基于1DCNN和LSTM,的单站逐时气温预报方法
李晶,唐全莉
(1. 宁波工程学院经济与管理学院,浙江 宁波 315000;
2. 昆明理工大学理学院,云南 昆明 650500)
气温是影响气候最主要的参数之一,其变化可导致财产损失,甚至会威胁人类生命。因此,精准的气温预报在人类的经济活动、地质灾害防控、医疗实践等众多领域具有重要意义[1-5]。因此,有效挖掘地面气象观测站中的时间序列数据,预知未来气温的动态变化,受到国内外专家学者的高度重视[6-8]。
早期的气温预报方法大多运用数值预报方法[9]和传统的统计学预报方法[10]。张金秀等[11]运用统计学方法系统分析了河西走廊东部强降温的时空分布、强度等气候特征,并利用Press 准则和逐步回归方法对预报因子进行初选和精选,构建了一种基于最优子集回归的各地月最低气温预报方法,为强降温预报和预警提供了客观有效的参考依据。张颖超等[12]基于气温在空间上的相关性,运用粒子群算法进一步改进了多面函数内插算法,进而构建了一种基于地面逐时气温观测资料的多站联网质量控制方法,该方法具有较强的地区适应性和气候适应性。李江峰等[13]基于偏最小二乘回归能完全消除多重共线性的特点,构建了水汽和地面气温多模式集成预报模型,进一步改善了比湿和地面气温多模式集成预报的效果。虽然这些方法在气温预报上都取得了良好的预报效果,但因受制于较大的计算代价、大量物理噪声以及与气温无关的冗余特征对气温变化的影响,传统的统计学气温预报方法无法有效地学习气象观测数据间的时间相关性,在气温预报精度上仍具有一定的提升空间。
随着深度学习的发展,人工神经网络(Artificial Neural Networks,ANN)凭借超强的自学习能力,可深度学习海量数据间隐藏的复杂关系,在气象领域已取得一定的应用成果[14-18],例如小波神经网络(Wavelet Neural Network,WNN)[19]、反向传播神经网络(Back Propagation,BP)[20]、长短期记忆神经网络(Long Short-Term Memory,LSTM)以及一维卷积神经网络(One - Dimensional Convolutional Neural Network,1DCNN)等。其中,1DCNN 神经网络的表征学习能力,可挖掘时间序列数据中存在的长期依赖关系,进而提取高阶特征[21];
LSTM 神经网络利用遗忘门、输入门和输出门,被证实在时间序列任务中具有较好的预报效果[22]。倪铮等[23]将LSTM 深度神经网络用于精细化气温预报,在空军T511 数据模型产品的试用过程中,发现该模型对转折天气具有较好的气温预报效果。陶晔等[24]利用随机森林(Random Forest,RF)可度量特征重要性的特点,将RF 与LSTM 模型相结合,构建了RF-LSTM 气温预报模型。然而,尽管LSTM 神经网络对时间序列数据具有较好的预报能力,但由于海量气象观测数据间存在大量的物理噪声和与气温无关的冗余特征,因此,仅运用LSTM 模型对气温进行预报存在训练时间长、易过拟合等缺陷。
鉴于此,本文基于1DCNN 能够进行特征提取的特点和LSTM 较强的时间序列数据处理能力,构建了一种多信息融合气温预报方法1DCNNLSTM。该方法可有效地挖掘气象观测数据间存在的时间相关性,剔除与气温变化无关的物理噪声和冗余特征,降低数据维度和时间复杂度,进而可提取出与气温高度相关的潜在特征,进一步提高气温预报精度。
2.1 1DCNN神经网络模型
1DCNN 神经网络是卷积神经网络(Convolutional Neural Network,CNN)的一种特殊结构,具有强大的表征学习能力,能够从输入信息中提取高阶特征[25]。一个典型的1DCNN 模型通常包括输入层、若干个交替的卷积层和池化层、全连接层和输出层这5个部分。其中,卷积层可对输入数据进行特征提取[26]。
卷积层。卷积层通过卷积运算从输入数据中提取子序列,以达到从局部输入中提取高阶特征,提高特征鲁棒性的目的,卷积公式如式(1)所示。为了提高1DCNN 模型的稀疏性,减少参数之间的依存关系,通常采用线性整流函数(Rectified Linear Unit,ReLU)作为卷积层的激活函数,数学表达式如式(2)所示,
池化层。池化层在卷积层之后,利用最大池化方法对卷积层的输出执行池化操作,如式(3)所示,
2.2 LSTM神经网络模型
LSTM 神经网络是递归神经网络(Recursive Neural Network,RNN) 的 一 种 变 体,是Sepp Hochreiter 和Jürgen Schmidhuber 专门研究梯度消失问题所提出的重要研究成果[27]。该方法提出了一种可携带信息跨越多个时间步的设计,因此,能够挖掘数据间存在的时间相关性,有效避免传统RNN模型由于无法学习数据间的时间依赖关系而面临的梯度爆炸和梯度消失问题。其单元结构如图1所示。
图1 LSTM单元结构图
由图1 可看出,LSTM 是由多个结构完全相同的单元构成,利用遗忘门、输入门和输出门的相互作用来调节单元状态。遗忘门、输入门和输出门的具体调节步骤如下。
(1) 通过遗忘门从单元状态中找到需要丢弃的信息,如式(4)所示,
其中,ft为遗忘门,σ为sigmoid 激活函数,ht-1和xt分别为前一时刻的输出值和当前时刻的输入值,Wf和bf分别表示遗忘门的权重矩阵和偏置项。
(2) 通过输入门决定加入新状态的时间。①通过sigmoid 层找到需要更新的单元状态;
②通过双曲正切函数(tanh)层创建一个新的单元状态值;
③将旧单元状态更新到新单元状态,具体计算步骤如式(5)~式(7)所示,
其中,it、͂、Ct-1和Ct分别表示输入门、当前输入的单元状态、旧单元状态和跟新后的新单元状态,Wi和bi分别表示输入门的权重矩阵和偏置项,Wc和bc分别表示单元状态的权重矩阵和偏置项。
(3) 通过输出门将新单元状态和输入数据相结合,确定LSTM 模型的输出值。首先,利用sigmoid 层确定需要输出的信息,如式(8)所示;
其次,将tanh 层和sigmoid 层相乘,得到最终的输出值,如式(9)所示,
其中,ot表示输出门,ht表示LSTM 模型最终的输出,Wo和bo分别表示输出门的权重矩阵和偏置项。
3.1 研究区域
本文研究区域为云南省昆明市。由于其独特的地理位置,经常出现倒春寒、洪涝、干旱等多种气象灾害,以及由气象灾害引发的泥石流、山体滑坡等地质灾害,该地区时常遭受经济和人员等重大损失。因此,本文将通过挖掘云南省昆明市气象观测数据间的隐藏特征,进而提高气温预报精度,增强气象灾害预防能力。
3.2 预报时间范围
气温变化易受到各种不可控因素的影响,随着预报时间的增加,预报误差逐渐累积,进而导致气温预报模型的预报精度不断降低。因此,预报时间越长,气温预报误差就越大。基于此,本文拟运用过去一周(即7 天)的历史气象观测数据来预测云南省昆明市未来24 小时的逐时气温,进一步探究多信息融合气温预报模型1DCNN-LSTM 在未来24 小时中的气温预报效果,为中长期气温预报的研究提供理论基础。
3.3 数据收集
传统的气温预报方法主要基于单变量的气温预报,即仅考虑了气温这一气象要素,忽略了其他气象要素对气温变化的影响。因此,导致气温预报模型的输入变量过少,时间序列数据之间关联信息不足,进而降低传统气温预报方法的精度。基于此,本文将构建多信息融合的预报方法对气温变化进行深入探究。通过运用文献分析法,得出影响气温变化的主要因素有气温(T)、气象站气压(PO)、海 平 面 气 压(P)、相 对 湿 度(RH)、风 向(WD)、风速(WS)以及水平能见度(VV)。其单位分别为摄氏度(℃)、hPa、hPa、百分率(%)、罗盘方向、米/秒(m/s)、千米(km)。其中,T为本文的预测值(y),PO、P、RH、WD、WS 以及VV 为特征值(x)。根据以上影响因素,本文将收集云南省昆明市地面气象站2017 年1 月1 日00 时—2019 年12 月31 日23 时(北京时间,共计1 095 天)的每小时气象观测数据(共计26 280条)进行实证研究。同时,运用差分法对气象观测数据进行预处理,将预处理后的数据集中的前80%作为训练集,后20%作为测试集,并随机抽取训练集中的20%作为验证集。
3.4 数据预处理
由于本文所收集到的气象观测数据具有明显的季节性变化,且其中的的风向数据属于文本数据,因此,本文的数据预处理主要包括以下3 个方面:(1) 运用地面气象电码将风向中的文本数据转换成对应的风向电码(数值数据),得到适用于神经网络模型的数据集;
(2) 运用差分法对转换后的气象观测数据集进行去季节化处理,剔除季节性变化对模型产生的信号干扰,进而得到平稳的时间序列数据;
(3) 运用z-score标准化方法对去季节化后的数据进行标准化处理,得到均值为0标准差为1的服从标准正态分布的数据,以解决不同气象要素之间由于量纲和量纲单位不统一而造成的可比性问题,如式(10)所示。该方法使训练数据更加集中,有效缩短了模型的训练时间,更有利于模型的正常运行。
其中,x为原始时间序列数据,x*、xˉ和σ分别为x标准化后的样本数据、x的均值和标准差。
3.5 预报性能评价指标的选取
通常情况下,用于评估机器学习模型预报性能所采用的评价指标主要包括均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)、皮尔逊相关系数(Pearson Correlation Coefficient,PCCs)以及高斯核密度估计(Gaussian Kernel Density Estimation,GKDE)等。其中,RMSE 和MAE 是预测误差的衡量指标,指标值越小,表明预测精度越高,即预测值越接近真实值。PCCs 是度量相关性的衡量指标,常用r表示。r值越接近1,表明预测值与真实值之间的相关性越强,拟合度越高。GKDE 模型是一种用于估计概率密度函数的非参数方法,通过比对各模型的误差分布,GKDE 曲线峰度越高,表明模型产生的预报误差越集中地分布在0附近,即气温预测值越接近真实值。因此,本文选取模型的泛化能力、预报精度以及误差分布作为衡量1DCNNLSTM 多信息融合气温预报模型预报性能的评价指标。其中,RMSE、MAE 和r的计算公式分别如式(11)~(13)所示:
其中,yi、y′i、以及分别为真实气温值、预报气温值、真实气温值的均值和预报气温的均值,N为测试样本的数量。
3.6 多信息融合气温预报模型1DCNN-LSTM 的建立
随着科学技术的不断进步,尤其是计算机领域的逐渐壮大,神经网络模型在气温预报领域已取得一定的应用成果。其中,传统的气温预报方法主要包括1DCNN、LSTM 和BP 神经网络。LSTM 神经网络具有良好的长期依赖性,能够挖掘出时间序列数据间存在的时间相关性,但存在参数过多、训练时间较长且容易过拟合的缺陷。1DCNN 神经网络具有强大的特征学习能力,能够从输入信息中提取隐藏特征,从而挖掘出与气温高度相关的高阶特征,有效弥补了LSTM 的不足,在提高模型预报精度的同时减少训练时间。BP神经网络具有较强的非线性映射能力,可利用误差反向传播算法自动调整权值和阈值,能够较好地完成时间序列预报任务。
鉴于此,本文构建了一种将1DCNN 神经网络和LSTM 神经网络相结合的多信息融合气温预报模型1DCNN-LSTM,该模型主要由输入层、卷积层、SpatialDropout1D 层、池 化 层、LSTM 层、Dropout 层和全连接层构成。1DCNN-LSTM 模型的总体气温预报过程可分为5步。(1) 运用输入层将形为(batch_size,time_steps,input_features)的气象观测数据输入神经网络模型。其中,batch_size表示用于训练的数据批量大小,即每次喂入神经网络的样本数,属于样本数量上的概念。经过反复试验,本文将其设置为32;
time_steps 表示气温预报的时间步长,即每个样本内包含的步长数,属于样本内部概念。由于本文运用过去7天(t-6,t-5,t-4,t-3,t-2,t-1,t)内T、PO、P、RH、WD、WS 和VV的时间序列数据来预测t+24 小时内的逐时气温,故将time_steps 设置为7;
input_features 表示输入数据的特征维度,由于输入7 个特征因子,因此本文将其设置为7。(2) 运用卷积层对输入数据进行特征提取。(3) 运用池化层对提取到的深层特征进行下采样,以进一步降低数据维度。(4) 运用LSTM 层挖掘时间序列数据之间的时间相关性,进而有效地学习气象观测数据之间的时间依赖关系。(5) 运用全连接层输出第t+1时刻各气象要素的预报值,并利用该预报结果继续更新输入层中的时间序列数据,即输入(t-5,t-4,t-3,t-2,t-1,t,t+1)内各气象要素的数据来预测t+2 时刻的气温值。通过重复这个过程,可实现t+n小时内的逐时气温预报,本文将n设置为24。
在整个试验过程中,设置1DCNN-LSTM 气温预报模型的优化器为Adam,损失函数RMSE,epoch 为200,batch_size 为32,学习率η=0.000 1,且每隔100 个epoch,学习率减小为原来的1/10。同时,经过本文的反复实验,发现将1DCNNLSTM 模型中一维卷积层层数设置为1,且该层一维卷积核大小设置为5,一维卷积核个数设置为200,LSTM 层层数设置为2,且每层LSTM 神经元个数分别设置为128 和64 时,该模型的气温预报效果最好。此外,为了降低1DCNN-LSTM 模型的过拟合,进一步提高气温预报精度,本文在一维卷积层和LSTM 层之后,分别添加了比率为0.5 的SpatialDropout1D 层和Dropout 层。其总体框架如图2所示。
图2 多信息融合气温预报方法1DCNN-LSTM的总体框架
由图2 可看出,多信息融合气温预报方法1DCNN-LSTM 主要分为两部分。第一部分,将经过数据预处理后7 天内的气象观测数据作为1DCNN 神经网络的输入变量,通过卷积层进行特征提取,利用池化层降低数据维度,进而提取出与气温高度相关的深层特征;
第二部分,将1DCNN模型提取到的特征向量输入LSTM 神经网络中,利用LSTM 模型特殊的门结构,进一步学习数据间的时间依赖关系,进而对气温进行预报。
由3.4 节可知,基于深度学习的传统气温预报方法主要包括1DCNN、LSTM和BP神经网络。因此,本文将选取1DCNN、LSTM 和BP 神经网络作为基线模型,与所构建的1DCNN-LSTM 在模型总体预报效果、气温预报性能两个方面进行对比分析。
4.1 模型总体预报效果对比分析
通常情况下,测试集样本数更多且数据分布可能发生变化,比验证集更能考验模型的泛化能力、预报精度和总体预报效果。因此,在进行气温预报性能对比之前,本文首先针对测试集中的数据,对模型的总体预报效果进行对比分析,分别绘制出1DCNN-LSTM、1DCNN、LSTM 和BP 模型的气温真实值(折线)与预测误差(柱状)的对比图,如图3~图6所示。
由图3~图6 可看出,在对气温预报总体趋势的过程中,除了少数的波峰和波谷预报效果较差以外,1DCNN-LSTM、1DCNN、LSTM 和BP 模型都能较好地刻画气温的动态变化,气温预测值与真实值的总体走势基本一致。
为了更清晰地描述各模型的预报效果,本文随机抽取了图3~图6中连续2天(共48个)的数据进行分析,具体如图7所示。
图3 1DCNN-LSTM模型气温预报结果
图6 BP模型气温预报结果
由图7 可看出,相较于传统的1DCNN、LSTM和BP 模型,本文所构建的多信息融合气温预报模型1DCNN-LSTM 的气温预报曲线更贴近气温真实曲线。因此,该模型具有较好的气温预报效果,气温预测值更接近真实值。这进一步表明1DCNN-LSTM 模型可有效地剔除历史气象观测数据间的物理噪声和与气温无关的冗余特征,进而提取出与气温高度相关的隐藏特征;
在考虑数据间时间相关性的同时,弥补了LSTM 模型训练时间长、易过拟合的缺陷,这也是本文将1DCNN模型和LSTM 模型相结合构建多信息融合气温预报模型的原因所在。
图7 1DCNN-LSTM、1DCNN、LSTM和BP模型随机抽取的气温预报结果
图4 1DCNN模型气温预报结果
图5 LSTM模型气温预报结果
4.2 模型预报性能对比分析
由3.5 节可知,用于评估机器学习模型预报性能所采用的评价指标主要包括模型的泛化能力、预报精度以及误差分布。针对测试集中的数据,分别从以下3 个方面对各模型的气温预报性能进行对比分析。(1)对1DCNN-LSTM、1DCNN、LSTM和BP模型的泛化能力进行对比分析。模型的泛化能力越强,表明该模型的实际预测能力越强,理论上气温预报精度就越高,具有进一步研究的价值。(2)从RMSE、MAE、r以及p值的角度对模型的预报精度进行对比分析。其中,p值是统计学中应用最广的假设检验指标之一,将其与给定的显著性水平进行比较,可确定是否具有统计学意义。本文将选定显著性水平为0.05,则当p≤0.05时,表明该模型的RMSE、MAE和r值均具有统计学意义。RMSE 和MAE 的值越小且r值越接近1,表明该模型的预报精度越高。(3) 针对1DCNN-LSTM、1DCNN、LSTM 和BP 模型的气温预测值,对模型的误差分布进行对比分析,预报误差越集中地分布在0附近,表明模型的预报性能越好。
4.2.1 模型泛化能力对比分析
针对测试集中的数据,分别绘制出1DCNNLSTM、1DCNN、LSTM 和BP 模型在200 次迭代下的RMSE、MAE对比图,分别如图8和图9所示。
图8 1DCNN-LSTM、1DCNN、LSTM和BP模型未来24小时的RMSE曲线对比图
图9 1DCNN-LSTM、1DCNN、LSTM和BP模型未来24小时的MAE曲线对比图
由图8 可看出,在对未来24 小时的逐时气温预报过程中,1DCNN-LSTM 模型的RMSE 曲线明显比1DCNN、LSTM 和BP 模型低,表明1DCNNLSTM 模型随着预报时间的不断增加,始终保持较高的气温预报精度,具有较强的实际气温预报能力。同时,1DCNN-LSTM、1DCNN、LSTM 和BP 模型的RMSE 曲线均随着预报时间的增加而持续上升,且最终趋于稳定。这可能是因为在整个气温预报过程中,各模型的预报误差随着预报时间的增加而不断累积,模型的可预报性逐渐降低,进而导致各模型的RMSE 曲线随着预报时间的增加而持续上升。此外,由前10 小时的气温预报结果可看出,相较于1DCNN、LSTM和BP模型,1DCNN-LSTM 模型的RMSE 曲线最低,表明在短时气温预报过程中,1DCNN-LSTM 模型的气温预报精度更高,气温预报值更接近真实值。由后15~24 小时的气温预报结果可看出,1DCNN-LSTM模型的RMSE 曲线在0.700 附近趋于稳定,LSTM和BP 模型的RMSE 曲线在0.715 附近趋于稳定,1DCNN 模型的RMSE 曲线在0.745 附近趋于稳定。1DCNN-LSTM 模型的RMSE 稳定值最低,表明随着预报时间的持续增加,1DCNN-LSTM 模型在未来48 小时、72 小时甚至未来几天的气温预报过程中,均具有较好的气温预报效果。综上所述,对比1DCNN、LSTM 和BP 模型,无论是短期气温预报还是长期气温预报,本文所提出的多信息融合气温预报模型1DCNN-LSTM 均具有更好的学习能力和泛化能力,能够更有效地对气温进行精准预报。
由图9 可看出,相较于1DCNN、LSTM 和BP模型,1DCNN-LSTM模型在总体24小时气温预报过程中的MAE 曲线最低,表明1DCNN-LSTM 模型具有更好的气温预报效果,能够更有效地提高气温预报精度。同时,与图8 中1DCNN-LSTM、1DCNN、LSTM 和BP 模型的RMSE 曲线相似,在对未来24 小时的逐时气温预报过程中,各模型的MAE 曲线均随着预报时间的增加而持续上升,且最终趋于稳定。其中,1DCNN-LSTM 模型的MAE 曲线在0.575 附近趋于稳定,LSTM 模型的MAE 曲线在0.585 附近趋于稳定,BP 模型的MAE曲线在0.590 附近趋于稳定,1DCNN 模型的MAE曲线在0.625 附近趋于稳定。综上所述,对比1DCNN、LSTM 和BP 模型,本文所构建的多信息融合气温预报模型1DCNN-LSTM 能够进一步提高气温的预报精度,进而对气温进行精准预报。
4.2.2 模型预报精度对比分析
由4.2.1 节 可 知,1DCNN-LSTM、1DCNN、LSTM 和BP 模型的RMSE 和MAE 曲线在 未 来10小时气温预报之后均趋于稳定。基于此,为了进一步比较各模型的气温预报精度,分别计算得出在对未来10 小时的气温预报过程中,1DCNNLSTM 模型相较于LSTM、1DCNN 和BP 模型在RMSE、MAE 和r上改进的百分比,具体如表1 所示。
表1 1DCNN-LSTM相较于1DCNN、LSTM和BP模型在RMSE、MAE、r和p上改进的百分比
由表1 可看出,LSTM、1DCNN 和BP 模型的p值均等于0.000(小于0.050),表明各模型的RMSE、MAE 和r值均具有统计学意义。同时,在对未来10 小时的总体气温预报过程中,各模型每小时的RMSE、MAE 和r值的百分比都大于0,表明相较于LSTM、1DCNN 和BP模型,1DCNN-LSTM 模型的气温预报精度更高,能够更好地对气温进行精准预报,与图8 和图9 得到的结论相符。其中,由表1 加粗的数据可看出,1DCNN-LSTM 模型的RMSE 和MAE 在第1 小时内降低的最多,表明1DCNN-LSTM 模型的短时气温预报效果较好,为后续进一步提高中长期气温预报精度提供了理论依据;
相关性r在第10 小时内提高的最多,表明1DCNN-LSTM 模型的气温预测值与真实值之间的相关性不断增强,具有更好的气温预报效果。接下来,本文将1DCNN-LSTM 模型分别与LSTM、1DCNN和BP模型进行对比分析。
(1) 对比LSTM 模型,1DCNN-LSTM 模型的RMSE 和MAE 最大降低了5.221%和4.419%,相关性r最大提高了0.131%。这是因为LSTM 模型虽然可较好地学习气象观测数据间的时间依赖关系,但无法避免不能进行特征提取、训练时间较长、易过拟合的缺陷,而1DCNN-LSTM 模型可提取出与气温变化相关的深层特征,进而有效地弥补了LSTM模型的不足。
(2) 对比1DCNN 模型,1DCNN-LSTM 模型的RMSE 和MAE 最大降低了19.350%和17.520%,相关性r最大提高了0.482%。这是因为1DCNN模型虽然能够挖掘出与气温高度相关的隐藏特征,但忽略了气象观测数据之间的时间相关性,而1DCNN-LSTM 模型可运用LSTM 模型学习数据间的时间依赖关系,进而有效弥补了1DCNN 模型无法挖掘数据间时间相关性的缺陷。
(3) 对 比BP 模 型,1DCNN-LSTM 模 型 的RMSE 和MAE 最大降低了9.253%和8.089%,相关性r最大提高了0.246%。这是因为BP 模型是一种无时序概念的前馈神经网络,虽然该模型具有较强的非线性映射能力,但与LSTM 模型不能进行特征提取的缺陷相似,BP 模型无法避免物理噪声和与气温无关的冗余特征对气温变化的影响;
同时,也与1DCNN 模型无法挖掘数据之间时间相关性的缺陷相似,BP 模型不能学习数据间的时间依赖关系,因此,导致气温预报精度远低于1DCNN-LSTM模型。
由上述1DCNN-LSTM 模型与传统气温预报模型的对比分析可看出,针对RMSE 指标,1DCNN-LSTM 模型较LSTM、1DCNN 和BP 模型最大降低了5.221%、19.350%和9.253%,气温预测值更接近真实值;
针对MAE 指标,1DCNN-LSTM模型较LSTM、1DCNN 和BP 模型最大降低了4.419%、17.520%和8.089%,具有较高的预测精度;
针对r指标,1DCNN-LSTM 模型较LSTM、1DCNN 和BP 模型最大提高了0.131%、0.482%和0.246%,气温预测值与真实值的相关性最高。因此,4 种模型的气温预报精度从优到劣依次是1DCNN-LSTM 模 型、LSTM 模 型、BP 模 型、1DCNN模型。
综上所述,相较于LSTM、1DCNN和BP模型,本文所构建的多信息融合气温预报模型1DCNNLSTM 是基于1DCNN 较强的特征提取能力和LSTM 能够挖掘时间相关性的特点等优势。因此,该模型较好地弥补了LSTM 和1DCNN 存在的缺陷,有效提高了气温预报精度。
4.2.3 模型误差分布对比分析
为了进一步说明1DCNN-LSTM 模型具有更好的气温预报效果,本文将运用GKDE 方法对模型产生的误差进行分析(图10)。
图10 1DCNN-LSTM、1DCNN、LSTM和BP模型的误差分布对比结果
由 图10 可 看 出,1DCNN-LSTM、1DCNN、LSTM和BP模型的误差分布近似于高斯分布。对比1DCNN 模型,1DCNN-LSTM 模型的GKDE 曲线峰度明显更高,预报误差更集中地分布在0 附近;
对比LSTM 模型,虽然1DCNN-LSTM 模型的KDE 曲线峰度略低,但由4.1 节所分析的,1DCNN-LSTM 模型的整体预报效果明显优于LSTM 模型;
对比BP 模型,1DCNN-LSTM 模型的GKDE 曲线的密度更高且平均值更接近于0。因此,相较于1DCNN、LSTM 和BP 模型,1DCNNLSTM 模型产生的预报误差更密集地分布在0 附近,气温预测值更接近真实值,具有显著良好的气温预报效果,可对气温进行精准预报。
为了剔除大量物理噪声和与气温无关的冗余特征对气温变化的影响,挖掘出海量气象观测数据之间的时间相关性,本文构建了一种将特征提取能力较强的1DCNN 神经网络和时间序列处理能力较强的LSTM 神经网络相结合的多信息融合气温预报方法1DCNN-LSTM。该方法不仅有效地缓解了传统气温预报模型因关联信息不足而导致的预报精度降低、泛化能力下降的弱点,还较好地弥补了LSTM 模型训练时间长、易过拟合的缺陷。实验结果表明,在对未来24 小时的逐时气温预报过程中,相较于传统的1DCNN、LSTM 和BP模型,本文所构建的多信息融合气温预报方法1DCNN-LSTM 的RMSE 和MAE 值最小且r值最接近1,表明1DCNN-LSTM 模型具有较好的气温预报效果,能够有效地降低数据维度和时间复杂度,进而提高气温预报精度。此外,由前10小时的气温预报结果可看出,相较于1DCNN、LSTM 和BP 模型,1DCNN-LSTM 模型的RMSE 和MAE 值在第1小时内降低的最多,相关性r在第10小时内提高的最多,表明1DCNN-LSTM 模型在短时气温预报过程中的气温预报精度较高,气温预报值更接近真实值。因此,在进一步的工作中,可考虑将本文所构建的多信息融合气温预报模型1DCNNLSTM 与滚动预测方法相结合,进而在提高短时气温预报精度的基础上,进一步提高中长期气温预报精度。
猜你喜欢气温卷积神经网络基于FY-3D和FY-4A的气温时空融合成都信息工程大学学报(2022年3期)2022-07-21基于3D-Winograd的快速卷积算法设计及FPGA实现北京航空航天大学学报(2021年9期)2021-11-02深冬气温多变 蔬菜管理要随机应变今日农业(2021年2期)2021-03-19卷积神经网络的分析与设计电子制作(2019年13期)2020-01-14神经网络抑制无线通信干扰探究电子制作(2019年19期)2019-11-23从滤波器理解卷积电子制作(2019年11期)2019-07-04基于傅里叶域卷积表示的目标跟踪算法北京航空航天大学学报(2018年1期)2018-04-20基于神经网络的拉矫机控制模型建立重型机械(2016年1期)2016-03-01复数神经网络在基于WiFi的室内LBS应用大连工业大学学报(2015年4期)2015-12-11与气温成反比的东西小雪花·成长指南(2015年10期)2015-10-23- 范文大全
- 说说大全
- 学习资料
- 语录
- 生肖
- 解梦
- 十二星座
-
主题党日活动交流发言8篇
主题党日活动交流发言8篇主题党日活动交流发言篇13月13日,东城区党史学习教育动员大会召开。市委
【活动总结】 日期:2022-12-23
-
家乡赋|最美的家乡赋
家乡赋 孙传志 今安康市,白河双丰镇,吾之家乡也。三环沃土,山水环抱。其北依山,山系五岭,山
【调研报告】 日期:2020-04-01
-
【人教版1-6年级数学上册知识点精编】1-6年级数学人教版教材
人教版二年级数学上册知识点汇总第一单元长度单位一、米和厘米1、测量物体的长度时,要用统一的标准去测量
【调研报告】 日期:2020-11-08
-
2022年2月份主题党日活动记录5篇
2022年2月份主题党日活动记录5篇2022年2月份主题党日活动记录篇1尊敬的党组织:在今年的开学初,本人积极参加教研室组织的教研活动,在学校教研员的指
【活动总结】 日期:2022-08-12
-
党支部1-12月全年主题党日活动计划表
2022年党支部主题党日活动计划表序号活动时间活动方式活动内容12022年1月专题学习研讨集中观看2022年新年贺词,积极开展学习研讨交流。组织生活会组织党员认真对照党章...
【活动总结】 日期:2022-10-14
-
2023年平安校园建设方案13篇
平安校园建设方案“平安校园”创建工作,我们幼儿园全体教职员工一直把它当作头等大事来抓。领导高度重视,以“平安校园”创建活动为抓手,建立和规范校园安全工作机制
【规章制度】 日期:2023-11-02
-
医院最佳主题党日活动11篇
医院最佳主题党日活动11篇医院最佳主题党日活动篇1 医院最佳主题党日活动篇2为隆重纪念中国共产党成立100周年,进一步巩固党的群众路线教育实践活动成果,切实
【活动总结】 日期:2022-10-29
-
主题党日活动记录202210篇
主题党日活动记录202210篇主题党日活动记录2022篇12021年是中国共产党成立100周年,为广泛开展爱国主义宣传教育,铭记党的历史,讴歌党的光辉历程,
【活动总结】 日期:2022-08-02
-
少先队的光荣历史故事 队前教育-光辉历程
2017-2018学年队前教育1光辉历程一、劳动童子团1924——1927二、三十年代年的中国是一个
【法律文书】 日期:2020-06-23
-
南京大屠杀国家公祭日悼念文案句子11篇
南京大屠杀国家公祭日悼念文案精选句子1、惟有民魂是值得宝贵的,惟有他发扬起来,中国才有真进步。——鲁迅2、我爱我的祖国,爱我的人民,离开了它,离开了他们,我
【企划文案】 日期:2023-10-20
-
一年级新学期目标简短_一年级学生新学期打算
新学期到了,我是一年级下册的小学生了。 上课的时候,我要认真学习,不做小动作,认真听讲。我要认真学习,天天向上,努力学习,耳朵要听老师讲课,眼睛要瞪得大大的看老...
【简历资料】 日期:2019-10-26
-
[信访复查复核制度作用探讨]信访复查复核有用吗
作为我国特有的一项制度,信访制度的出现并长期存在不是偶然的,虽然一些法学专家认为信访制度具有“人治”
【职场指南】 日期:2020-02-16
-
[党员干部2019年主题教育个人问题检视清单及整改措施2篇] 党员干部
2019年主题教育问题检视清单及整改措施根据主题教育领导小组办公室《关于认真做好主题教育检视问题整改
【求职简历】 日期:2019-11-08
-
红旗颂朗诵稿原文【《红旗颂》朗诵词】
《红旗颂》朗诵词 女:晴空万里,红旗飘扬, 六十载风云,我们昂首阔步。 男:六十个春秋,
【职场指南】 日期:2020-02-16
-
民族团结的素材资料13篇
民族团结的素材资料13篇民族团结的素材资料篇1研究进一步推进新疆社会稳定和长治久安工作。会议指出,要全面贯彻执行党的民族政策,把民族团结作为各族人民的生命线
【简历资料】 日期:2022-08-16
-
网络维护工作内容_(精华)国家开放大学电大专科《网络系统管理与维护》形考任务1答案
国家开放大学电大专科《网络系统管理与维护》形考任务1答案形考任务1理解上网行为管理软件的功能【实训目
【职场指南】 日期:2020-07-17
-
党委会与局长办公会的区别_局长办公会制度
为进一步加强xxx局工作的规范化、制度化建设,提高行政效能,规范议事程序,特制定本制度。一、会议形式1、局长办公会议由局长、副局长参加。由局长召集和主持。根据工作需要...
【求职简历】 日期:2019-07-30
-
如何凝心聚力谋发展【坚定信心谋发展凝心聚力促跨越】
当前,清河正处于在苏北实现赶超跨越基础上全面腾飞的战略机遇期,处于在全市率先实现全面小康基础上率先实
【简历资料】 日期:2020-03-17
-
《国行公祭,为佑世界和平》课文原文阅读_国行公祭为佑世界和平每段段意
国行公祭,为佑世界和平钟声“国行公祭,法立典章。铸兹宝鼎,祀我国殇。”侵华日军南京大屠杀遇难同胞纪念
【简历资料】 日期:2020-11-28
-
《铁拳砸碎“黑警伞”》警示教育片观后感
影片深刻剖析了广西北海市公安局海西派出所原所长张枭杰蜕变堕落的轨迹。观看警示教育片后,做为一名党员教
【简历资料】 日期:2020-08-17
-
在专题研究机关党建设工作会上讲话提纲【优秀范文】
在专题研究机关党的建设工作会上的讲话提纲2019年,是我们中央和国家各级机关党的建设历史上极不平凡的一年。党中央第一次召开中央和国家机关党的建设工作会议,习近平总书记...
【其他范文】 日期:2022-09-19
-
[2010-2011学年上期教育教学工作总结] 大班教育教学工作总结
学校教学是学校的中心工作。学期即将结束,为有效的反省教育教学工作,使以后的教育教学工作更加科学、规范提高教学质量。做如下总结。 一、认真抓好教学常规工作。 1、...
【其他范文】 日期:2019-07-25
-
巨额来电观后感3篇(精选文档)
当前位置:>>>2021-10-03虽然春节放假之前,媳妇就曾多次推荐《巨额来电》,但一直没空观看。这次春节回家以后,再次有家人推荐,所以在优酷看了这部电影,看后的感觉是:我去...
【其他范文】 日期:2022-10-14
-
【xx县生态农业发展扶持办法】
xx县生态农业发展扶持办法(试行) 第一章 总则第一条 为实施乡村振兴战略,深入践行”x山”理念,促
【节日庆典】 日期:2020-02-06
-
2019期末考试卷子【拉萨市五年级上学期数学期末试卷A卷】
拉萨市五年级上学期数学期末试卷A卷姓名:________班级:________成绩:________
【礼仪】 日期:2020-09-23
-
契约文书所见清末民国上饶葛仙庙的土地交易与民间信仰组织
彭志才(江西科技师范大学,江西南昌,330038)关于契约文书中的民间信仰研究,学术界已有不少探索①
【其他范文】 日期:2023-06-30
-
不同贮存方式对辣木茶品质的影响
余芳,梁点点,王雪(江苏经贸职业技术学院a 健康学院;b 江苏省食品安全工程技术研究开发中心,江苏南
【其他范文】 日期:2023-02-19
-
[应届生如何成功进国企?请看专家支招] 应届毕业生怎么进国企
中国人才热线不久前所做的一项调查显示:今年的高校毕业生中,约有21%将国有企业作为自己的就业目标。另据有关信息,目前国内的大中型企业亟需补充大学毕业生。理说,供求双方...
【礼仪】 日期:2019-08-31
-
规模经济性分析研究的是【企业竞争战略及规模经济性分析】
贵州大学继续在教育学院学生毕业论文题目:企业竞争战略及规模经济性分析2008级商务管理专业学生姓名李
【毕业论文】 日期:2021-09-22
-
某央企员工第四季度入党积极分子思想汇报8篇
某央企员工第四季度入党积极分子思想汇报8篇某央企员工第四季度入党积极分子思想汇报篇1敬爱的党组织:自从成为入党积极分子以来,通过单位优秀的员工,老党员的
【其他范文】 日期:2022-08-15
-
军转座谈会交流发言4篇
军转座谈会交流发言4篇军转座谈会交流发言篇1大家好,我叫贺丽,2015届选调生,来自康定市委组织部,现在省委编办跟班学习。今天,非常荣幸向大家汇报我的学习收
【发言稿】 日期:2022-10-27
-
理论中心组学习总体国家安全观发言材料9篇
理论中心组学习总体国家安全观发言材料9篇理论中心组学习总体国家安全观发言材料篇1(八)深入学习贯彻中央以及省的重要会议和文件精神深入学习贯彻年度内中央以
【发言稿】 日期:2022-08-04
-
12岁生日小寿星发言4篇
12岁生日小寿星发言4篇12岁生日小寿星发言篇1各位来宾、各位朋友:大家好!今天,我们欢聚在这里,共同庆祝**十二周岁生日。首先,我代表**的父母以
【发言稿】 日期:2022-07-31
-
党内警告处分党员讨论发言3篇
党内警告处分党员讨论发言3篇党内警告处分党员讨论发言篇1大家好!作为新时期的一名大学生,认真学习、深刻领会、全面贯彻省党代会精神,是当前和今后一个时期重
【发言稿】 日期:2022-08-07
-
2023年今日新闻摘抄十条3篇
今日新闻摘抄十条大家一定记得七月初时的洪水,那可是轰动一时的大事呢!抗洪救灾的官兵跑在了前线,大家也在密切关注着动向。突如其来的洪水是很多人措手不及,瞬间就
【贺词】 日期:2023-10-14
-
廉政大会总结发言稿7篇
廉政大会总结发言稿7篇廉政大会总结发言稿篇1各位领导,同志们:根据会议安排,我就党风廉政建设工作做表态发言,不妥之处,请批评指正。一、提高认识,切实
【发言稿】 日期:2022-10-30
-
被约谈的表态发言8篇
被约谈的表态发言8篇被约谈的表态发言篇1各位领导、各位党员大家好:这天我能站在鲜红的党旗下,
【发言稿】 日期:2022-12-24
-
【企业疫情风险控制方案】 2020企业复工疫情方案
企业疫情风险控制方案2020新冠病毒肺炎疫情防控工作总结汇报3篇 关于新型冠状病毒感染的肺炎疫
【演讲稿】 日期:2020-02-27
-
我最敬佩的人开头_我敬佩的一个人作文20篇2020年
我敬佩的一个人作文20篇 我敬佩的一个人作文一): 我身边有很多值得我们敬佩的人,但我最敬佩的一
【发言稿】 日期:2020-11-10
-
巡察整改专题民主生活会总结发言8篇
巡察整改专题民主生活会总结发言8篇巡察整改专题民主生活会总结发言篇1按照区委统一部署和纪监委、巡察办关于召开党史学习教育专题组织生活会的工作安排,近期我紧贴
【发言稿】 日期:2022-10-12
-
2023年中国行政区划调整方案(设想优秀3篇
中国行政区划调整方案(设想优秀民政部第二次行政区划研讨会会议内容一、缩省的意义与原则1.意义1)利于减少中间层次中国行政区划层级之多为世界之最,既使管理成本
【周公解梦】 日期:2024-02-20
-
学习周永开先进事迹心得体会3篇
学习周永开先进事迹心得体会【一】通过学习周永开老先生先进事迹后,结合自己工作思考,感慨万千。同样作为
【格言】 日期:2021-04-10
-
XX老干局推进党建与业务深度融合发展工作情况调研报告:党建调研报告
XX老干局推进党建与业务深度融合 发展工作情况的调研报告 党建工作与业务工作融合发展始终是一个充满生
【成语大全】 日期:2020-08-28
-
中国共产党第三代中央领导集体的卓越贡献
中国共产党第三代中央领导集体的卓越贡献 --------------继往开来铸就辉煌 【摘要】改
【成语大全】 日期:2020-03-20
-
信息技术2.0能力点 [全国中小学教师信息技术应用能力提升工程试题题库及参考答案「精编」]
全国中小学教师信息技术应用能力提升工程试题题库及答案(复习资料)一、判断题题库(A为正确,B为错误)
【格言】 日期:2020-11-17
-
党建工作运行机制内容有哪些_构建基层党建工作运行机制探讨
党的基层组织是党在社会基层组织中的战斗堡垒,是党的全部工作和战斗力的基础。加强和改进县级以下各类党的
【经典阅读】 日期:2020-01-22
-
集合推理_七,推理与集合
七推理与集合1 期中考试数学成绩出来了,三个好朋友分别考了88分,92分,95分。他们分别考了多少分
【名人名言】 日期:2020-12-18
-
电大现代教育原理_最新国家开放大学电大《现代教育原理》形考任务2试题及答案
最新国家开放大学电大《现代教育原理》形考任务2试题及答案形考任务二一、多项选择题(共17道试题,共3
【成语大全】 日期:2020-07-20
-
基层党务工作基本内容_党建基本工作有哪些
党建基本工作有哪些(一) 基层党建工作包括哪些内容 选择了大学生村官这条路,你就与农村基层党
【名人名言】 日期:2020-08-06
-
【2020-2021学年高一英语外研版(2019)选择性必修第一册Unit3Faster,higher,strongerSectionⅠ导学讲义】
Unit3 Faster,higher,stronger背景导学MichaelJordan—Head
【歇后语】 日期:2021-04-19
-
关于三农工作重要论述心得体会3篇
关于三农工作重要论述心得体会3篇关于三农工作重要论述心得体会篇1习近平总书记指出:“建设现代化国家离不开农业农村现代化,要继续巩固脱贫攻坚成果,扎实推进乡村
【学习心得体会】 日期:2022-10-29
-
【福生庄隧道坍塌处理方案】 福生庄隧道在哪里
(呼和浩特铁路局大包电气化改造工程指挥部,内蒙古呼和浩特010050)摘要:文章介绍了福生庄隧道
【学习心得体会】 日期:2020-03-05
-
五个一百工程阅读心得体会13篇
五个一百工程阅读心得体会13篇五个一百工程阅读心得体会篇1凡益之道,与时偕行。在全国网络安全和信
【学习心得体会】 日期:2022-12-07
-
双拥手抄报内容 [双拥标语300则]
双拥标语300则 1、开展双拥共建,构建和木垒。 2、坚持党对军队的绝对领导,走中国特色的精兵之
【培训心得体会】 日期:2021-10-27
-
城管系统警示教育心得体会9篇
城管系统警示教育心得体会9篇城管系统警示教育心得体会篇1各党支部要召开多种形式的庆七一座谈会,组织广大党员进行座谈,回顾党的光辉历程,畅谈党的丰功伟绩,
【学习心得体会】 日期:2022-10-09
-
发展对象培训主要内容10篇
发展对象培训主要内容10篇发展对象培训主要内容篇1怀着无比激动的心情,我有幸参加了__新区区委党校20__年第四期(区级机关)党员发展对象培训班。这次的学习
【培训心得体会】 日期:2022-09-24
-
2022年全国检察长会议心得7篇
2022年全国检察长会议心得7篇2022年全国检察长会议心得篇1眼睛是心灵上的窗户,我们通过眼睛才能看到世间万物,才能看到眼前这美好的一切。拥有一双明亮的眼
【学习心得体会】 日期:2022-10-31
-
全面从严治党的心得体会800字7篇
全面从严治党的心得体会800字7篇全面从严治党的心得体会800字篇1中国特色社会主义是我们党领导
【学习心得体会】 日期:2022-12-14
-
两会医护人员心得体会8篇
两会医护人员心得体会8篇两会医护人员心得体会篇120xx年春节,新型冠状病毒肺炎,以迅雷不及掩耳之势,席卷而来。国事家事天下事,因与自身生命安全息息相关,自
【学习心得体会】 日期:2022-10-27
-
2月教师党员个人思想汇报5篇
2月教师党员个人思想汇报敬爱的党组织:最近这一个月的时间对于我来说是极不平凡的,在这段时间里我认真学习了文化部网上党校的相关内容,经过长达40小时的
【教师心得体会】 日期:2023-10-15
-
2024年主题教育民主生活会批评与自我批评意见(38条)(范文推荐)
2023年主题教育民主生活会六个方面个人检视、相互批评意见:1 理论学习系统性不强。学习习近平新时代中国特色社会主义思想不深不透,泛泛而学的时候多,深学细照的时候少,特...
【邓小平理论】 日期:2024-03-19
-
2024年交流发言:强化思想理论武装,增强奋进力量(完整)
习近平总书记指出:“一个民族要走在时代前列,就一刻不能没有理论思维,一刻不能没有思想指引。”党的十八大以来,伴随着新时代中国特色社会主义思想在实践中形成发展的历程...
【三个代表】 日期:2024-03-19
-
2024年度镇年度县乡人大代表述职评议活动总结
xx镇20xx年县乡人大代表述职评议活动总结为响应县级人大常委会关于开展县乡两级人大代表述职评议活动,进一步激发代表履职活力,加强代表与人民群众的联系,提高依法履职水平...
【马克思主义】 日期:2024-03-19
-
“千万工程”经验学习体会(研讨材料)
“千万工程”是总书记在浙江工作时亲自谋划、亲自部署、亲自推动的一项重大决策,也是习近平新时代中国特色社会主义思想在之江大地的生动实践。20年来,“千万工程”先后经历...
【三个代表】 日期:2024-03-19
-
2024年在市政协机关工作总结会议上讲话
同志们:刚才,XX同志对市政协机关20XX年工作进行了很好的总结,很精炼,很到位,可以感受到去年机关工作确实可圈可点。XX同志宣读了表彰决定,机关优秀人员代表、先进集体代...
【邓小平理论】 日期:2024-03-18
-
在全区防汛防涝动员暨河长制工作推进会上讲话提纲【完整版】
区长,各位领导,同志们:汛期已经来临,我区城区防涝工作面临强大考验,形势不容乐观。年初,区城区防涝排渍指挥部已经召开专题调度会,修订完善应急预案,建立网格化管理机...
【马克思主义】 日期:2024-03-18
-
2024年镇作风整治工作实施方案(完整文档)
XX镇作风整治工作实施方案为深入贯彻落实党的二十大精神及省市区委深化作风建设的最新要求,突出重点推进干部效能提升,坚持不懈推动作风整治工作纵深发展,根据《关于印发《2...
【毛泽东思想】 日期:2024-03-18
-
2024市优化法治化营商环境规范涉企行政执法实施方案【优秀范文】
xx市优化法治化营商环境规范涉企行政执法实施方案为持续优化法治化营商环境,激发市场主体活力和社会创造力,规范行政执法行为,创新行政执法方式,提升行政执法质效,着力解...
【毛泽东思想】 日期:2024-03-18
-
2024年度关于开展新一轮思想状况摸底排查工作通知(完整)
关于开展新一轮思想状况摸底排查工作的通知为深入贯彻落实关于各地开展干部职工思想状况大摸底大排查情况上的批示要求和改革教育第二次调度会议精神,有针对性做好队伍教育管...
【三个代表】 日期:2024-03-18
-
2024年公路养护中心主任典型事迹材料(完整文档)
“中心的工作就是心中的事业”——公路养护中心主任典型事迹材料**,男,1976年6月出生,1993年参加工作,2000年4月调入**区交通运输局工作,大学本科学历,中共党员,现任**...
【马克思主义】 日期:2024-03-17