大氣溫度變化和人類(lèi)的活動(dòng)密切相關(guān),因此,進(jìn)行精確的大氣溫度預(yù)測(cè)對(duì)人類(lèi)活動(dòng)具有重要意義.該文針對(duì)RNN和LSTM因記憶模塊能力不足而產(chǎn)生的大氣溫度預(yù)測(cè)滯后問(wèn)題,提出了增加卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)LSTM預(yù)測(cè)方法,并對(duì)中國(guó)氣象數(shù)據(jù)網(wǎng)中沈陽(yáng)市（站號(hào)54342）的溫度數(shù)據(jù)進(jìn)行驗(yàn)證.結(jié)果顯示,改進(jìn)LSTM模型可以將溫度預(yù)測(cè)的均方根誤差從0.003 049提高到0.002 083,判定系數(shù)從0.978提高到0.981,說(shuō)明改進(jìn)的LSTM預(yù)測(cè)模型對(duì)大氣溫度進(jìn)行模擬預(yù)測(cè)是有效的. 

【文章來(lái)源】：通化師范學(xué)院學(xué)報(bào). 2020,41(08)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

RNN結(jié)構(gòu)

圖1 RNN結(jié)構(gòu)RNN網(wǎng)絡(luò)因其具有記憶功能，所以在處理時(shí)間序列數(shù)據(jù)方面已經(jīng)取得了較大成功，但仍然存在梯度消失、梯度爆炸、長(zhǎng)期記憶不足等問(wèn)題.為了彌補(bǔ)RNN的不足，LSTM應(yīng)運(yùn)而生.LSTM相對(duì)于RNN，隱含層結(jié)構(gòu)多了3個(gè)控制門(mén)，即輸入門(mén)、遺忘門(mén)、輸出門(mén)[7]，對(duì)應(yīng)圖3中的it、ft、ot.遺忘門(mén)決定從細(xì)胞狀態(tài)中丟棄的信息，輸入門(mén)決定細(xì)胞狀態(tài)更新的信息，輸出門(mén)控制將要輸出的信息.圖3為標(biāo)準(zhǔn)LSTM隱含層細(xì)胞結(jié)構(gòu)，其中xt、ct、ht分別為t時(shí)刻的輸入單元、細(xì)胞狀態(tài)、輸出單元，ct-1、ht-1分別為t-1時(shí)刻細(xì)胞的狀態(tài)和輸出單元，φ1為sigmoid函數(shù)，φ2為tanh函數(shù).本文以連續(xù)的8個(gè)大氣溫度時(shí)間序列數(shù)據(jù)作為輸入，通過(guò)LSTM網(wǎng)絡(luò)處理得到下一時(shí)刻的溫度預(yù)測(cè)值.

RNN網(wǎng)絡(luò)因其具有記憶功能，所以在處理時(shí)間序列數(shù)據(jù)方面已經(jīng)取得了較大成功，但仍然存在梯度消失、梯度爆炸、長(zhǎng)期記憶不足等問(wèn)題.為了彌補(bǔ)RNN的不足，LSTM應(yīng)運(yùn)而生.LSTM相對(duì)于RNN，隱含層結(jié)構(gòu)多了3個(gè)控制門(mén)，即輸入門(mén)、遺忘門(mén)、輸出門(mén)[7]，對(duì)應(yīng)圖3中的it、ft、ot.遺忘門(mén)決定從細(xì)胞狀態(tài)中丟棄的信息，輸入門(mén)決定細(xì)胞狀態(tài)更新的信息，輸出門(mén)控制將要輸出的信息.圖3為標(biāo)準(zhǔn)LSTM隱含層細(xì)胞結(jié)構(gòu)，其中xt、ct、ht分別為t時(shí)刻的輸入單元、細(xì)胞狀態(tài)、輸出單元，ct-1、ht-1分別為t-1時(shí)刻細(xì)胞的狀態(tài)和輸出單元，φ1為sigmoid函數(shù)，φ2為tanh函數(shù).本文以連續(xù)的8個(gè)大氣溫度時(shí)間序列數(shù)據(jù)作為輸入，通過(guò)LSTM網(wǎng)絡(luò)處理得到下一時(shí)刻的溫度預(yù)測(cè)值.由圖3可知，LSTM細(xì)胞前向計(jì)算方法可以表示為[8]:

【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM神經(jīng)網(wǎng)絡(luò)的滬深300指數(shù)預(yù)測(cè)模型研究[J]. 馮宇旭,李裕梅.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(07)
[2]一種基于CNN和RNN深度神經(jīng)網(wǎng)絡(luò)的天氣預(yù)測(cè)模型——以北京地區(qū)雷暴的6小時(shí)臨近預(yù)報(bào)為例[J]. 倪錚,文韜.  數(shù)值計(jì)算與計(jì)算機(jī)應(yīng)用. 2018(04)
[3]基于改進(jìn)的LSTM深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音識(shí)別研究[J]. 趙淑芳,董小雨.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2018(05)
[4]基于高斯過(guò)程混合模型的大氣溫濕度預(yù)測(cè)[J]. 周亞同,趙翔宇,何峰,石超君.  農(nóng)業(yè)工程學(xué)報(bào). 2018(05)
[5]面向控制的溫室系統(tǒng)小氣候環(huán)境模型要求與現(xiàn)狀[J]. 徐立鴻,蘇遠(yuǎn)平,梁毓明.  農(nóng)業(yè)工程學(xué)報(bào). 2013(19)
[6]BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J]. 柳小桐.  機(jī)械工程與自動(dòng)化. 2010(03)
[7]BP神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)的設(shè)計(jì)方法[J]. 蔡兵.  通化師范學(xué)院學(xué)報(bào). 2007(02)



本文編號(hào)：3336007