基于改进双阶段注意力机制的降水智能预报

TP399; 为提高现有时间序列算法降水预报的准确率,本文提出一种基于改进双阶段注意力机制的时间序列降水预报模型(DeepAMogLSTM).该算法分为两部分,在输入注意力机制中,使用三层注意力机制对输入序列进行多重关注,选择稳定的输入特征;在时间注意力中,通过选择与目标值最相关的隐层状态,捕获时间序列的长期相关性.算法同时引入形变长短时记忆网络(Mogrifier LSTM),增强模型特征表示能力.模型使用2016—2019年预处理的自动站点特征数据和欧洲中期天气预报中心(ECMWF)气象场模式资料进行集成预报,并利用同期实况观测资料进行模式预报订正.实验结果表明:该模型在时效为2h的降水预...

Full description

Saved in:
Bibliographic Details
Published in南京信息工程大学学报 Vol. 13; no. 6; pp. 744 - 752
Main Authors 戈苗苗, 陆振宇, 梁邵阳, 夏英茹
Format Journal Article
LanguageChinese
Published 南京信息工程大学 电子与信息工程学院,南京,210044%南京信息工程大学 人工智能学院,南京, 210044 2021
Subjects
时间序列预测;降水量预测;形变LSTM;双阶段注意力机制
Online AccessGet full text

Cover

More Information
Summary:TP399; 为提高现有时间序列算法降水预报的准确率,本文提出一种基于改进双阶段注意力机制的时间序列降水预报模型(DeepAMogLSTM).该算法分为两部分,在输入注意力机制中,使用三层注意力机制对输入序列进行多重关注,选择稳定的输入特征;在时间注意力中,通过选择与目标值最相关的隐层状态,捕获时间序列的长期相关性.算法同时引入形变长短时记忆网络(Mogrifier LSTM),增强模型特征表示能力.模型使用2016—2019年预处理的自动站点特征数据和欧洲中期天气预报中心(ECMWF)气象场模式资料进行集成预报,并利用同期实况观测资料进行模式预报订正.实验结果表明:该模型在时效为2h的降水预报中,各项数值评价指标均有改善,其中均方根误差为1.877 mm,平均绝对误差为0.727 mm,拟合优度(R2)为0.783;同时与其他模型预报订正效果相比,该模型较好地拟合了实际降水空间分布.
ISSN:1674-7070
DOI:10.13878/j.cnki.jnuist.2021.06.012