Login for students

Login for employees

Publication detail

Innovative Approach to Wind Direction Data Analyses: A Compositional Periodic Spline Representation in Bayes Spaces
Authors: Machalova Jitka | Heckenbergerová Jana
Year: 2025
Type of publication: článek ve sborníku
Name of source: New Trends in Functional Statistics and Related Fields
Publisher name: Springer Nature Switzerland AG
Place: Cham
Page from-to: 337-344
Titles:
Language Name Abstract Keywords
cze Inovativní přístup k analýze dat o směru větru: kompoziční periodická spline reprezentace v Bayesových prostorech Analýza environmentálních dat je nezbytná pro optimalizaci energetických, ekonomických a dopravních systémů. Například směr větru má významný vliv na přistávání letadel, přenos energie a výrobu větrné energie. Jeho cyklický charakter však představuje jedinečné výzvy. Předchozí výzkum rozdělení směru větru využíval metody, jako je Newtonova optimalizace směsí distribucí von Mises, EM algoritmus a evoluční algoritmy, které se zaměřovaly především na aproximaci jednotlivých funkčních pozorování. V této studii jsme posunuli tento obor vpřed zavedením kompoziční periodické spline reprezentace dat o směru větru v rámci Bayesovského prostoru. Představený přístup je efektivní pro zpracování směrových dat pomocí technik funkční analýzy dat. Náš teoretický rámec bude ověřen na empirických datech o směru větru. kompoziční periodický spline; Bayesův prostor; směr větru
eng Innovative Approach to Wind Direction Data Analyses: A Compositional Periodic Spline Representation in Bayes Spaces Analyzing environmental data within their natural sample space is essential for optimizing energy, economics, and transport systems. Wind direction, for example, significantly impacts aircraft landing, power transmission, and wind energy generation. However, its circular nature presents unique challenges. Previous research on wind direction distribution has employed methods such as Newton's optimization of von Mises distribution mixtures, the EM algorithm, and evolutionary algorithms, focusing primarily on the approximation of individual functional observations. In this study, we advanced this field by introducing a compositional periodic spline representation of wind direction data within the Bayes spaces framework. The presented approach is efficient for processing directional data using functional data analysis techniques. Our theoretical framework will be validated on empirical wind direction datasets. Compositional Periodic Spline; Bayes Space; Wind Direction

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives