Publikace detail

Innovative Approach to Wind Direction Data Analyses: A Compositional Periodic Spline Representation in Bayes Spaces

Autoři: Machalova Jitka | Heckenbergerová Jana

Rok: 2025

Druh publikace: článek ve sborníku

Název zdroje: New Trends in Functional Statistics and Related Fields

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 337-344

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte