Wind Speed Forecasting for a Large-Scale Measurement Network and Numerical Weather Modeling
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00477859" target="_blank" >RIV/67985807:_____/17:00477859 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-55789-2_25" target="_blank" >http://dx.doi.org/10.1007/978-3-319-55789-2_25</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-55789-2_25" target="_blank" >10.1007/978-3-319-55789-2_25</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Wind Speed Forecasting for a Large-Scale Measurement Network and Numerical Weather Modeling
Popis výsledku v původním jazyce
We investigate various problems encountered when forecasting wind speeds for a network of measurements stations using outputs of numerical weather prediction (NWP) model as one of the predictors in a statistical forecasting model. First, it is interesting to analyze prediction error properties for different station types (professional and amateur). Secondly, the statistical model can be viewed as a calibration of the original NWP model. Hence, careful semi-parametric smoothing of NWP input can discover various weak points of the NWP, and at the same time, it improves forecasting performance. It turns out that useful information is contained not only in the latest prediction available. It is beneficial to combine different horizon NWP predictions to one target time. GARCH sub-model for the residuals then shows complicated structure usable for short-term forecasts.
Název v anglickém jazyce
Wind Speed Forecasting for a Large-Scale Measurement Network and Numerical Weather Modeling
Popis výsledku anglicky
We investigate various problems encountered when forecasting wind speeds for a network of measurements stations using outputs of numerical weather prediction (NWP) model as one of the predictors in a statistical forecasting model. First, it is interesting to analyze prediction error properties for different station types (professional and amateur). Secondly, the statistical model can be viewed as a calibration of the original NWP model. Hence, careful semi-parametric smoothing of NWP input can discover various weak points of the NWP, and at the same time, it improves forecasting performance. It turns out that useful information is contained not only in the latest prediction available. It is beneficial to combine different horizon NWP predictions to one target time. GARCH sub-model for the residuals then shows complicated structure usable for short-term forecasts.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10103 - Statistics and probability
Návaznosti výsledku
Projekt
<a href="/cs/project/GA13-34856S" target="_blank" >GA13-34856S: Pokročilé metody náhodných polí v asimilaci dat pro krátkodobou předpověď počasí</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Time Series Analysis and Forecasting
ISBN
978-3-319-55788-5
ISSN
1431-1968
e-ISSN
—
Počet stran výsledku
13
Strana od-do
361-373
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Granada
Datum konání akce
27. 6. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—