LSTM多特征模型在风速预测的应用.pdf
《LSTM多特征模型在风速预测的应用.pdf》由会员分享,可在线阅读,更多相关《LSTM多特征模型在风速预测的应用.pdf(4页珍藏版)》请在咨信网上搜索。
1、信息记录材料 年 月 第 卷第 期 多特征模型在风速预测的应用曾晨雨,黄 静(长沙职业技术学院 湖南 长沙)【摘摘要要】为了降低风灾对人们正常生活和生产的影响,有效预测风速并及时预警,显得尤为重要。在机器学习中,风速预测可以归结为一个基于时间序列的预测问题,根据前 个时刻的风速观测数据建模,通过训练好的模型来预测 时刻的时间序列的风速数据。传统风速时间序列预测方法都是使用单一序列,往往会忽视掉其他因素的影响,容易造成预测结果的不准确。基于此,本文提出了一种基于长短期记忆(,)的多特征预测算法,利用耶拿气象数据集()进行模型训练,并通过训练损失曲线和预测拟合曲线,验证了该模型的准确性。【关关键键
2、词词】机机器器学学习习;风风速速预预测测;多多特特征征模模型型【中中图图分分类类号号】【文文献献标标识识码码】【文文章章编编号号】()作者简介:曾晨雨(),男,湖南长沙,硕士,助教,研究方向:大数据与人工智能算法。引言由于近年来的温室效应、洋流变化和气压变化等,极端天气发生愈发频繁,突发性的极端天气极易引起人员伤亡和财产损失。大风极端天气是极端天气中最常见的一类,会影响到人们出行安全及社会正常运转。为了降低风灾对人们正常生活和生产的影响,有效预测风速并及时预警,显得尤为重要。目前,风速预测方法大致可以分为以下两类,第一种是传统数学方法,第二种是以机器学习为代表的智能算法。一方面,传统数学方法模
3、型复杂,依赖过多的假设,预测结果偏理论不能用于实际;另一方面,随着气象数据采集和处理技术的不断发展,人工智能技术也越来越多地参与到了天气相关的预测中,其中机器学习被国内外研究人员广泛运用到风速预测中。深度学习是一种广泛的基于数据表示的机器学习方法,拓宽了机器学习的应用领域,延伸了人工智能的服务范围,其中许多应用已成为行业研究热点。在机器学习中,风速预测可以归结为一个基于时间序列的预测问题,本质是根据前 个时刻的风速观测数据建模,通过训练好的模型来预测 时刻的时间序列的风速数据。传统风速时间序列预测方法都是使用单一序列,往往会忽视掉其他因素的影响,容易造成预测结果的不准确。因此,本文提出了一种基
4、于长短期记忆(,)的多特征预测算法,通过耶拿气象数据集()进行模型训练,并对风速预测值和实际值拟合曲线对比,发现该模型在风速预测上有较好的效果。模型循环神经网络(,)是一系列能够处理顺序数据的神经网络的总称。一般 包含以下特性:每个隐单元间循环链接,且能在下个时间节点 产生输入;当前时间节点仅与下一时间节点的隐单元循环链接;所有隐单元排列成的循环链接结构能够处理输入的数据,产生单一的输出预测。但是 存在以下缺点:如果时间序列较长会导致梯度消失或者梯度爆炸,后层梯度无法传递到前边层,无法长期记忆。是一种特殊的 模型,用于接收和处理序列数据,如文本、语音、视频等。该模型通过一系列的门控制机制,特点
5、是记住长期的信息,可以有效地解决 存在的梯度消失和梯度爆炸的问题,能更好地处理长时序列信息。在每个时间步长上接收输入,同时上一时间步长的输出和内部状态作为当前的输入。与普通的 不同,在内部状态中保留了长期记忆信息,通过门的机制控制长期信息的更新和遗忘,从而实现了对信息的选择性记忆和遗忘。其中,门控制机制包括遗忘门、输入门以及输出门。模型结构如图 所示。图 模型结构示意图遗忘门用于选择性遗忘部分信息,公式如式()所示:(,)()式()中:为 神经网络激活函数,为连接权重矩阵,为上一时刻神经元短时记忆输出,为本时刻()神经元输入。输入门表示当前时刻输入,决定信息输入的多少,依赖遗忘门 和 层生成的
6、候选向量,公式如式()所示:(,)()式()中:为遗忘门输出,为上一时刻输入门输出,为输入门新增的信息,为双曲正切激活函数,为信息记录材料 年 月 第 卷第 期连接权重矩阵,为上一时刻神经元短时记忆输出,为本时刻()神经元输入,为偏置向量。输出门用于控制神经元信息被过滤的程度,计算公式如式()所示:(,)()式()中:为上一时刻神经元短时记忆输出,为本时刻()神经元输入,为输入门需要添加的新信息,为连接权重矩阵,和 分别是偏置向量和 函数。数据选取与处理 数据集选取本文采用的数据集为耶拿气象数据集,该数据集为天气时间序列数据集,由德国耶拿的一个生物地球化学研究所的气象站记录,在这个数据集中,每
7、 记录 个不同的量(比如气温、气压、湿度、风向、风速等,见表),本文使用其中 年的数据。表 数据集划分表数据项格式介绍 :时间()气压(毫巴、百帕)()温度(摄氏度)()热力学温度(开尔文)()相对于湿度的摄氏温度。露点是空气中水的绝对量的量度,是空气不能保持其中所有水分并且水凝结的温度(摄氏度)相对湿度()饱和蒸汽压(毫巴)()蒸汽压力(毫巴)()蒸气压差(毫巴)()特定湿度,比温度,含湿量()水蒸气浓度(毫摩尔每摩尔)()空气密度(克每立方米)()风速(米每秒)()最大风速(米每秒)()以度为单位的风向 主要特征及其分布如图 所示:图 耶拿气象数据集特征分布 本实验选取其中的气压、温度、热
8、力学温度、湿度温度、相对湿度、饱和蒸汽压、蒸汽压力、蒸汽压差、含湿量、水蒸气浓度等作为风速预测的输入特征。数据预处理为保证模型准确有效,需要对数据进行处理,包括异常值处理、数据标准化。从图 中可以看出风速数据有个别异常极值,会影响到整体数据质量和模型构建,需要将其滤除。数据标准化可以将不同量纲的特征值转成无量纲的纯数值,方便不同指标间能够进行比较和加权,为模型构建打下基础。本文使用的数据标准化方法为 标准化,标准化是数据处理的一种常用方法。通过它能够将不同量级的数据转化为统一量度的 分值进行比较,提高了数据可比性,削弱了数据解释性。标准化主要思想为基于原始数据的均值()和标准差()来进行数据的
- 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:
- LSTM 特征 模型 风速 预测 应用
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。