BISRF-Net：一种基线保持的尺度引导残差特征路由网络，用于基于无人机的内河航道船闸监测

《Sensors》：BISRF-Net: A Baseline-Preserving Scale-Guided Residual Feature Routing Network for UAV-Based Inland Waterway Lock Monitoring

　　

摘要

太阳能辐照度预测的准确性取决于预测时间跨度，因为对近期观测数据、气象变量和季节模式的使用会随着提前量而变化。然而，较弱的持续性基线、时间上不可靠的验证和不一致的测试样本可能会夸大复杂模型的优势。本文提出了一种防数据泄露的、针对不同时间跨度的太阳能辐照度预测框架，该框架结合了提升树、验证加权的凸预测组合和季节性参考模型。直接预测在10分钟以及1、3、6、12和24小时的时间跨度上进行了评估。模型使用扩展窗口验证进行调优；预处理仅针对训练数据进行拟合；每种方法都在预定义的规范测试集上进行了评估。XGBoost在10分钟时取得了最低均方根误差（RMSE），为10.78 W/m，而CatBoost在1小时时取得了最低RMSE，为16.08 W/m。在3、12和24小时时，季节性引导的预测组合取得了最低RMSE。在6小时时，XGBoost与两天季节平均值的组合在RMSE上排名第一，尽管其相对于两天季节平均值的提升导致了更大的平均绝对误差（MAE）。按日块划分的显著性检验表明，在10分钟时，模型优于参考模型；而在更长预测时间跨度下，相对于季节性参考模型的改进在调整后的统计上不显著。该框架为依赖时间跨度的太阳能辐照度预测提供了一个可复现的基准。