典型文献
基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测
文献摘要：
降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习长短期记忆(long short-term memory,LSTM)能较好地处理多要素变量与降水量之间的非线性关系.利用扬州市区1960—2019年8种气象基本要素数据,采用传统季节性自回归积分滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型和深度学习LSTM神经网络方法对降水量数据进行预测比对,并着重分析了LSTM在不同类型不同输入与输出模式形态下的预测水平差异.结果表明:传统的SARIMA模型中静态模式较动态模式能更好地反映出扬州市区月降水量数据变化趋势,且与实际值差距较小.动态模式容易造成误差累积或整体易呈现周期性稳态变化,实时性欠缺.深度学习LSTM多输入单输出动态预测模式下,完整周期的数据输入可以让神经网络更好地学习数据的变化规律.然而将多个周期数据作为一个输入单位,易造成模型过拟合.LSTM模型(预期回顾look_back=12)对扬州市区月降水量预测精度优于传统的SARIMA模型,均方根误差(root mean squared error,RMSE)训练值低0.02.LSTM多输入单输出动态模式(look_back=12)较LSTM多输入多输出静态模式,RMSE测试值低0.33,体现出该模式对扬州市区月降水量预测准确度更高.与此同时,多类LSTM(multi-category LSTM,M-LSTM)多输入多输出静态模式预测准确度优于LSTM多输入多输出静态模式,RMSE测试值低0.19,反映出M-LSTM多输入多输出静态模式的优点.
文献关键词：
深度学习;LSTM;M-LSTM;SARIMA;降水量预测;扬州市区
中图分类号：
作者姓名：
张丽婷;李鹏飞;庞文静;惠雯;秦孟晟
作者机构：
江苏省扬州市气象局,扬州225600;哈尔滨工业大学电气工程及自动化学院,哈尔滨150030;中国气象局气象探测中心,北京100081;国家气象卫星中心,北京100081
文献出处：
引用格式：
[1]张丽婷;李鹏飞;庞文静;惠雯;秦孟晟-.基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测)[J].科学技术与工程,2022(09):3453-3463
A类：
B类：
自回归,滑动平均,长短期记忆神经网络,非平稳,时序序列,获取数据,long,short,term,memory,多要素,素变量,非线性关系,扬州市区,基本要素,要素数据,seasonal,autoregressive,integrated,moving,average,SARIMA,神经网络方法,输入与输出,出模,静态模式,动态模式,数据变化,误差累积,多输入单输出,出动,动态预测,预测模式,整周,地学,学习数据,周期数据,成模,过拟合,look,back,月降水量预测,root,mean,squared,error,RMSE,多输入多输出,预测准确度,multi,category
AB值：
0.282474
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。
