針對時域卷積網(wǎng)絡（TCN）提取能力受卷積層感受野限制,難以對天氣數(shù)據(jù)中的季節(jié)性信息和長時信息進行有效提取與分析的問題,提出了一個新的基于TCN的多尺度雙線性天氣預測模型。該模型由TCN層和雙線性匯合層2部分組成,時域卷積層包含雙路TCN,每個TCN利用歷史觀測數(shù)據(jù)獨立提取特征,除卷積核尺度之外,其他網(wǎng)絡參數(shù)均保持一致。多尺度的網(wǎng)絡組合可以更深入挖掘數(shù)據(jù)中潛在關聯(lián)信息;時域卷積層的輸出作為雙線性匯合層的輸入進行雙線性融合,規(guī)范化后得到最終輸出,即對未來天氣的預測值,進一步提升模型的特征表示能力。在公開的天氣預測數(shù)據(jù)集上與5個基準方法進行對比,實驗結(jié)果表明所提方法的預測結(jié)果準確率更高;此外,對比TCN,多尺度雙線性天氣預測模型面對長時數(shù)據(jù)信息時表現(xiàn)更加穩(wěn)定。 

【文章來源】：圖學學報. 2020,41(05)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1時域卷積網(wǎng)絡模型Fig.1Temporalconvolutionalnetwok

第5期孔震，等：基于時域卷積網(wǎng)絡的多尺度雙線性天氣預測模型767型中一路TCN卷積層輸出為A1=(a1,···,an)，另一路輸出為A2=(a′1,···,a′n)，雙線性層的融合輸出G′為T1TT21212TTTT11121TTT21222TTT12[,,,]nnnnnnnnaaAAaaaaaaaaaaaaaaaaaaaaaaG(5)雙線性的輸出層是格拉姆矩陣，實際可以看作特征之間的偏心協(xié)方差矩陣，每個元素由特定濾波器在特定位置卷積得到，格拉姆計算實際上是計算兩兩特征之間的相關性，而對角線元素度量各個維度自己的特性以及各維度之間的關系。取G′的對角線元素并按式(6)~(8)進行規(guī)范化，得到雙線性層的最終輸出G，即Gdiag(G)(6)Gsign(G)|G|(7)|||GGG(8)其中，diag(·)為取矩陣的對角線元素作為輸出向量。1.4基于時域卷積網(wǎng)絡的多尺度雙線性模型本文提出一種基于TCN的多尺度雙線性模型來進行天氣預測，該模型的框架如圖2所示。圖2基于TCN的多尺度雙線性天氣預測模型Fig.2TCN-basedmulti-scalebilinearweatherpredictionmodel整個模型包含雙路TCN網(wǎng)絡，每個TCN網(wǎng)絡由擴張(因果)卷積層構成，每個卷積層應用修正線性單元(rectifiedlinearunit，ReLU)作為激活函數(shù)，另外為了緩解過擬合現(xiàn)象，加入了隨機丟棄層(Dropout)，為了增強網(wǎng)絡的穩(wěn)定性，還加入了恒等映射層，2個不同尺度網(wǎng)絡(在右分支網(wǎng)絡加入了d=6的卷積層后，兩路輸出可視為不同網(wǎng)絡得到)的輸出在雙線性層進行雙線性融合，在規(guī)范化操作后，最終得到網(wǎng)絡的輸出。除?

第5期孔震，等：基于時域卷積網(wǎng)絡的多尺度雙線性天氣預測模型769(a)均方根誤差(a)Rootmeansquareerror(b)平均絕對百分比誤差(b)Meanabsolutepercentageerror(c)確定系數(shù)(c)Coefficientofdetermination圖3地面以上2m高度處濕度對比Fig.3Comparisonofhumidityataheightof2mabovetheground(a)均方根誤差(a)Rootmeansquareerror(b)平均絕對百分比誤差(b)Meanabsolutepercentageerror(c)確定系數(shù)(c)Coefficientofdetermination圖4地面以上2m高度處溫度對比Fig.4Temperaturecomparisonataheightof2mabovetheground為了評估網(wǎng)絡參數(shù)dilate對實驗效果的影響，以地面上2m溫度(℃)RMSE為評價指標進行對比試驗，一次處理數(shù)據(jù)長度為128，預測長度為24，其中TCN-1參數(shù)保持不變，逐漸增加TCN-2中的不同尺度d的卷積層。實驗結(jié)果如圖6所示，綜合3個指標，本方法在d=6時表現(xiàn)最佳。(a)均方根誤差(a)Rootmeansquareerror(b)平均絕對百分比誤差(b)Meanabsolutepercentageerror(c)確定系數(shù)(c)Coefficientofdetermination圖5地面以上10m高度處風速對比Fig.5Comparisonofwindspeedataheightof10mabovetheground圖6不同尺度對模型性能影響Fig.6Theimpactofdifferentscalesonmodelperformance3結(jié)束語針對TCN面對長時數(shù)據(jù)預測效果不盡人意的問題，本文提出了一種基于TCN的多尺度雙線性的天氣預測方法。多尺度卷積可以提升模型卷積的感受野，在處理像天氣這種季節(jié)性數(shù)據(jù)時，可以增強模型對局部信息特征變化的處理能力，學習到更好的時序特征。雙線性池化操作可以在一階統(tǒng)計信息相同的情況?

【參考文獻】：
期刊論文
[1]基于HHT的風電功率波動及其對電力系統(tǒng)低頻振蕩的影響分析[J]. 唐西勝,孫玉樹,齊智平.  電網(wǎng)技術. 2015(08)



本文編號：3578930