降水量預(yù)測(cè)是人類社會(huì)正常運(yùn)轉(zhuǎn)的重要組成部分,準(zhǔn)確的預(yù)測(cè)結(jié)果對(duì)交通、農(nóng)業(yè)和公共安全等都具有重要的意義。長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為一種基于數(shù)據(jù)驅(qū)動(dòng)的時(shí)間序列預(yù)測(cè)模型,在降水量預(yù)測(cè)方面表現(xiàn)出了良好的性能。但在使用時(shí)往往需要具有豐富經(jīng)驗(yàn)的領(lǐng)域?qū)＜覍?duì)模型的超參數(shù)進(jìn)行人工配置,并不斷地進(jìn)行調(diào)整和優(yōu)化,不僅增加了模型的使用難度,而且?guī)?lái)了較高的人工成本。針對(duì)這一問(wèn)題,提出了基于進(jìn)化算法的LSTM降水量預(yù)測(cè)方法體系。該方法體系從優(yōu)化理論的角度對(duì)LSTM降水量預(yù)測(cè)模型的超參數(shù)搜索空間進(jìn)行了定義,并以降水量預(yù)測(cè)精度為進(jìn)化目標(biāo),分別利用遺傳算法(GA)和交叉熵遺傳混合算法(CEGA)在超參數(shù)空間中智能選擇最佳的超參數(shù)組合,確定預(yù)測(cè)效果最好、泛化能力最優(yōu)的LSTM降水量預(yù)測(cè)模型,進(jìn)而分別形成了基于遺傳算法的LSTM降水量預(yù)測(cè)模型—GA-LSTM模型和基于交叉熵遺傳混合算法的LSTM降水量預(yù)測(cè)模型—CEGA-LSTM模型。數(shù)值實(shí)驗(yàn)對(duì)比結(jié)果表明:GA-LSTM模型和CEGA-LSTM模型在降水量預(yù)測(cè)中具有較高的準(zhǔn)確性,并兼具了自適應(yīng)、簡(jiǎn)便、易于推廣等優(yōu)良特性�；趦煞N模型的降水量預(yù)測(cè)方法不僅提高了傳統(tǒng)方法的預(yù)...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1“Nvs1”型LSTM結(jié)構(gòu)

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文62基礎(chǔ)理論知識(shí)2.1LSTM模型長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）是一種反饋型神經(jīng)網(wǎng)絡(luò)，采用一種具有累加功能和門(mén)控機(jī)制的特殊隱層單元作為基礎(chǔ)神經(jīng)元，能在下一個(gè)時(shí)間步長(zhǎng)產(chǎn)生一個(gè)權(quán)值并聯(lián)接到自身，以復(fù)制自身狀態(tài)的真實(shí)值和累積外部輸入信號(hào)，因此非常適合用于處理與時(shí)....

圖2.2LSTM的隱層單元結(jié)構(gòu)圖

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文7和公式（2-4）三部分組成。1([,])tittiiWhxb=+（2-2）1tanh([,])tcttccWhxb=+（2-3）1+tttttcicfc=（2-4）首先由公式（2-2）計(jì)算獲得tx和t1h更新tc的程度系數(shù)ti，再由公式（2-3）中的....

圖2.3遺傳算法迭代過(guò)程

遼寧工程技術(shù)大學(xué)碩士學(xué)位論文10圖2.3遺傳算法迭代過(guò)程Figure2.3Geneticalgorithmiterationprocess圖2.3中的示例僅用于說(shuō)明，典型的GA使用30到200大小的群體，交叉率期望取值范圍為[0.5，1.0]，變異率常用取值范圍為[0.001，0....

圖3.1LSTM模型模塊

XXX=（3-2）其中normX為歸一化后的數(shù)據(jù)，X為原始數(shù)據(jù)，meanX、maxX和minX分別為原始數(shù)據(jù)集的均值、最大值和最小值。最后在數(shù)據(jù)準(zhǔn)備部分還需要根據(jù)滑動(dòng)窗口T對(duì)降水量數(shù)據(jù)進(jìn)行劃分，得到影響因素和目標(biāo)標(biāo)簽，再將降水量數(shù)據(jù)集分為訓(xùn)練集和驗(yàn)證集。（2）模型準(zhǔn)備假設(shè)網(wǎng)絡(luò)隱層....

本文編號(hào)：3945741