savitzky-Golay (SG) 滤波器进行数据预处理。
通过SG滤波器去噪，提升输入数据质量，再利用并行TCN和LSTM提取时序特征，最终提高了风电功率预测的准确率。
实验表明，所提方法在多个真实风电场数据集上均优于传统方法和单一模型。

2. 【论文阅读25】PFTF方法：滑坡失稳时间预测（2023）

链接

论文信息 ：

Leinauer J, Weber S, Cicoira A, et al. An approach for prospective forecasting of rock slope failure time. Communications Earth & Environment, 2023, 4(1): 253.

内容总结：

本文提出了一种前瞻性失稳时间预测方法（PFTF），适用于滑坡、冰崩等地质灾害的实时或准实时失稳预测。
方法基于改进的反速度法（Inverse Velocity Method） ，结合：
- 多窗口平滑处理噪声；
- 迭代更新预测结果；
- 自动识别加速起点（Onset of Acceleration, OOA）。
相比传统方法，PFTF能够在灾害发生前更早、更准确地预测失稳时间，提高了预警系统的实用性。

3. 【贝叶斯定理01】白话贝叶斯（原理篇）

链接

学习笔记：

以通俗易懂的方式介绍了贝叶斯定理的基本概念和推导过程。
核心公式为：

P ( A ∣ B ) = P ( B ∣ A ) P ( A ) P ( B ) P(A|B) = \frac{P(B|A)P(A)}{P(B)} P(A∣B)=P(B)P(B∣A)P(A)
重点理解了：
- 先验概率、后验概率、似然函数的概念；
- 贝叶斯推断在实际问题中的应用，比如医疗诊断、故障检测等。

小结

本周在时间序列预测 （TCN-LSTM）、灾害失稳预测 （PFTF）、贝叶斯推断基础这三个方向上进行了学习和积累。