典型文献
基于1DCNN和LSTM的单站逐时气温预报方法
文献摘要:
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.
文献关键词:
1DCNN神经网络;LSTM神经网络;多信息融合;气温预报;单站逐时预测
中图分类号:
作者姓名:
李晶;唐全莉
作者机构:
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
文献出处:
引用格式:
[1]李晶;唐全莉-.基于1DCNN和LSTM的单站逐时气温预报方法)[J].热带气象学报,2022(06):800-811
A类:
单站逐时预测
B类:
1DCNN,时气,预报方法,气象观测,观测数据,冗余特征,时间相关性,一维卷积神经网络,长短期记忆神经网络,多信息融合,差分法,时间序列数据,气温变化,特征变量,气温预报模型,昆明市,反向传播神经网络,RMSE,平均绝对误差,MAE
AB值:
0.197125
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。