你看見的世界其實是媒體資訊建構的論文書籍站
氣象局溫度歷史資料的問題，透過圖書和論文來找解法和答案更準確安心。 我們挖掘到下列精選懶人包
氣象局溫度歷史資料的問題，我們搜遍了碩博士論文和台灣出版的書籍，推薦日本NewtonPress寫的 天氣與氣象大圖鑑：伽利略科學大圖鑑10 和安德魯.瑞夫金,麗莎.麥肯利的 天氣之書：100個氣象的科學趣聞與關鍵歷史都 可以從中找到所需的評價。
另外網站【圖表】7月初高溫逼近最高紀錄，從歷史資料看爆熱的日子 ...也說明：7月份才進入第一週，台灣各地上週陸續出現高溫，部分地區最高溫更衝上38度，而7月7日高溫甚至已經接近2022年最高日均溫紀錄。透過中央氣象局台北觀測 ...
這兩本書分別來自人人出版 和時報出版所出版 。
國立臺北科技大學 自動化科技研究所 蔡孟伸所指導 吳穰訓的 基於長短期記憶模型之日前需量預測 （2021），提出氣象局溫度歷史資料關鍵因素是什麼，來自於需量預測、長短期記憶、模糊邏輯。
而第二篇論文中原大學 電機工程學系 洪穎怡所指導 詹于萱的 基於粒子群最佳化卷積神經網路進行短期負載預測 （2021），提出因為有 負載預測、卷積神經網路、相關性分析、神經網路架構、粒子群優化演算法的重點而找出了 氣象局溫度歷史資料的解答。
最後網站過去天氣查詢- 氣候 - studioeli.cz則補充：... 天氣概況Weather Spark 爲您提供來自大型全球氣象站網絡的過去天氣。 我們的典藏庫包含地球上大多數地點的天氣歷史、溫度歷史以及歷史天氣資料。
天氣與氣象大圖鑑：伽利略科學大圖鑑10
為了解決氣象局溫度歷史資料 的問題，作者日本NewtonPress 這樣論述：
★伽利略科學大圖鑑系列第10冊★ ★學習天氣形成機制、世界氣象機制、如何判讀天氣圖★ ★一起重視異常氣候與災害問題★ ★中央氣象局局長 鄭明典推薦★ 明天會是晴天還是雨天呢？ 天氣是我們每天都必須關注的問題，直接影響到明天是否該帶傘，戶外活動是否照常舉行，又或農漁業是否該預防旱災或寒害。然而，為什麼會產生這些天氣現象呢？ 《天氣與氣象大圖鑑》以難得的精緻圖解，解答這些天氣、氣象的機制與成因，還可以學習判讀天氣圖，了解目前的天氣狀況，兼具實用與珍藏價值。 另外，在世界各地形成的多變氣候，其中還會因為地形、緯度、海洋等多重因素產生獨特的現象，例如倫敦緯度比北海
道高，倫敦卻溫暖許多；秘魯明明靠海，卻有一整片沙漠；北美洲因為少有高山阻擋而出現龍捲風等等。 最後帶讀者認識異常氣象與災害問題，除了長年來不斷在呼籲的全球暖化問題，還有帶來重大災害的超級颱風、海嘯、地震等等。家長或教育工作者可再藉此引導學生思考這些問題該如何因應，延伸討論的空間。無論是結合課綱需求，還是建立小朋友對地球科學的求知慾，都是一本值得收藏的精美圖鑑。 日文版審定 荒木健太郎 雲研究者，日本氣象廳氣象研究所研究官，博士（學術）。生於1984年，畢業於氣象廳氣象大學校。專攻雲科學、氣象學。為了預防、降低災害，致力於研究會帶來氣象災害的雲組成、雲之物理學的研
究。為動畫電影《天氣之子》氣象顧問（新海誠導演）。著作有《超厲害的天氣圖鑑：解開天空的一切奧祕！》、《愛上雲的技術》、《全世界最棒的雲教室》、《雲裡發生了什麼事？》等等。 Twitter：@arakencloud Facebook：@kentaro.araki.meteor 系列特色 1. 日本牛頓出版社獨家授權。 2. 主題明確，解釋清晰。 3. 以關鍵字整合知識，含括範圍廣，拓展學習視野。 專家推薦 中央氣象局局長 鄭明典推薦 「天氣現象的多變，就是需要用圖片配合來說明才足以達意！ 《天氣與氣象大圖鑑》含括內容相當廣泛，可以直接由圖文
來認識現象，也能當成工具書來查詢陌生大氣現象與名稱，這在網路世界，應該會很受用！」
基於長短期記憶模型之日前需量預測
為了解決氣象局溫度歷史資料 的問題，作者吳穰訓 這樣論述：
隨著溫室效應影響加劇全球暖化的幅度，淨零排放、永續與節能減碳等環保議題受到重視。為降低能源的浪費，企業加強對能源管理系統的研發，以利於瞭解與控管設備的能源使用，其中透過需量預測 有利於對能源應用的規劃。需量預測可使用電戶簽訂合理的契約容量，並防止超出契約容量與確認參與需量反應的可能性，以優化能源管理系統的電力調度。本論文之需量預測系統，透過智慧電錶收集用電數據，將負載功率轉換成每日最大需量後進行正規化處理，並加入模糊化歷史溫度特徵，導入預測模型中進行訓練，測試不同超參數對預測模型的影響，選出最佳超參數組合。本論文依據均方根誤差、平均絕對值誤差與平均絕對百分差3種評估指標，比較
灰色預測、遞迴神經網路與長短期記憶模型的誤差率，最終提出基於溫度特徵模糊化的長短期記憶預測模型作為日前需量預測系統之預測模型。
天氣之書：100個氣象的科學趣聞與關鍵歷史
為了解決氣象局溫度歷史資料 的問題，作者安德魯.瑞夫金,麗莎.麥肯利 這樣論述：
世界第一本天氣編年史，收錄上百張精彩氣象圖片 風車、雨傘、空調，這些發明都和天氣相關！ 從地球出現大氣層、第一個為雲取名字的人到〈巴黎氣候變遷協議〉， 地球上最熱和最冷的地方、最快的風速、最長的閃電…… 一百個具有里程碑意義的歷史時刻標註了氣候的歷史，也說明了人類如何一步步了解地球的氣候系統。 過往我們無不以為，氣候模式一旦改變，冰層、沙漠、海岸線前進或後退，極端的乾旱、降雨、降雪、風力或高低氣溫的侵襲，人類社群或隨之繁榮，或加以適應，或因而遷徙，或徹底消失。但現今，愈來愈多科學團體主張，我們和氣候之間的關係愈來愈朝雙向發展，自人類從事農業以來，再加上其他人
類活動在全球的擴散，都大幅改變了地景，並從數千年前就開始改變天氣的模式。 全面檢視人類與氣候的歷史，了解我們對於天氣已經知道什麼、還有多少未知！ 名人推薦 ▲「終於有人為天氣出一份力。瑞夫金和麥肯莉呈現了一本引人入勝的好書，說明天氣如何演變至今，描述我們如何回應天氣、利用天氣，甚至協助塑造天氣。本書收錄一百則精彩故事，寓教於樂。閱讀這些故事的經驗如同撥雲見日。」──艾倫‧艾達（Alan Alda），電視節目《美國科學新境界》（Scientific American Frontiers）長期主持人暨石溪大學艾倫艾達普及科學中心（Alan Alda Center for Commun
icating Science at Stony Brook University）創始人 ▲「《天氣之書》一書充滿了知識，讓人一讀就上癮，而且沒有一絲說教意味。本書講述人類與地球氣候關係持續不斷演化的迷人故事。大力推薦。」──美國國家圖書獎得主拿塔尼爾‧菲畢里克（Nathaniel Philbrick），以《白鯨傳奇：怒海之心》（In the Heart of the Sea: The Tragedy of the Whaleship Essex）獲獎肯定 ▲「《天氣之書》一書才華橫溢，集精彩、知識、驚喜於一身。」──普利茲獎得主，《第六次大滅絕》（The Sixth Extin
ction）作者伊麗莎白‧寇伯特（Elizabeth Kolbert） ▲「將嚴肅的主題舉重若輕的一本小書，《天氣之書》囊括大量蔓生的人物角色，從洪保德到『雪花』賓利，從科學怪人到農夫曆的編輯一應俱全。我將難以忘懷富蘭克林追逐巨大塵埃魔鬼的形象：這樣的行為使他的同伴驚恐萬分，因為他反覆用馬鞭擊打旋風，試圖干擾它前進。」──暢銷作家查爾斯．曼恩（Charles C. Mann），著有《1491：重寫哥倫布前的美洲歷史》（1491: New Revelations of the Americas Before Columbus）與《巫師與先知》（The Wizard and the Prop
het）
基於粒子群最佳化卷積神經網路進行短期負載預測
為了解決氣象局溫度歷史資料 的問題，作者詹于萱 這樣論述：
中文摘要 IAbstract II致謝 III目錄 IV圖目錄 IX表目錄 XIV第一章 緒論 11-1 研究背景與動機 11-2 文獻回顧 21-3 研究目標與步驟 51-4 論文貢獻 61-5 論文架構 7第二章 台電系統概況與資料採集 92-1 台灣電力系統概況 92-2 台灣各機組配比概況 122-3 台灣電力供需現況 132-4 歷史資料介紹 152-4-1 負載歷史資料 152-4-2 氣象歷史資料 172-4-3 工作日及非工作日定義 19第三章 理論基礎 213-1 卷積神經網路（Convolutional Neural Net
work, CNN） 213-1-1 卷積神經網路架構 213-1-2 卷積神經網路參數及超參數 273-2 粒子群優化演算法（Particle Swarm Optimization, PSO） 283-3 基因演算法（Genetic Algorithm, GA） 313-4 小波轉換（Wavelet Transform, WT） 333-5 輻狀基底函數類神經網路（Radial Basis Function Neural Network, RBFNN） 353-6 長短期記憶網路（Long Short-Term Memory, LSTM） 373-7 支持向量機（Suppor
t Vector Machine, SVM） 413-8 整合移動平均自迴歸模型（Autoregressive Integrated Moving Average, ARIMA） 433-9 向量自迴歸移動平均模型（Vector Autoregressive Moving Average, VARMA） 443-10 最小冗餘最大相關性（minimal-redundancy-maximal-relevance, mRMR） 45第四章 硬體及軟體 464-1 硬體 464-1-1 GPU及工作站介紹 464-1-2 多GPU分散式訓練 494-2 軟體 524-2-1 Py
thon 524-2-2 Python工具包 524-3 程式執行步驟 68第五章 研究方法 725-1 輸入資料預處理 725-1-1 資料編排 725-1-2 資料正規化 735-1-3 訓練集/測試集資料分割 745-2 斯皮爾曼相關性分析 755-3 卷積神經網路架構 765-4 增強型菁英粒子演算法（Enhanced Elite-Based PSO, EEPSO） 775-4-1 平均搜尋和混沌法調整慣性權重（Mean Search and Chaotic Descending Inertia Weight） 785-4-2 粒子刪減和複製（Particle
Trimming/Duplicating） 795-4-3 搜尋空間及參數定義（Search Space and Parameter Setting） 805-5 演算法流程 82第六章 模擬結果與分析 856-1 迴歸指標介紹 856-2 斯皮爾曼相關性分析結果 866-3 增強型菁英粒子演算法與現有PSO方法之比較 896-4 與其他方法之比較 93第七章 結論與未來研究建議 1057-1 結論 1057-2 未來研究建議 106參考文獻 107圖2-1台電系統電廠及電網分布圖[29] 10圖2-2台灣電力系統之示意[30] 11圖2-3台電110年系統裝
置容量與發購電量配比[30] 13圖2-4 109年與110年國內各部門能源消費變動[31] 14圖2-5台灣2019年負載曲線變化 16圖2-6台灣夏季及冬季一週負載曲線變化 16圖2-7溫度和平均用電與尖峰負載之關係圖[32] 18圖2-8交通部中央氣象局觀測資料查詢系統 19圖3-1當步幅為1時，卷積層中內核移動方式 23圖3-2當步幅為2時，卷積層中內核移動方式 24圖3-3零填充 24圖3-4卷積計算、內核大小、步幅和零填充之範例 25圖3-5平均/最大池化操作過程 25圖3-6 Dropout計算[35] 26圖3-7粒子移動向量示意圖 29圖3-8粒子群
優化演算法流程圖 30圖3-9基因演算法流程圖 32圖3-10不同尺度大小下之小波函數示意圖 34圖3-11離散小波轉換之階層架構 35圖3-12輻狀基底函數神經網路架構 37圖3-13長短期記憶神經網路單元細胞架構 38圖3-14 LSTM單元細胞內部各個門控的運作過程 39圖3-15 LSTM單元細胞內部各個門控的運作過程 40圖3-16 LSTM單元細胞內部各個門控的運作過程 40圖3-17 LSTM單元細胞內部各個門控的運作過程 41圖4-1 CPU及GPU處理器內部結構圖 47圖4-2 Host和Device之關係圖 48圖4-3 Ubuntu 18.04 L
TS作業系統 48圖4-4 NVIDIA GeForce RTX 2080 Ti GPU之規格 49圖4-5 GPU記憶體管理allow_growth指令 50圖4-6 GPU記憶體管理per_process_gpu_memory_fraction指令 50圖4-7 使用tf.device()進行多GPU分配設定 50圖4-8展示使用tf.distribute.MirroredStrategy分散式訓練之範例 51圖4-9 Numpy工具包之範例 53圖4-10 Pandas工具包之範例 54圖4-11 簡易數據流程圖範例 55圖4-12 TensorFlow運算功能 55
圖4-13時序型建構 56圖4-14 Keras函數式API(多輸入模型)建構 57圖4-15 Keras建構模型之流程 58圖4-16 Hyperactive工具包所支援之各項功能[39] 59圖4-17 Hyperactive工具包使用指令 60圖4-18 Hyperactive運算過程 61圖4-19 DEAP工具包所提供之運算功能[40] 62圖4-20 DEAP使用步驟 62圖4-21 scipy.stats.spearmanr範例 63圖4-22 pymrmr工具包操作範例 64圖4-23 PyWavelets工具包操作範例 65圖4-24使用sklearn.
metrics計算R-Squared、MAE和RMSE之範例 66圖4-25 sklearn.svm指令範例 66圖4-26 statsmodels.tsa.arima_model指令 68圖4-27 statsmodels.tsa.statespace.varmax指令 68圖4-28 ANACONDA NAVIGATOR介面下環境建立之操作流程 69圖4-29啟動Jupyter Notebook 70圖4-30 (a)顯示程式碼運行時GPU使用率(b)為GPU初始狀態 71圖5-1混合式卷積神經網路架構之範例 77圖5-2粒子刪減和複製 80圖5-3 Hyperactiv
e工具包混合整數和實數編碼指令 81圖5-4增強型菁英粒子演算法流程圖 84圖6-1春季斯皮爾曼相關性分析結果 87圖6-2夏季斯皮爾曼相關性分析結果 87圖6-3秋季斯皮爾曼相關性分析結果 88圖6-4冬季斯皮爾曼相關性分析結果 88圖6-5不同PSO方法迭代過程之g_best^值 92圖6-6預測值與實際值負載曲線(春季) 102圖6-7預測值與實際值負載曲線(夏季) 103圖6-8預測值與實際值負載曲線(秋季) 103圖6-9預測值與實際值負載曲線(冬季) 104表4-1常見的深度學習框架優缺點統整[38] 55表4-2 sklearn.svm指令中所有參數介紹
67表4-3所使用相關軟體及Python工具包版本 68表5-1訓練集/測試集資料分割 74表5-2粒子搜尋空間 81表6-1不同PSO方法之三項性能指標分析 91表6-2不同PSO方法所獲得之最佳卷積神經網路架構 91表6-3不同PSO方法所獲得之最佳卷積神經網路架構 92表6-4染色體編碼及所對應之映射範圍(二進制編碼) 97表6-5染色體編碼及所對應之映射範圍(整數編碼) 97表6-6使用不同方法之比較結果(春季) 98表6-7使用不同方法之比較結果(夏季) 98表6-8使用不同方法之比較結果(秋季) 99表6-9使用不同方法之比較結果(冬季) 99表6-10
本論文所提出之EEPSO方法與其他比較方法之間四個季節DM檢定結果 101表6-11 GA-CNN和本論文所提出EEPSO-CNN訓練時間比較 102