多通道CNN-BiLSTM的短时温度预测_李昌响.pdf
《多通道CNN-BiLSTM的短时温度预测_李昌响.pdf》由会员分享,可在线阅读,更多相关《多通道CNN-BiLSTM的短时温度预测_李昌响.pdf(6页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期 年 月江西师范大学学报(自然科学版)()收稿日期:基金项目:国家自然科学基金(,)和江西省重点研发计划课题(,)资助项目通信作者:赵 嘉(),男,安徽桐城人,教授,博士,主要从事大数据分析、人工智能理论和深度学习的研究:李昌响,赵嘉,韩龙哲,等 多通道 的短时温度预测 江西师范大学学报(自然科学版),():,(),():文章编号:()多通道 的短时温度预测李昌响,赵 嘉,韩龙哲,樊棠怀,李桢桢(南昌工程学院信息工程学院,江西 南昌)摘要:温度数据具有明显的反向、时序相关性及多尺度特征,提升温度预测精度的关键在于能否有效提取温度数据的上述特征 为提取这些特征,该文提出一种多通道卷
2、积双向长短期记忆网络(,)的短时温度预测模型该模型首先利用双向长短期记忆网络()提取数据的反向特征、时序相关性特征;再利用多通道且不同尺寸、不同膨胀率的卷积神经网络()提取数据的多尺度特征,组成在学习多尺度特征后的数据,将其和原始数据作为 层的多通道输入,输出的数据经过全连接层,形成最终的预测结果 实验结果表明:多通道 的短时温度预测模型能有效地提取数据的时序相关性、反向及多尺度特征,可有效地提升温度预测精度,是一种行之有效的短时温度预测模型关键词:温度预测;卷积神经网络;长短期记忆网络;多通道;多尺度特征中图分类号:文献标志码:引言长期以来,温度的变化深刻影响着生态环境和人类的生产生活,在极
3、端温度条件下的表现尤为明显,对温度变化的研究变得尤为重要 在温度预测研究领域中,最早是气象部门人员通过经验对可能出现的剧烈温度变化进行预测 随着人工智能和大数据技术的迅猛发展,用于预测温度的技术和方法越来越丰富传统的温度预测方法有时间序列分析和回归分析,这些方法多适用于处理线性问题 随着人工智能技术的发展,神经网络和支持向量回归(,)等方法被应用于温度预测,这些方法拥有较强的非线性拟合能力,能够较好地弥补传统方法非线性拟合能力差的缺陷,但 对缺失数据较为敏感且对非线性问题的泛化能力弱;神经网络具有较强的自主学习能力和泛化能力,因此获得了较好的应用循环神经网络(,)作为神经网络的典型代表,具有记
4、忆性和参数共享的特点,能克服传统预测方法存在的非线性拟合不足的问题,适合对时间序列数据进行建模,但 存在梯度消失及梯度爆炸问题 为此,等提出了长短期记忆网络(,)该网络在 基础上引入门控机制控制信息的传递,有效解决了 的梯度消失及梯度爆炸问题 文献将 应用于温度预测,极大地提升了预测精度 在短期温度数据中存在双向特征和多尺度特征,其双向特征具体表现为前一时刻温度及下一时刻温度都会对当前时刻温度造成一定的影响,加强对温度数据双向特征的关注及研究,增强预测结果的可靠性 为此,文献引入双向长短期记忆网络(,)预测路面温度,该模型具有提取反向特征的优势 温度数据的多尺度特征表现在年、月、日等时间尺度上
5、,为提取数据的多尺度特征,文献使用以指数形式跳跃连接的 提取数据的周期性特征,但无法解决存在的梯度消失及爆炸问题,同时当跳跃数较大时易导致有效信息大量缺失,当跳跃数较小时易形成信息冗余;文献使用多层 网络架构且每层设计不同的跳跃连接数,从而保证了预测精度的提升,但缺少对在数据中依赖性特征的探索 多尺度卷积神经网络(,)不仅拥有极大的感受野,而且具备提取多尺度特征的能力 文献利用多尺度卷积策略,构造了特征对齐的多尺度特征提取器,克服了 平移不变性的局限性 与单尺度策略相比,多尺度 具有更强的自适应特征提取能力,从而带来更好的泛化性能,但其主要应用在轴承故障诊断问题上 虽然对在温度数据中的依赖性特
6、征及多尺度特征的综合探索能提升模型的预测性能,但目前尚未得到广泛应用基于上述问题,本文提出了一种多通道卷积双向长短期记忆网络(,)的短期温度预测模型 该模型使用多通道 维卷积层结构,并且每个通道使用不同尺寸的卷积核提取不同尺度的数据特征;然后输入到 提取数据的反向特征;最后将其和原始数据输入到全连接层进行预测 实验结果表明:该模型能有效地提升短时温度预测的精度 基础网络架构 卷积神经网络()年,等提出 模型并确定了 的基本框架,包含卷积层、池化层、全连接层 通过局部连接和共享权值的方式对输入数据进行卷积、池化运算以提取相关特征 维卷积网络经常用来处理时间序列信号,计算输入信号的延迟积累 假设一
7、个时间序列的输入信号为(,),其中 表示输入的时间序列长度,表示输入数据的特征个数,时间序列数据经过卷积运算可得(),其中 表示输入数据,表示输出,表示卷积运算,表示 维卷积核的权重矩阵,表示该层的偏置矩阵,()表示该卷积层的激活函数 通常使用 函数作为激活函数,利用其在梯度反向传播时的导数易求的特点,加快收敛速度 函数只需要一个阈值就可以得到激活值,具有较好的稀疏性,其计算公式为(),长短期记忆网络()由 演变而来,被广泛应用于时间序列预测 的改进之处在于引入门控机制,通过添加 个门结构(分别为遗忘门、输入门、输出门)来控制信息的传递 的循环单元结构如图 所示,这 个门的作用及执行过程如下:
8、)遗忘门决定前一时刻内部状态信息有多少被遗忘,计算公式为(,);)输入门决定当前时刻候选状态有多少信息被保留,计算公式为(,);)更新细胞状态,包括候选状态信息及内部状态信息,计算公式为?(,),?;)输出门决定当前时刻的输出,计算公式为(,),(),其中()(),()()(),为当前时刻的输入,为前一时刻的状态信息,、分别表示输入信息与遗忘门的权重矩阵、输入信息与输入门的权重矩阵和输入信息与输出门的权重矩阵,、分别表示输入信息与遗忘门的偏置矩阵、输入信息与输入门的偏置矩阵和输入信息与输出门的偏置矩阵,?表示当前时刻的候选状态信息,用于记录所有历史信息的内部状态,用于记忆除当前时刻外历史信息的
9、内部状态tanhtanhhtcthtotxtht-1ct-1ctitft图 的循环单元结构江西师范大学学报(自然科学版)年 双向长短期记忆网络()在某些时间序列数据预测上,当前时刻的输出不仅与历史时刻信息有关,还与未来时刻的信息有关,尤其在短时温度预测方面 只能按时间顺序进行正向预测,忽略了在时间反方向上对温度预测的影响,难以提取数据间的反向特征信息 因此,年,等提出了双向长短期记忆网络,由 个不同方向的 组合而成每个方向的参数都是独立的,对数据进行正向和反向(即双向)拟合,最后串联在一起 的结构如图 所示LSTMLSTMLSTMLSTMLSTMLSTMxt+1xt-1xtyt-1yt+1yt
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 通道 CNN BiLSTM 温度 预测 李昌响
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。