基于GRU神经网络与灰色模型集成的气温预报

发布时间：2024-12-22 08:29

　　 使用传统单一模型预报气温经常出现漏报现象,最终导致预测结果不理想,精度较低。针对单一预报模型稳定性较低,随机性偏高,突发性较多的特点,在深度学习理论的基础上,提出一种采用门控循环单元(GRU)和灰色模型(GM)集成的方法,先分别训练两个模型,再通过权值ω将二者的预测结果进行加权组合,权值ω适当调整模型,改善模型的预报结果,提高模型的预报精度,并加快了运行速度,并且其普遍适用性和应急突发能力得到巨大改善。实验表明,将GRU神经网络加入灰色模型进行气温预报,效果要明显优于单一的模型,其标准差小了近一倍,从而表明实验方法的可行性和有效性。

【文章页数】：10 页

【部分图文】：

图1 GRU单元结构

LSTM通过简化与改进得到GRU，这两个神经网络都具有“门”的结构，其中每一个神经元为一个处理单元，它有若干处理门限。这些处理门限可以判断是否保存信息。但是，与LSTM相比，GRU处理单元的门限较少，仅有两个，且仅有一个时序输出。所以LSTM与GRU在传输有效信息时，GRU参数数....

图2 GRU神经网络结构

与RNN类似，GRU神经网络同样通过链式模型重复组成。RNN中的神经元U中可能只是一个较为简单的激活函数，比如tanh函数或者修正线性单元（ReLU）函数等。但是在GRU中，神经元U成为一个较为复杂的门限结构。3门控循环单元与灰色模型的集成

图3 GRU网络模型和GM的集成流程

本文的权值范围取0～1，其中步长为0.1。首先权值从0开始选取，将两种模型的预测结果分别乘以各自的权重并相加。然后向后挪动一个步长（t=0.1），重复上述操作，直到所有气温预报值均计算出权重系数为止。获取动态权值的过程如图4所示。循环计算后，得到11个与权值w集成的输出数据，如公....

图4 动态权值的获取流程

本实验数据集取自某市2009年1月1日—2017年1月1日的气温值（2m高百叶箱）。这个数据集中共有13种大气属性（气温、气压、湿度、风向等），数据点间的时间间隔为10分钟。首先，需要对数据进行筛选与清洗。本实验的训练模型数据取自2016年6月1—10日，测试模型数据取2016....

本文编号：4019730