通過添加太陽黑子周期長度構建長短期記憶網(wǎng)絡（Long Short-Term Memory, LSTM）的多變量輸入數(shù)據(jù),在多時間步長上預測未來10年的太陽黑子變化。將數(shù)據(jù)集以訓練數(shù)據(jù)長度為標準劃分出兩組時間序列片段,分別是分片11和分片6,并在分片上分別對比了單變量和多變量在單時間步長和多時間步長上的預測效果。最后,得出以下主要結論:（1）相比分片6,分片11的采樣方式有更低的均方根誤差;（2）最優(yōu)多步長的預測效果比單步長的要好;（3）通過圖例上周期的起始點、結束點和最大振幅位置3個點的準確度證明了多變量的多步長方法有更好的預測效果。 

【文章來源】：天文研究與技術. 2020,17(03)CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

1749年到2019年間的13個月平滑月度太陽黑子觀測值

長短期記憶網(wǎng)絡的工作原理如圖3,是一個有t個時間步長、2個網(wǎng)絡層的結構,太陽黑子組成的時間序列x1,x2,x3,x4,…,xt,第1層的1個工作單元在接收輸入數(shù)據(jù)x1后與初始化的單元狀態(tài)以及隱藏狀態(tài)計算當前響應,并將響應傳遞給第2個單元以及上一層的第1個單元,第1層的第2個單元在下一時刻接收輸入數(shù)據(jù)x2和上一個單元的狀態(tài)量h 1 1 后,又將結果傳輸給第3個單元和第2層的第2個單元,以此類推。第2層的單元接收第1層的輸出作為輸入,按照與第1層相同的方式傳遞計算的結果,并輸出每個單元的隱藏狀態(tài)h t k 作為每個時間步長的輸出結果。在長短期記憶網(wǎng)絡中,時間序列按照時間步長被分為多個有序數(shù)據(jù)段,每個數(shù)據(jù)段傳入的工作單元中都以不同的權重計算輸出結果。時間步長為1的預測方法稱為單步長預測方法,大于等于1的稱為多步長預測方法。圖3 長短期記憶網(wǎng)絡的網(wǎng)絡層

圖2 長短期記憶網(wǎng)絡單元由此可知,當設時間步長為1時,只有一個單元提供權重和輸出輸入的響應,所有數(shù)據(jù)通過一個單元建立時間序列數(shù)據(jù)的信息持久性。而在多個時間步長的網(wǎng)絡中,多個單元為時間序列提供不同的權重,并且不僅在單元自身建立信息的持久性,在鏈式鏈接的單元之間也為時間序列建立信息的持久化,并增加了時間序列數(shù)據(jù)在時間上的相關性。所以,從一定程度上說,多時間步長的網(wǎng)絡模型能為時間序列在響應過程中提供更豐富的權鏈接和多重的信息相關性,基于此提出了多步長的預測方法。

【參考文獻】：
期刊論文
[1]太陽活動對中國中緯度地區(qū)8級大地震的可能觸發(fā)[J]. 蘇同衛(wèi),李可軍.  天文研究與技術. 2007(02)
[2]太陽活動與天氣和氣候變化的關系的評述(英文)[J]. 沈玫,呂達仁.  云南天文臺臺刊. 1989(S1)



本文編號：3528961