基于1DCNN和LSTM的单站逐时气温预报方法

P456.4; 针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法.首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNN-LSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究.研究结果表明,1DCNN-LSTM的均方根误差...

Full description

Saved in:
Bibliographic Details
Published in热带气象学报 Vol. 38; no. 6; pp. 800 - 811
Main Authors 李晶, 唐全莉
Format Journal Article
LanguageChinese
Published 宁波工程学院经济与管理学院,浙江宁波315000%昆明理工大学理学院,云南昆明650500 2022
Subjects
LSTM神经网络
多信息融合
气温预报
单站逐时预测
1DCNN神经网络
Online AccessGet full text

Cover

More Information
Summary:P456.4; 针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法.首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNN-LSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究.研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了 5.221％、19.350％和9.253％,平均绝对误差(MAE)最大降低了 4.419％、17.520％和8.089％.为气温的精准预报提供了参考依据.
ISSN:1004-4965
DOI:10.16032/j.issn.1004-4965.2022.074