登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《张小曳院士团队基于地面气象观测数据构建高性能机器学习模型》

  • 来源专题：大气污染防治
  • 编译者： lhy
  • 发布时间：2021-03-15

  • 中国工程院院士、中国气象科学研究院研究员张小曳的团队基于地面气象观测数据，构建了考虑空间气象效应的高性能机器学习模型，能够获取1960年代以来的长序列细颗粒物（PM2.5）历史数据集。该数据集对理解气溶胶长期变化趋势、环境和气候影响以及通过同化到化学-天气耦合模型中构建长期再分析数据具有重要价值。

    我国PM2.5业务观测始于2013年，在此之前的历史数据难以获取，导致长序列PM2.5数据缺失，为认识PM2.5长期变化带来挑战。为解决这一问题，张小曳团队基于国家级地面气象观测网，抽取空间特征并结合先进的机器学习技术（LightGBM），构建了考虑空间气象效应的高性能机器学习模型，获取1960年代以来的长序列PM2.5历史数据集。

    此前已经存在基于卫星气溶胶光学厚度(AOD)来估算PM2.5的方法，但卫星数据中存在大量缺失值、采样频率低且整体预测能力不高，估算结果在很大程度上受到了影响。与卫星数据相比，地面气象观测具有序列时间长、时间分辨率高、数据完整性好等优势。

    目前，我国PM2.5观测站点的空间分布不均，大部分都位于中东部城市地区。相比之下，气象站的分布较为均匀，且密度较高。因此，除了补足历史数据之外，该模型还能利用气象站数据构建高时间分辨率的密集PM2.5格点网络。

202浏览量
原文链接
相关报告

  • 《中国国内医学相关的类GPT语言模型》
    • 来源专题：数智化图书情报
    • 编译者：闫亚飞
    • 发布时间：2023-12-01
    • 1、华佗GPT 华佗GPT 有免费体验网站，可直接访问对话，无需注册登录账户。目前处于测试阶段，还在不断完善优化中，由香港中文大学(深圳)和深圳市大数据研究院联合开发。 是一个基于大量中文医疗语料训练的大语言模型(LLM)，目的是让语言模型具有医生的专业知识和患者的友好态度，为医疗咨询场景提供便捷有效的服务。目前处于测试阶段，生成结果正确性目前没有额外机制保证，结果仅供参考，请遵医嘱。界面中有上传图片和语音按钮，但这两个功能实际效果如何还待验证。 2、左医GPT 左医医疗大语言模型 不免费，但可申请短期体验。该对话页面需要用API key，底部有API key申请平台入口，在平台通过客服或联系电话或企业微信号等多种方式申请可获得key，申请就直接给，会给一个有试用期的API密钥，在左医GPT对话页面输入即可体验。目前主要对医院等医疗相关单位机构合作使用。我上次申请体验的是有2天试用期，不知现在能试用多久。 补充：百度搜索“左医GPT”，有介绍，平台申请直接获得key，因为医疗比较严肃，所以加一道，保证使用安全。——来自本文评论区 张超(左手医生创始人 CEO) 左医GPT不是基于GPT-3的，而是基于Transforme架构的自研模型。听译机器人的底层技术用的是左医GPT，和openAI没有任何关系。可通过语音识别和自然语言理解技术，实时记录医患对话，并自动生成电子病历。还可通过语言模型和知识图谱技术，为医生提供智能辅助功能，如用药指导、诊断建议、随访管理等。左医GPT是左手医生公司的核心产品之一，目前已经部署在全国近百家头部医院，提供智慧服务。 官网产品介绍地址(可申请API key) 左手医生开放平台-助力智慧医疗服务建设 3、岐黄问道GPT 大经中医岐黄问道大模型 (dajingtcm.com) 中医大模型，大经中医出品。目前对医疗机构开放申请内测。三个子模型：基于已确诊疾病的临床诊疗大模型，仅基于症状体征的临床诊疗大模型，中医养生调理大模型。 落地应用：在“学习强国”App中的中医智能健康助手就是基于此模型，只需要选择一些不舒服的表现，就能推荐中医调理方案。广东省中医院、上海中医药大学附属龙华医院等医疗机构单位；南京市江宁区、淄博市高青县等区域中医医联体，上海长宁区“为老服务中心”，下沉到山东吉林等地村卫生室这种基层医疗机构。 训练呢数据集：1100万条中医知识图谱数据；1500本中医古籍和文献数据；10万份真实中医专家医案数据；10万条脉象、舌象、经络、穴位数据；200万条真实的中医临床诊疗数据。 大经中医官网：大经中医 (dajingtcm.com) 4、本草(别名华驼,另有Med-ChatGLM) 中医大模型，免费开源，但目前无法直接使用，需下载在高性能计算机上进行复杂本地部署，也没有线上网站可体验。 哈尔滨工业大学开发的一款基于中医药知识图谱的人工智能系统，可提供中医药相关的问答、推理、分析等服务，赋能中医药行业的各个场景。 项目介绍地址(需翻墙才能访问) 本草(华驼) https://github.com/SCIR-HI/Huatuo-Llama-Med-Chinese Med-ChatGLM https://github.com/SCIR-HI/Med-ChatGLM 5、医联MedGPT 公司官网 成都医云科技有限公司 (medlinker.com) 个人无法直接使用，目前与各大医院及机构合作面向患者使用。是国内首个进行线下医院实际问诊等流程场景使用测评的大模型。已进入内部测试阶段，2023年5月正式发布。已拥有近3000种疾病的首诊能力，覆盖80%以上的成年人疾病和90%以上的0-12岁儿科疾病。突破AI医生无法与真实患者连续自由对话的难点，并在医疗问诊场景中支持多模态的输入和输出，在疾病的预防、诊断、治疗、康复四个重要环节全面实现智能化。MedGPT模型相关介绍文章如下： 文章一：医疗版ChatGPT直播评测！治疗方案与真人医生96%一致 文章二：鏖战一天，与三甲主治医师医学一致性达到96% 医联 MedGPT 通过首次公开大考！ 在微信公众号“医联Medlinker”中有个“医联MedGPT 媒体沟通会”的发布会视频，里面详细讲解了模型具体情况。 6、砭石 中医大模型，不免费，可简单体验。智慧眼开发的医疗领域大模型砭石，是一款支持多模态（文本、图像、视频和音频）输入的人工智能医生，可以提供智能问诊、辅助诊断、智能用药等服务，赋能医疗健康行业的各个场景。 体验方法：扫描智慧眼官网上的二维码，体验互联网医院的服务，包括智能导诊、在线问诊、处方流转、药物配送等。扫描后进入小程序进行微信登陆，添加就诊人并实名认证，后自动跳转到“急速问诊”页面，该问诊就是基于砭石模型问答。下次再次使用时在小程序首页上的“问诊购药”或“复诊续方”功能按钮进入问答界面。("砭"读bian一声) 产品介绍官网(页面下滑找到微信小程序二维码) 智慧眼-人工智能/医疗健康-AI计算驱动生命健康 7、京东JDH 京医千询 基于京东自己的言犀大模型打造，投喂了京东互联网医院积累了上亿级的医疗问诊数据。远程医疗两个场景：一是药师的问答；二是医患问答。目前与互联网医院及医疗机构合作面向患者使用，个人目前无法直接使用。没有找到官网相关链接及信息，欢迎评论补充。感兴趣的可通过京东云网站客服等渠道咨询就行。 京医千询_百度百科 (baidu.com) 8、腾讯健康医疗大模型，面向B端医院企业商业，不对个人开放，官网：腾讯健康 9、百度灵医智惠，面向B端医院企业商业，不对个人开放，官网：灵医智惠 10、华为云盘古医疗，网址：盘古大模型_panguLM_大模型_华为云，药物分子大模型，医疗大模型。 11、清华药物研发助手ChatDD，详情介绍网址：水木分子发布ChatDD 新一代对话式药物研发助手，引领药物研发第四范式 将于2023年10月中旬邀请测试基础版本。清华系初创团队水木分子宣布发布新一代对话式药物研发助手ChatDD(Drug Design)，覆盖药物立项、临床前研究、临床试验的各阶段，作为制药专家的得力AI助手，提升药物研发效率。千亿参数多模态生物医药对话大模型ChatDD-FM 100B。“制药版 ChatGPT”。兼具多模态和对话双重特点，能给医药界学生“解个惑”。主要给国内医药行业“打辅助”，侧重中文对话能力，融入了更多专家的对话模式和经验。 12、清华BioMedGPT，项目开源地址：https://github.com/taokz/BiomedGPT 生物医药版ChatGPT。清华大学聂再清教授带领团队着手构建的多模态生物医药领域基础模型，旨在将生物世界分子、文本与知识进行统一表示学习以达到在各项下游任务上能力的整体提升。通过打造的干湿闭环和专家在环的双闭环体系，使得BioMedGPT能够从真实世界学习、向人类专家学习有望成为生物医药研发基础大模型，支撑诸如高通量虚拟筛选、分子生成与优化、个性化药物重定位、生物医药知识检索等多项应用。主要用于科研领域，更擅长英文生物医药科研任务，适合直接拿来作为生物医药领域的相关科研任务的基础模型。
    2042浏览量
    原文链接

  • 《基于机器学习技术开发电池寿命精确预测模型》
    • 来源专题：中国科学院文献情报先进能源知识资源中心 |领域情报网
    • 编译者：guokm
    • 发布时间：2019-06-05
    • 如何利用电池早期循环数据，实现对电池循环寿命预测的及时性、准确性一直是传统电池寿命预测研究中的难点。而将机器学习、大数据分析等先进数据分析技术引入电池寿命预测，将会更快、更及时、更准确地实现电池寿命预测，从而推动电池技术的快速发展。麻省理工学院的Richard D. Braatz教授课题组和劳伦斯伯克利国家实验室研究人员进行合作，在收集了124个电池组不同使用寿命的数据基础上，利用机器学习开发了全新的电池寿命预测模型，实现了对商业化的磷酸铁锂/石墨（LFP/Graphite）全电池的使用寿命更高精度的预测。由于电池的衰减过程是一个复杂的非线性过程，涉及很多参数（数据），因此要建立高精度预测模型就必须考量这一系列数据，即建立一个多参数高纬度预测模型，这意味着建立模型需要大量的数据基础。为此，研究人员使用商业化的LFP/Graphite全电池（代号A123，APR18650M1A，额定容量为1.1Ah）进行一系列电化学性能测试：在30℃温度下，使用不同的快速充放电条件（改变不同的充放电倍率）对电池进行循环测试，获得了大量的电池循环寿命基础数据信息（全电压曲线、电池阻抗以及电池工作温度等），循环寿命范围在150到2300圈之间，总计获得96700圈的电池数据，是目前已报道的文献中最大的商业化电池循环数据集。基于上述大量数据，作者使用机器学习方法开发了全新的电池寿命早期预测模型，模型主要建立放电容量与电压曲线的特征参数之间的关系（将电池容量视为电压函数）来预测电池的循环寿命。依据对数据不同处理方式，形成三种模型，分别是：（1）方差模型（Variance）；（2）放电模型（Discharge）；（3）引入温度、阻抗等额外参数数据全模型（Full）。在随后的所有的预测模型中，都只使用电池前一百次的循环数据。在Variance模型中，在主数据集上存在15%的平均百分比误差，在辅助数据集上存在11%的平均百分比误差；Discharge模型还考虑了前一百次循环的放电电压和电流信息，将误差分别降低到10.1%以及8.6%；Full模型综合考虑了放电过程中的各种可采集的数据信息，将误差分别降到了7.5%和10.7%，与其他的文献报道的预测模型相比，预测精度提高了25%。为了满足锂电池的生产需求（需要对电池进行循环寿命更加快速可靠分析），研究人员进一步设计了基于前5次电池循环数据的寿命预测模型。实验结果显示，Variance方差模型预测精度可以达到88.8%的预测精度，Full模型则获得了高达95.1%预测准确度。该项研究基于大量循环测试基础数据基础上，利用机器学习构建了基于放电容量的电压曲线特征的预测模型，实现了对电池寿命高效和准确的预测，对电池技术快速发展具有重大指导意义。相关研究成果发表在《Nature Energy》。
    780浏览量
    原文链接