基于改进LSTM模型的大气温度预测

发布时间：2021-08-11 10:36

　　大气温度变化和人类的活动密切相关,因此,进行精确的大气温度预测对人类活动具有重要意义.该文针对RNN和LSTM因记忆模块能力不足而产生的大气温度预测滞后问题,提出了增加卷积神经网络的改进LSTM预测方法,并对中国气象数据网中沈阳市（站号54342）的温度数据进行验证.结果显示,改进LSTM模型可以将温度预测的均方根误差从0.003 049提高到0.002 083,判定系数从0.978提高到0.981,说明改进的LSTM预测模型对大气温度进行模拟预测是有效的. 

【文章来源】：通化师范学院学报. 2020,41(08)

【文章页数】：5 页

【部分图文】：

RNN结构

图1 RNN结构RNN网络因其具有记忆功能，所以在处理时间序列数据方面已经取得了较大成功，但仍然存在梯度消失、梯度爆炸、长期记忆不足等问题.为了弥补RNN的不足，LSTM应运而生.LSTM相对于RNN，隐含层结构多了3个控制门，即输入门、遗忘门、输出门[7]，对应图3中的it、ft、ot.遗忘门决定从细胞状态中丢弃的信息，输入门决定细胞状态更新的信息，输出门控制将要输出的信息.图3为标准LSTM隐含层细胞结构，其中xt、ct、ht分别为t时刻的输入单元、细胞状态、输出单元，ct-1、ht-1分别为t-1时刻细胞的状态和输出单元，φ1为sigmoid函数，φ2为tanh函数.本文以连续的8个大气温度时间序列数据作为输入，通过LSTM网络处理得到下一时刻的温度预测值.

RNN网络因其具有记忆功能，所以在处理时间序列数据方面已经取得了较大成功，但仍然存在梯度消失、梯度爆炸、长期记忆不足等问题.为了弥补RNN的不足，LSTM应运而生.LSTM相对于RNN，隐含层结构多了3个控制门，即输入门、遗忘门、输出门[7]，对应图3中的it、ft、ot.遗忘门决定从细胞状态中丢弃的信息，输入门决定细胞状态更新的信息，输出门控制将要输出的信息.图3为标准LSTM隐含层细胞结构，其中xt、ct、ht分别为t时刻的输入单元、细胞状态、输出单元，ct-1、ht-1分别为t-1时刻细胞的状态和输出单元，φ1为sigmoid函数，φ2为tanh函数.本文以连续的8个大气温度时间序列数据作为输入，通过LSTM网络处理得到下一时刻的温度预测值.由图3可知，LSTM细胞前向计算方法可以表示为[8]:

【参考文献】：
期刊论文
[1]基于LSTM神经网络的沪深300指数预测模型研究[J]. 冯宇旭,李裕梅.  数学的实践与认识. 2019(07)
[2]一种基于CNN和RNN深度神经网络的天气预测模型——以北京地区雷暴的6小时临近预报为例[J]. 倪铮,文韬.  数值计算与计算机应用. 2018(04)
[3]基于改进的LSTM深度神经网络语音识别研究[J]. 赵淑芳,董小雨.  郑州大学学报(工学版). 2018(05)
[4]基于高斯过程混合模型的大气温湿度预测[J]. 周亚同,赵翔宇,何峰,石超君.  农业工程学报. 2018(05)
[5]面向控制的温室系统小气候环境模型要求与现状[J]. 徐立鸿,苏远平,梁毓明.  农业工程学报. 2013(19)
[6]BP神经网络输入层数据归一化研究[J]. 柳小桐.  机械工程与自动化. 2010(03)
[7]BP神经网络隐层结构的设计方法[J]. 蔡兵.  通化师范学院学报. 2007(02)



本文编号：3336007