基于时域卷积网络的多尺度双线性天气预测模型
发布时间：2022-01-09 14:57
针对时域卷积网络（TCN）提取能力受卷积层感受野限制,难以对天气数据中的季节性信息和长时信息进行有效提取与分析的问题,提出了一个新的基于TCN的多尺度双线性天气预测模型。该模型由TCN层和双线性汇合层2部分组成,时域卷积层包含双路TCN,每个TCN利用历史观测数据独立提取特征,除卷积核尺度之外,其他网络参数均保持一致。多尺度的网络组合可以更深入挖掘数据中潜在关联信息;时域卷积层的输出作为双线性汇合层的输入进行双线性融合,规范化后得到最终输出,即对未来天气的预测值,进一步提升模型的特征表示能力。在公开的天气预测数据集上与5个基准方法进行对比,实验结果表明所提方法的预测结果准确率更高;此外,对比TCN,多尺度双线性天气预测模型面对长时数据信息时表现更加稳定。
【文章来源】：图学学报. 2020,41(05)北大核心CSCD
【文章页数】：7 页
【部分图文】：
图1时域卷积网络模型Fig.1Temporalconvolutionalnetwok
第5期孔震，等：基于时域卷积网络的多尺度双线性天气预测模型767型中一路TCN卷积层输出为A1=(a1,···,an)，另一路输出为A2=(a′1,···,a′n)，双线性层的融合输出G′为T1TT21212TTTT11121TTT21222TTT12[,,,]nnnnnnnnaaAAaaaaaaaaaaaaaaaaaaaaaaG(5)双线性的输出层是格拉姆矩阵，实际可以看作特征之间的偏心协方差矩阵，每个元素由特定滤波器在特定位置卷积得到，格拉姆计算实际上是计算两两特征之间的相关性，而对角线元素度量各个维度自己的特性以及各维度之间的关系。取G′的对角线元素并按式(6)~(8)进行规范化，得到双线性层的最终输出G，即Gdiag(G)(6)Gsign(G)|G|(7)|||GGG(8)其中，diag(·)为取矩阵的对角线元素作为输出向量。1.4基于时域卷积网络的多尺度双线性模型本文提出一种基于TCN的多尺度双线性模型来进行天气预测，该模型的框架如图2所示。图2基于TCN的多尺度双线性天气预测模型Fig.2TCN-basedmulti-scalebilinearweatherpredictionmodel整个模型包含双路TCN网络，每个TCN网络由扩张(因果)卷积层构成，每个卷积层应用修正线性单元(rectifiedlinearunit，ReLU)作为激活函数，另外为了缓解过拟合现象，加入了随机丢弃层(Dropout)，为了增强网络的稳定性，还加入了恒等映射层，2个不同尺度网络(在右分支网络加入了d=6的卷积层后，两路输出可视为不同网络得到)的输出在双线性层进行双线性融合，在规范化操作后，最终得到网络的输出。除?
第5期孔震，等：基于时域卷积网络的多尺度双线性天气预测模型769(a)均方根误差(a)Rootmeansquareerror(b)平均绝对百分比误差(b)Meanabsolutepercentageerror(c)确定系数(c)Coefficientofdetermination图3地面以上2m高度处湿度对比Fig.3Comparisonofhumidityataheightof2mabovetheground(a)均方根误差(a)Rootmeansquareerror(b)平均绝对百分比误差(b)Meanabsolutepercentageerror(c)确定系数(c)Coefficientofdetermination图4地面以上2m高度处温度对比Fig.4Temperaturecomparisonataheightof2mabovetheground为了评估网络参数dilate对实验效果的影响，以地面上2m温度(℃)RMSE为评价指标进行对比试验，一次处理数据长度为128，预测长度为24，其中TCN-1参数保持不变，逐渐增加TCN-2中的不同尺度d的卷积层。实验结果如图6所示，综合3个指标，本方法在d=6时表现最佳。(a)均方根误差(a)Rootmeansquareerror(b)平均绝对百分比误差(b)Meanabsolutepercentageerror(c)确定系数(c)Coefficientofdetermination图5地面以上10m高度处风速对比Fig.5Comparisonofwindspeedataheightof10mabovetheground图6不同尺度对模型性能影响Fig.6Theimpactofdifferentscalesonmodelperformance3结束语针对TCN面对长时数据预测效果不尽人意的问题，本文提出了一种基于TCN的多尺度双线性的天气预测方法。多尺度卷积可以提升模型卷积的感受野，在处理像天气这种季节性数据时，可以增强模型对局部信息特征变化的处理能力，学习到更好的时序特征。双线性池化操作可以在一阶统计信息相同的情况?
【参考文献】：
期刊论文
[1]基于HHT的风电功率波动及其对电力系统低频振荡的影响分析[J]. 唐西胜,孙玉树,齐智平. 电网技术. 2015(08)
本文编号：3578930
【文章来源】：图学学报. 2020,41(05)北大核心CSCD
【文章页数】：7 页
【部分图文】：
图1时域卷积网络模型Fig.1Temporalconvolutionalnetwok
第5期孔震，等：基于时域卷积网络的多尺度双线性天气预测模型767型中一路TCN卷积层输出为A1=(a1,···,an)，另一路输出为A2=(a′1,···,a′n)，双线性层的融合输出G′为T1TT21212TTTT11121TTT21222TTT12[,,,]nnnnnnnnaaAAaaaaaaaaaaaaaaaaaaaaaaG(5)双线性的输出层是格拉姆矩阵，实际可以看作特征之间的偏心协方差矩阵，每个元素由特定滤波器在特定位置卷积得到，格拉姆计算实际上是计算两两特征之间的相关性，而对角线元素度量各个维度自己的特性以及各维度之间的关系。取G′的对角线元素并按式(6)~(8)进行规范化，得到双线性层的最终输出G，即Gdiag(G)(6)Gsign(G)|G|(7)|||GGG(8)其中，diag(·)为取矩阵的对角线元素作为输出向量。1.4基于时域卷积网络的多尺度双线性模型本文提出一种基于TCN的多尺度双线性模型来进行天气预测，该模型的框架如图2所示。图2基于TCN的多尺度双线性天气预测模型Fig.2TCN-basedmulti-scalebilinearweatherpredictionmodel整个模型包含双路TCN网络，每个TCN网络由扩张(因果)卷积层构成，每个卷积层应用修正线性单元(rectifiedlinearunit，ReLU)作为激活函数，另外为了缓解过拟合现象，加入了随机丢弃层(Dropout)，为了增强网络的稳定性，还加入了恒等映射层，2个不同尺度网络(在右分支网络加入了d=6的卷积层后，两路输出可视为不同网络得到)的输出在双线性层进行双线性融合，在规范化操作后，最终得到网络的输出。除?
第5期孔震，等：基于时域卷积网络的多尺度双线性天气预测模型769(a)均方根误差(a)Rootmeansquareerror(b)平均绝对百分比误差(b)Meanabsolutepercentageerror(c)确定系数(c)Coefficientofdetermination图3地面以上2m高度处湿度对比Fig.3Comparisonofhumidityataheightof2mabovetheground(a)均方根误差(a)Rootmeansquareerror(b)平均绝对百分比误差(b)Meanabsolutepercentageerror(c)确定系数(c)Coefficientofdetermination图4地面以上2m高度处温度对比Fig.4Temperaturecomparisonataheightof2mabovetheground为了评估网络参数dilate对实验效果的影响，以地面上2m温度(℃)RMSE为评价指标进行对比试验，一次处理数据长度为128，预测长度为24，其中TCN-1参数保持不变，逐渐增加TCN-2中的不同尺度d的卷积层。实验结果如图6所示，综合3个指标，本方法在d=6时表现最佳。(a)均方根误差(a)Rootmeansquareerror(b)平均绝对百分比误差(b)Meanabsolutepercentageerror(c)确定系数(c)Coefficientofdetermination图5地面以上10m高度处风速对比Fig.5Comparisonofwindspeedataheightof10mabovetheground图6不同尺度对模型性能影响Fig.6Theimpactofdifferentscalesonmodelperformance3结束语针对TCN面对长时数据预测效果不尽人意的问题，本文提出了一种基于TCN的多尺度双线性的天气预测方法。多尺度卷积可以提升模型卷积的感受野，在处理像天气这种季节性数据时，可以增强模型对局部信息特征变化的处理能力，学习到更好的时序特征。双线性池化操作可以在一阶统计信息相同的情况?
【参考文献】：
期刊论文
[1]基于HHT的风电功率波动及其对电力系统低频振荡的影响分析[J]. 唐西胜,孙玉树,齐智平. 电网技术. 2015(08)
本文编号：3578930
本文链接：https://www.wllwen.com/projectlw/qxxlw/3578930.html
