Nationally Consistent, Locally Incomplete: A Bayesian Remote-Sensing Audit of Rooftop Photovoltaic Registries
研究通过贝叶斯遥感审计方法解决了屋顶光伏系统难以追踪的问题,提供了更准确的光伏容量估计,并发现官方数据存在显著偏差。
0 citationsRead paper
研究通过贝叶斯遥感审计方法解决了屋顶光伏系统难以追踪的问题,提供了更准确的光伏容量估计,并发现官方数据存在显著偏差。
该研究发布了一个名为Tabby的时间序列基础模型,采用编码器-only patch Transformer架构,并结合多种数据集和训练方法,支持预测、分类和异常检测。
本文提出FlowTSFM模型,通过共享参数的单个Transformer块迭代应用和分位数流目标监督,解决传统时间序列基础模型中深度编码器中间表示无预测作用的问题。
为解决太阳能预测问题,本文通过创建SolarBench基准,整合了来自11个不同地点的图像和数据,支持模型开发与评估,以提高全球范围内太阳能预测的准确性和可靠性。
研究通过多数据集训练和BEV-Forcing方法解决VLAs模型在自动驾驶中跨数据集和相机设备的零样本迁移问题。
研究通过贝叶斯遥感审计方法解决了屋顶光伏系统难以追踪的问题,提供了更准确的光伏容量估计,并发现官方数据存在显著偏差。
该研究发布了一个名为Tabby的时间序列基础模型,采用编码器-only patch Transformer架构,并结合多种数据集和训练方法,支持预测、分类和异常检测。
本文提出FlowTSFM模型,通过共享参数的单个Transformer块迭代应用和分位数流目标监督,解决传统时间序列基础模型中深度编码器中间表示无预测作用的问题。
为解决太阳能预测问题,本文通过创建SolarBench基准,整合了来自11个不同地点的图像和数据,支持模型开发与评估,以提高全球范围内太阳能预测的准确性和可靠性。
研究通过多数据集训练和BEV-Forcing方法解决VLAs模型在自动驾驶中跨数据集和相机设备的零样本迁移问题。