基于多变量LSTM网络的太阳黑子活动预测分析

发布时间：2021-12-02 18:33

　　通过添加太阳黑子周期长度构建长短期记忆网络（Long Short-Term Memory, LSTM）的多变量输入数据,在多时间步长上预测未来10年的太阳黑子变化。将数据集以训练数据长度为标准划分出两组时间序列片段,分别是分片11和分片6,并在分片上分别对比了单变量和多变量在单时间步长和多时间步长上的预测效果。最后,得出以下主要结论:（1）相比分片6,分片11的采样方式有更低的均方根误差;（2）最优多步长的预测效果比单步长的要好;（3）通过图例上周期的起始点、结束点和最大振幅位置3个点的准确度证明了多变量的多步长方法有更好的预测效果。 

【文章来源】：天文研究与技术. 2020,17(03)CSCD

【文章页数】：12 页

【部分图文】：

1749年到2019年间的13个月平滑月度太阳黑子观测值

长短期记忆网络的工作原理如图3,是一个有t个时间步长、2个网络层的结构,太阳黑子组成的时间序列x1,x2,x3,x4,…,xt,第1层的1个工作单元在接收输入数据x1后与初始化的单元状态以及隐藏状态计算当前响应,并将响应传递给第2个单元以及上一层的第1个单元,第1层的第2个单元在下一时刻接收输入数据x2和上一个单元的状态量h 1 1 后,又将结果传输给第3个单元和第2层的第2个单元,以此类推。第2层的单元接收第1层的输出作为输入,按照与第1层相同的方式传递计算的结果,并输出每个单元的隐藏状态h t k 作为每个时间步长的输出结果。在长短期记忆网络中,时间序列按照时间步长被分为多个有序数据段,每个数据段传入的工作单元中都以不同的权重计算输出结果。时间步长为1的预测方法称为单步长预测方法,大于等于1的称为多步长预测方法。图3 长短期记忆网络的网络层

图2 长短期记忆网络单元由此可知,当设时间步长为1时,只有一个单元提供权重和输出输入的响应,所有数据通过一个单元建立时间序列数据的信息持久性。而在多个时间步长的网络中,多个单元为时间序列提供不同的权重,并且不仅在单元自身建立信息的持久性,在链式链接的单元之间也为时间序列建立信息的持久化,并增加了时间序列数据在时间上的相关性。所以,从一定程度上说,多时间步长的网络模型能为时间序列在响应过程中提供更丰富的权链接和多重的信息相关性,基于此提出了多步长的预测方法。

【参考文献】：
期刊论文
[1]太阳活动对中国中纬度地区8级大地震的可能触发[J]. 苏同卫,李可军.  天文研究与技术. 2007(02)
[2]太阳活动与天气和气候变化的关系的评述(英文)[J]. 沈玫,吕达仁.  云南天文台台刊. 1989(S1)



本文编号：3528961