Forecasting 被ESCI数据库收录 | MDPI 期刊收录

发表时间:2021-08-13 阅读量:2599

2021年5月,MDPI期刊Forecasting 被Web of Science的Emerging Sources Citation Index (ESCI) 数据库收录。在此,Forecasting 向为期刊发展作出巨大贡献的主编、编委、客座编辑、审稿专家和作者们表示衷心的感谢,向长期关注期刊发展的读者致以诚挚的谢意!截至目前,MDPI已有112个期刊被ESCI数据库收录。

 

期刊主编

 

Prof. Dr. Sonia Leva

意大利米兰理工大学 (Politecnico Di Milano) 能源部电气工程系教授、太阳能技术实验室 (SolarTechLAB) 和微电网实验室 (MG2LAB) 主任、IEEE电力和能源协会高级会员及IEEE分布式资源建模与分析工作组成员。2001年获得米兰理工大学电气工程学博士学位。已撰写110多篇SCI论文,总引用次数超过6000次。研究领域涉及能源预测、风能和太阳能系统、光伏预测、再生能源等。

 

文章荐读

 

01. Machine Learning-Based Error Modeling to Improve GPM IMERG Precipitation Product over the Brahmaputra River Basin

通过基于机器学习的误差建模来改善雅鲁藏布江流域的GPM IMERG降水产品

Md Abul Ehsan Bhuiyan et al.

https://doi.org/10.3390/forecast2030014

 

文章全面研究了两种机器学习 (Machine Learning, ML) 技术:随机森林和神经网络方法,并以“天”为单位时间尺度,在0.1度空间分辨率下,随机生成了雅鲁藏布江流域的误差校正IMERG降水产品。本研究中使用的软件是IMERG-LateRun 06版,参考了多个气象和地表参数 (海拔、土壤类型、土地类型、土壤湿度及每日最高和最低温度),为雅鲁藏布江流域提供一个改进的降雨产品。研究使用雨量计测量得出的4年 (2015年至2019年) 降雨数据来训练、测试和优化ML算法。结果表明,文章提出的ML集合框架算法具有量化和纠正误差源的潜力,可改进水资源应用中基于卫星的降水预测。

 

02. Corporate Foresight and Dynamic Capabilities: An Exploratory Study

企业远见和动态能力:一项探索性研究

Lisa-Marie Semke and Victor Tiberius

https://doi.org/10.3390/forecast2020010

 

企业远见是指通过预测、探索将来商业环境的可能状态,提前指定相应对策、采取相应措施;动态能力是指相关公司面临竞争或生存威胁环境时迅速适应快速应对的能力。尽管两者概念有相似之处,但它们之间的关系仍不明晰。为明确这一关系,文章对企业远见专家做了定性访谈,并深入进行了探索性研究。结果表明,企业远见与动态能力旨在企业组织结构上不断更新,以应对未来挑战。企业远见可以看作是与动态能力感知过程相对应的特定活动,可以更好地为感知后的活动提供信息,间接性有助于资源的重新分配、提高创新性和企业绩效。

 

03. Performance Comparison between Deep Learning and Optical Flow-Based Techniques for Nowcast Precipitation from Radar Images

雷达图像中基于深度学习和光流技术的降水临近预报的性能比较

Marino Marrocu and Luca Massidda

https://doi.org/10.3390/forecast2020011

 

本文提出了一种基于生成式神经网络的气象雷达图像临近预报技术,并对比了该技术与最先进的光流程序的性能。研究使用一组雷达图像的公共领域数据集,对两种方法进行了验证。该数据集覆盖了日本约 104 平方公里的区域,时间周期为五年,采样频率为 5 分钟。使用五年数据中三年的数据来训练神经网络的性能,进行时间范围长达一小时的预测,并对超过一年的数据进行评估,证明了该技术明显优于其他预测技术。

 

 Forecasting 期刊介绍

 

主编:Sonia Leva, Politecnico Di Milano, Italy

期刊主题涵盖预测领域相关的理论、实践、计算和方法论等方面,包括电力和能源预测、经济与管理预测等多个分支。已被ESCI (Web of Science)、AGRIS、EconBiz、RePEc等数据库收录。

MPT:43

APT:46.6

*MPT: Median Publication Time; APT: Average Publication Time

 

版权声明:

本文作者:Joss Chen

*本文内容由MDPI中国办公室编辑编写,一切内容请以英文原版为准。如需转载,请邮件联系:mdpicnmarketing@mdpi.com​​​​