CN111950704B - 一种基于合并长短时记忆网络的大气温度数据生成方法 - Google Patents
一种基于合并长短时记忆网络的大气温度数据生成方法 Download PDFInfo
- Publication number
- CN111950704B CN111950704B CN202010789766.8A CN202010789766A CN111950704B CN 111950704 B CN111950704 B CN 111950704B CN 202010789766 A CN202010789766 A CN 202010789766A CN 111950704 B CN111950704 B CN 111950704B
- Authority
- CN
- China
- Prior art keywords
- data
- lstm
- layer
- network
- atmospheric temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000015654 memory Effects 0.000 title claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000007493 shaping process Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于合并长短时记忆网络的大气温度数据生成方法，包括以下步骤：S1.采集空气密度数据和水蒸气浓度数据作为测试数据；S2.将测试数据输入至训练后的M‑LSTM‑AH网络模型，输出大气温度数据；其中M‑LSTM‑AH网络模型包括M个LSTM模型。本发明基于大气环境中多种参数具有物理相关性的特点，利用与温度具有较强相关性的水蒸气浓度和空气密度作为调节参数，温度作为目标参数，将这三者作为深度学习网络的输入，有效提高了大气温度数据生成方法的准确性。
Description
技术领域
本发明涉及大气环境数据生成技术领域，更具体的说是涉及一种基于合并长短时记忆网络的大气温度数据生成方法。
背景技术
大气环境数据对人类的生产生活有着重要影响，其中大气环境中的温度数据在农业生产，交通运输等方面扮演重要的角色，目前国内外现有的对单一参数大气环境数据的方法中多数是利用过去一段时间的温度生成未来一段时间的温度数据，或者用过去一段时间的降水情况生成未来一段时间的降水数据，没有考虑大气环境参数之间的物理相关性，只考虑了大气环境数据的时间相关性，因而导致了其准确性较低的缺陷。
因此，如何提出一种准确性高的基于合并长短时记忆网络的大气温度数据生成方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于合并长短时记忆网络的大气温度数据生成方法，能有效提高大气温度数据生成方法的准确性。
为了实现上述目的，本发明采用如下技术方案：
一种基于合并长短时记忆网络的大气温度数据生成方法，包括以下步骤：
S1.采集空气密度数据和水蒸气浓度数据作为测试数据；
S2.将测试数据输入至训练后的M-LSTM-AH网络模型，输出大气温度数据；其中所述M-LSTM-AH网络模型包括M个LSTM模型；
所述M-LSTM-AH网络模型的建立及训练方法包括以下步骤：
S21.创建Sequential模型，确定并添加所需要的网络层，堆叠各个所述LSTM模型，形成所述M-LSTM-AH网络模型；
S22.采集样本数据集，并将所述样本数据集分为训练数据集和验证数据集；所述训练数据集和所述验证数据集内均包括样本大气温度数据，还均包括与相应的所述样本大气温度数据相关的样本空气密度数据和样本水蒸气浓度数据；
S23.将训练数据集中的所述样本大气温度数据作为目标参数，所述样本空气密度数据和样本水蒸气浓度数据作为调节参数，对所述M-LSTM-AH网络模型进行训练；
S24.将验证数据集中的所述样本空气密度数据和样本水蒸气浓度数据输入所述M-LSTM-AH网络模型中，对所述M-LSTM-AH网络模型进行验证，判断结果是否与相应的所述样本大气温度数据相符，若不符，则继续对所述M-LSTM-AH网络模型进行训练。
优选的，S21中所述的网络层包括：全连接层、激活层、Dropout层、整形层、卷积层和循环层；
所述全连接层用于向输出添加密集连接的其它网络层；
所述激活层用于对上一层的输出应用激活函数；
所述Dropout层应用于输入，在训练期间的每次更新中将输入单元按一定的比率随机设置为0，防止过拟合；
所述整形层用于将输入单元的维度重构成特定的维度；
所述卷积层用于完成不同维度的特征提取；
所述循环层用于处理时间序列数据。
优选的，S21中在添加所需要的网络层前还包括将relu函数作为每个网络层的激活函数。
优选的，S21中通过调用compile方法配置所述M-LSTM-AH网络模型，且在.compile的过程中选用Adam优化器，选用MSE函数作为损失函数。
优选的，S23和S24中均使用.fit方法进行数据与模型的拟合。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于合并长短时记忆网络的大气温度数据生成方法，本发明基于大气环境中多种参数具有物理相关性的特点，利用与温度具有较强相关性的水蒸气浓度和空气密度作为调节参数，温度作为目标参数，将这三者作为深度学习网络的输入，有效提高了大气温度数据生成方法的准确性，并且本发明不同于传统大气环境生成模型，提出结合数据相关性分析的合并的长短时记忆网络(M-LSTM)模型，输入目标参数和调节参数到不同的LSTM网络中，将不同的LSTM网络进行合并，生成温度数据，进一步提高了大气生成方法的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种基于合并长短时记忆网络的大气温度数据生成方法的流程图；
图2附图为本发明提供的一种基于合并长短时记忆网络的大气温度数据生成方法中M-LSTM-AH网络模型的建立及训练方法的流程图；
图3附图为本发明实施例提供的六个模型的训练集及验证集的损失函数随epochs次数变化结果示意图；
图4附图为本发明实施例提供的LSTM-AH模型损失函数变化部分示意图；
图5附图为本发明实施例提供的六种模型生成的24小时温度结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于合并长短时记忆网络的大气温度数据生成方法，如图1所示，包括以下步骤：
S1.采集空气密度数据和水蒸气浓度数据作为测试数据；
S2.将测试数据输入至训练后的M-LSTM-AH网络模型，输出大气温度数据；其中M-LSTM-AH网络模型包括M个LSTM模型；
如图2所示，M-LSTM-AH网络模型的建立及训练方法包括以下步骤：
S21.创建Sequential模型，确定并添加所需要的网络层，堆叠各个LSTM模型，形成M-LSTM-AH网络模型；
S22.采集样本数据集，并将样本数据集分为训练数据集和验证数据集；训练数据集和验证数据集内均包括样本大气温度数据，还均包括与相应的样本大气温度数据相关的样本空气密度数据和样本水蒸气浓度数据；
S23.将训练数据集中的样本大气温度数据作为目标参数，样本空气密度数据和样本水蒸气浓度数据作为调节参数，对M-LSTM-AH网络模型进行训练；
S24.将验证数据集中的样本空气密度数据和样本水蒸气浓度数据输入M-LSTM-AH网络模型中，对M-LSTM-AH网络模型进行验证，判断结果是否与相应的样本大气温度数据相符，若不符，则继续对M-LSTM-AH网络模型进行训练。
为了进一步实施上述技术方案，S21中的网络层包括：全连接层、激活层、Dropout层、整形层、卷积层和循环层；
全连接层用于向输出添加密集连接的其它网络层；
激活层用于对上一层的输出应用激活函数；
Dropout层应用于输入，在训练期间的每次更新中将输入单元按一定的比率随机设置为0，防止过拟合；
整形层用于将输入单元的维度重构成特定的维度；
卷积层用于完成不同维度的特征提取；
循环层用于处理时间序列数据。
为了进一步实施上述技术方案，S21中在添加所需要的网络层前还包括将relu函数作为每个网络层的激活函数。
为了进一步实施上述技术方案，S21中通过调用compile方法配置M-LSTM-AH网络模型，且在.compile的过程中选用Adam优化器，选用MSE函数作为损失函数。
为了进一步实施上述技术方案，S23和S24中均使用.fit方法进行数据与模型的拟合。
下面将进一步对本实施例的优越性进行实验说明：
下载并使用公用数据集——德国耶拿数据集，该数据集包含14个不同的特征，包含相对湿度、气压、每日降水量、水蒸气浓度、空气密度、风速、风向、全球辐射、光合有效辐射、地球的净辐射、二氧化碳浓度、表面温度、土壤温度等。在本实施例中采用2009到2016年间记录的数据，共有420551条数据，数据为每十分钟记录一个数据点，假设每小时内大气环境数据发生的变化很小，对原始数据每隔5个点取一个点，即以小时为单位，训练集，验证集和测试集的比例设置为6:2:2，随机选择样本构建训练集，验证集和测试集，本实施例中所记录的实验结果均为10次实验所取的平均值。
以耶拿数据集为例，计算耶拿数据集中所包含的大气环境参数之间的相关系数，表中数据均保留两位有效数字，结果如表1所示。
表1耶拿数据集中各参数之间的相关系数
从表1中可以看出，在耶拿数据集中与温度相关性最强的大气环境参数是空气密度，两者为较强的负相关，相关系数为-0.96。温度与水蒸气浓度呈较强的正相关，相关系数为0.87。温度与风速的相关系数为-0.0046，其绝对值最小，说明温度与风速的相关性最低。在接下来的实验中，将利用到与温度相关性较强的两个大气环境参数即空气密度和水蒸气浓度。
本实施例中使用均方误差MSE作为网络模型性能的评价指标，来衡量不同网络模型性能的好坏。均方误差，MSE(mean squared error)，是预测值与真实值之差的平方和的平均值，如公式(1)所示：
其中x代表测得的真实值，x'作为生成模型输出的生成值。两个时间序列都有N个样本。MSE是对模型质量的度量，它始终是非负的，并且接近零的值更好，越接近零说明生成模型生成的结果精度越高。
本实施例中使用M-LSTM分别实现如下三种情况：
利用过去一段时间的温度、空气密度生成一段时间的温度数据(M-LSTM-AD)；(2)利用过去一段时间的温度、水蒸气浓度来生成一段时间的温度数据(M-LSTM-H2OC)；(3)利用过去一段时间的温度、空气密度和水蒸气浓度来生成一段时间的温度(M-LSTM-AH)。
同时使用原始RNN网络模型和LSTM网络模型作为实验对比方法，分别实现利用过去一段时间的温度生成未来一段时间的温度(LSTM)；利用过去一段时间的温度，气压和风速预测未来一段时间的温度(LSTM-AH)。搭建M-LSTM-AH网络模型，将三个LSTM网络利用keras.layers.concatenate(inputs,axis＝-1)合并，每一LSTM网络中包含两个LSTM层，分别具有32和16个神经元，为了防止过拟合在网络中添加了dropout层，dropout率设置为0.2，在训练深度神经网络模型时，dropout能够在很大程度上简化神经网络结构，以达到防治过拟合的问题并且能解决深度神经网络模型花费大量时间的问题。
选择relu作为激活函数以加速收敛，利用均方误差(MSE)对网络模型进行误差的度量，选择adam作为优化器，batch_size大小设置为512，epoch设置为40次(通过多次实验找到的最佳参数)。
M-LSTM-AD模型，M-LSTM-H2OC模型与M-LSTM-AH模型的区别在于调节参数减少一个，模型内相应的减少一个小的LSTM模型，其他参数设置基本相同。
RNN，LSTM，LSTM-AH，M-LSTM-H2OC，M-LSTM-AD和M-LSTM-AH六个模型的训练集及验证集的损失函数随epochs次数变化如图3所示。从图3中可以看出训练集的(蓝色实线)和验证集(红色实线)的损失函数均成收敛状，损失函数度量的是生成值与真实值之间的差异，损失函数呈收敛状态可证明网络模型稳定可靠。因为起始时训练集的MSE偏大，所以拉高了整体图像，图4为LSTM-AH模型损失函数变化部分示意图，从图中可以看出验证集损失函数随时间有微小变化，但仍呈收敛状。
图5为上述六种模型生成的24小时温度结果图。选择同一组测试集生成结果，更具有比较性。图中横坐标为时间，纵坐标为标准化后的温度值。其中蓝色实线代表真实温度数据，红色实线代表生成的24小时温度值。从图5(a)可以看出RNN模型的生成温度值普遍高于真实值，两条曲线始终保持一定距离，结果具有一定偏差。从图5(b)(c)中可以看出，LSTM和LSTM-AH模型生成的温度值绝大部分都略低于真实值，LSTM-AH模型中两曲线走势基本相同，且两条曲线更为接近，比LSTM模型在这一组测试集上结果更准确。从图5(d)中可以看出，M-LSTM-H2OC模型生成的前三小时温度值十分准确，在10小时后，偏差开始变大。从图5(e)(f)中可以看出，M-LSTM-AD和M-LSTM-AH两模型生成的温度曲线与真实曲线十分接近，M-LSTM-AH模型生成的前三小时温度与真实值完全相同，纵观(a)(b)(c)(d)(e)(f)六幅图，M-LSTM-AH模型预测值与真实值最接近，表现最好。
表2为六种网络模型下测试集的均方误差结果表。MSE越接近零，越能说明模型具有优秀的生成结果。从表中可以看出LSTM模型的MSE低于RNN模型的MSE，LSTM模型性能更好。使用空气密度做调节变量的M-LSTM-AD的MSE比用水蒸气浓度做调节变量M-LSTM-H2OC模型的MSE低了10％，M-LSTM-AD模型表现更好。数据相关分析中，温度与空气密度的相关性更强，结果也较好的说明了这一点，相关性越强，对生成温度越有利。同时利用水蒸气浓度和空气密度作为调节变量的M-LSTM-AH模型的MSE为2.709E-5，是六种模型中最低的，比M-LSTM-AD模型降低了6.32％，说明增加了调节变量后，使生成结果更准确，同时M-LSTM-AH模型的MSE比LSTM模型的MSE低了8.57％，比LSTM-AH模型的MSE降低了27.9％，两种模型利用相同的历史参数数据，说明合并网络结构的有效性，证明所提出的M-LSTM-AH模型性能最好。
表2各个模型下测试集的均方误差
本实施例中首先计算温度与大气环境中其他参数之间的相关系数，得出结论温度与空气密度和水蒸气浓度之间相关性较高。然后分别以水蒸气浓度，空气密度，水蒸气浓度和空气密度作为M-LSTM网络中的调节变量，生成未来24小时温度值。最终实验结果表明，M-LSTM-AH模型的MSE与经典文献中的RNN和LSTM模型相比至少降低27.88％，实现对温度数据的准确生成。
综上所述，本发明解决了现有温度数据生成模型利用原始数据单一，模型准确度低的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，包括以下步骤：
S1.采集空气密度数据和水蒸气浓度数据作为测试数据；
S2.将测试数据输入至训练后的M-LSTM-AH网络模型，输出大气温度数据；其中所述M-LSTM-AH网络模型包括M个LSTM模型；
所述M-LSTM-AH网络模型的建立及训练方法包括以下步骤：
S21.创建Sequential模型，确定并添加所需要的网络层，堆叠各个所述LSTM模型，形成所述M-LSTM-AH网络模型；
S22.采集样本数据集，并将所述样本数据集分为训练数据集和验证数据集；所述训练数据集和所述验证数据集内均包括样本大气温度数据，还均包括与相应的所述样本大气温度数据相关的样本空气密度数据和样本水蒸气浓度数据；
S23.将训练数据集中的所述样本大气温度数据作为目标参数，所述样本空气密度数据和样本水蒸气浓度数据作为调节参数，对所述M-LSTM-AH网络模型进行训练；
S24.将验证数据集中的所述样本空气密度数据和样本水蒸气浓度数据输入所述M-LSTM-AH网络模型中，对所述M-LSTM-AH网络模型进行验证，判断结果是否与相应的所述样本大气温度数据相符，若不符，则继续对所述M-LSTM-AH网络模型进行训练。
2.根据权利要求1所述的一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，S21中所述的网络层包括：全连接层、激活层、Dropout层、整形层、卷积层和循环层；
所述全连接层用于向输出添加密集连接的其它网络层；
所述激活层用于对上一层的输出应用激活函数；
所述Dropout层应用于输入，在训练期间的每次更新中将输入单元按一定的比率随机设置为0，防止过拟合；
所述整形层用于将输入单元的维度重构成特定的维度；
所述卷积层用于完成不同维度的特征提取；
所述循环层用于处理时间序列数据。
3.根据权利要求1所述的一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，S21中在添加所需要的网络层前还包括将relu函数作为每个网络层的激活函数。
4.根据权利要求1所述的一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，S21中通过调用compile方法配置所述M-LSTM-AH网络模型，且在compile的过程中选用Adam优化器，选用MSE函数作为损失函数。
5.根据权利要求1所述的一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，S23和S24中均使用fit方法进行数据与模型的拟合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010789766.8A CN111950704B (zh) | 2020-08-07 | 2020-08-07 | 一种基于合并长短时记忆网络的大气温度数据生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010789766.8A CN111950704B (zh) | 2020-08-07 | 2020-08-07 | 一种基于合并长短时记忆网络的大气温度数据生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950704A CN111950704A (zh) | 2020-11-17 |
| CN111950704B true CN111950704B (zh) | 2022-11-29 |
Family
ID=73331569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010789766.8A Active CN111950704B (zh) | 2020-08-07 | 2020-08-07 | 一种基于合并长短时记忆网络的大气温度数据生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950704B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117787A (zh) * | 2015-07-14 | 2015-12-02 | 温州科技职业学院 | 一种温室能耗的模型优化预测方法 |
| CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN110659770A (zh) * | 2019-09-03 | 2020-01-07 | 新奥数能科技有限公司 | 基于lstm模型的温度预测方法及装置 |
| CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
| CN111028086A (zh) * | 2019-11-26 | 2020-04-17 | 西安电子科技大学 | 基于聚类与lstm网络的增强指数跟踪方法 |
| CN111340292A (zh) * | 2020-02-26 | 2020-06-26 | 福州大学 | 一种基于聚类的集成神经网络pm2.5预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019010648A1 (en) * | 2017-07-12 | 2019-01-17 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR CORRECTION TO AIR |
-
2020
- 2020-08-07 CN CN202010789766.8A patent/CN111950704B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117787A (zh) * | 2015-07-14 | 2015-12-02 | 温州科技职业学院 | 一种温室能耗的模型优化预测方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
| CN110659770A (zh) * | 2019-09-03 | 2020-01-07 | 新奥数能科技有限公司 | 基于lstm模型的温度预测方法及装置 |
| CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
| CN111028086A (zh) * | 2019-11-26 | 2020-04-17 | 西安电子科技大学 | 基于聚类与lstm网络的增强指数跟踪方法 |
| CN111340292A (zh) * | 2020-02-26 | 2020-06-26 | 福州大学 | 一种基于聚类的集成神经网络pm2.5预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950704A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
| CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN113435707B (zh) | 基于深度学习和计权型多因子评价的测土配方施肥方法 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN112016839B (zh) | 一种基于qr-bc-elm的洪涝灾害预测预警方法 | |
| CN114611608B (zh) | 基于深度学习模型的海表面高度数值预报偏差订正方法 | |
| CN115131347B (zh) | 一种用于锌合金零件加工的智能控制方法 | |
| CN115471016B (zh) | 一种基于cisso与daed的台风预测方法 | |
| CN112838946A (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
| CN113591954A (zh) | 一种工业系统中缺失的时序数据的填充方法 | |
| CN116702627B (zh) | 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法 | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN108717506A (zh) | 一种预测焦炭热态强度的方法 | |
| CN110942182A (zh) | 一种基于支持向量回归建立台风预测模型的方法 | |
| CN106292296B (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
| CN106502093B (zh) | 基于ga‑svr的水岛加药在线控制方法 | |
| CN111950704B (zh) | 一种基于合并长短时记忆网络的大气温度数据生成方法 | |
| CN115907178B (zh) | 一种净生态系统co2交换量的预测方法 | |
| CN117036901A (zh) | 一种基于视觉自注意力模型的小样本微调方法 | |
| CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN113780405B (zh) | 基于深度神经网络的空调机参数回归优化方法 | |
| CN114925931A (zh) | 台区负荷预测方法及系统 | |
| CN110739030B (zh) | 一种乙烯生产过程小样本的软测量方法 | |
| CN113077110A (zh) | 一种基于gru的调和残差分段式潮位预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |