Dessa modeller är tänkta att på sikt ersätta Aiolos och Cilia-modellerna. De skiljer sig inte nämnvärt från Aiolos och CIlia-modellerna i hur prognoserna görs, utan den stora skillnaden finns i den underliggande koden som är helt omskriven och moderniserad. Några skillnader finns dock.
•”Max search hours” under adaptionsinställningarna styr nu hur länge det får saknas data innan prognosstart innevarande år för att data innevarande år ska användas ifall det finns mer än ett års data. Alltså inte bara när det gäller adaption utan även dagtypsbestämning och regression. Om data slutar fler timmar före prognosstart än vad gränsvärdet anger används inte innevarande års data inte vid typdygnsbestämning om det finns mer än ett års data. Dessutom ändras modellen från Cilia till Aiolos om det finns mer än ett års data. Om data istället finns så kommer modellen använda hälften av ”Number of days per year” innevarande år räknat från slutdatum för data(inte från prognosstart) förutom då ”Years back” är satt till 0 eller då det finns mindre än ett års data. Då används ”Number of days per year” dagar innevarande år.
•”Number of days per year” sätts heller inte automatiskt till 45 dagar under perioderna 15 juni-15 augusti och 15 december-15 januari.
•Data hämtas från typdygnsmönstren enligt prioriteringen
1. Förstahandsvalet
2. Andra handsvalet
Vid regressionen: Om ingen av dessa typdygn hittas ignoreras aktuell tidpunkt istället för att leta längre efter veckodag och vardagar och avbryta prognostiseringen om inget hittas.
Vid prognos: Om andrahandsvalet används får användaren en varning. Om varken förstahandsvalet eller andrahandsvalet hittas för ett datum, försöker programmet göra om hela prognosprocessen baserat på andrahandsvalet.
•De skattade modellerna sparas i minnet vilket gör att om man använder samma observationsserie på flera väderstationsplatser så görs ingen ny modellberäkning. Detta kan reducera beräkningstiden med 70-80% om man använder multipla väderprognosmodulen. Observationsserierna kan utvärderas genom att göra långtidsprognoser på observerat väder och jämföra med verkligt utfall.
•Modellerna skiljer mellan sommar och vintertid så att separata typdygnsmönster beräknas för dagar under sommartid och vintertid. Detta gör att modellen kan ta hänsyn till ändrade sociala mönster i skiftet mellan sommar och vintertid som beror på den astronomiska tiden, t.ex. minskat belysningsbehov på morgonen när vintertiden börjar.
•En utvidgad datakontroll kan göras om man har angett värden i ”Max relative delta”, ”Max hours to ignore” och ”Max relative mean diff”.
1. ”Max relative delta” anger hur stor relativ förändring som ska accepteras från ett värde till ett annat. Om ett värde hittas som skiljer sig mer än gränsvärdet, stegar programmet framåt och ser om de efterföljande värdena också skiljer sig mer än tillåtet. Om färre än eller lika med ”Max hours to ignore” direkt efterföljande värden skiljer sig mer än tillåtet från det senast ”accepterade” värdet så ignoreras dessa under prognostiseringen. I annat fall anses det ha skett en förändring i lastnivån och användaren får en varning om detta.
2. Under typdygnsskattningen beräknar programmet först medellasten för allt data som används innevarande år, eller om inte innevarande år ska användas, föregående år. Denna medellast sparas som en referenslast. Sedan beräknas medellasten för varje års data som möjligen ska användas i typdygnsskattningen. Ifall denna skiljer sig mer än ”Max relative mean diff” från referensmedlet används inte data varken från det aktuella året eller längre bakåt. Detta för att undvika att icke representativ data används.