排序方式： 共有49条查询结果，搜索用时 31 毫秒
31.
基于RNN的空气污染时空预报模型研究 总被引：2，自引：0，他引：2
针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。 相似文献
32.
为提高PM2.5浓度预测的时效和精度,本文综合大气污染物、GNSS水汽和风速等观测要素,利用FFT与LSTM神经网络方法构建PM2.5浓度预测模型,开展未来24 h的PM2.5浓度预测研究。首先对大气污染物、GNSS水汽和风速等观测要素进行快速傅里叶变换,提取各类要素的公共变化周期,获得最佳公共周期为216 h;然后选取最佳公共周期长度的各类要素作为模型输入,24 h序列的PM2.5浓度作为模型输出,分别以PM2.5单要素的RBF神经网络和融合大气污染物、风速、GNSS水汽的LSTM神经网络构建PM2.5浓度预测模型;最后利用实测PM2.5浓度序列分别对2种模型开展外部可靠性检验,将RMSE和IA作为评价指标进行模型精度评价。研究结果表明,基于FFT-LSTM的PM2.5浓度预测模型的RMSE和IA分别为16.22 μg/m3和84.36%,模型预测精度较好,可有效预测未来24 h的PM2.5浓度,该模型可为大气污染防治部门空气质量预测提供参考。 相似文献
33.
大坝时间序列变形的高精度预测对于大坝运行维护及保护人民生命安全显得尤为重要。本文以某大坝113期变形时间序列数据为实验,提出了一种深度学习中的循环神经网络(LSTM)方法来进行大坝变形预测,将实验的结果与机器学习中NAR神经网络和ARIMA自回归移动平均模型的预测结果进行对比,LSTM、NAR和ARIMA模型的均方根误差(RMSE)分别为0.392 5、0.573 7、1.298 7;平均相对误差(MRE)分别为0.0498、0.1046、0.1878;R^2系数分别为0.932 3、0.822 1、0.247 7。从上述结果对比可知,LSTM时间序列预测模型的精度更高且稳定性更好,可作为后续大坝变形预测的一种新的思路和探索。 相似文献
34.
针对陇中黄土丘陵沟壑区土壤水蚀过程复杂且难以有效预测的问题，以定西市安家沟水土保持试验站2005—2016年1~12月人工草地径流场试验数据为主要来源，将流域月降雨量、月侵蚀性降雨量、月径流量、月降雨强度、径流场面积、径流场坡度、土壤砂粒含量、土壤粘粒含量8个因子作为输入因子，月土壤水蚀量作为输出，运用偏最小二乘法(Partial Least-Squares
Regression,PLSR)和长短期记忆(Long Short-Term Memory,LSTM)循环神经网络建立人工草地土壤水蚀预测模型，并利用BP(Back Propagation)、RNN(Recurrent Neural
Network)、LSTM常见神经网络模型，对模型的有效性进行评估。结果表明：PLSR将模型8个输入因子减少为4个，从而有效解决LSTM神经网络模型对样本数量要求过高的问题； PLSR和LSTM神经网络模型的结合可以有效提高模型对人工草地土壤水蚀过程的预测精度和收敛速度，预测结果的平均相对误差小于4%，相关系数高于其他3种神经网络模型，而迭代次数、均方根误差和平均绝对误差均低于其他3种模型；研究发现坡度对人工草地土壤水蚀过程影响较为明显，降雨量小于25 mm时，人工草地土壤水蚀量不会随坡度增加而明显增长，但当降雨量超过25 mm时，人工草地土壤水蚀量会随坡度明显增加。 PLSR LSTM神经网络土壤水蚀预测模型可以准确预测陇中黄土丘陵沟壑区人工草地土壤水蚀量，为该地区水土流失的准确预报提供新的思路和方法。 相似文献
35.
Research on forest phenology is an important parameter related to climate and environmental changes. An optical camera was used as a near-earth remote sensing satellite device to obtain forest images, and the data of Green excess index (GEI) in the images were calculated, which was fitted with the seasonal variation curve of GEI data by double Logistic method and normalization method. LSTM and GRU deep learning models were introduced to train and test the GEI data. Moreover, the rationality and performance evaluation of the deep learning model were verified, and finally the model predicted the trend of GEI data in the next 60 days. Results showed: In the aspects of forest phenology training and prediction, GRU and LSTM models were verified by histograms and autocorrelation graphs, indicating that the distribution of predicted data was consistent with the trend of real data, LSTM and GRU model data were feasible and the model was stable. The differences of MSE, RMSE, MAE and MAPE between LSTM model and GRU model were 0.0014, 0.013, 0.008 and 5.26%, respectively. GRU had higher performance than LSTM. The prediction of LSTM and GRU models about GEI data for the next 60 days both showed a trend chart consistent with the change trend of GEI data in the first half of the year. GRU and LSTM were used to predict GEI data by deep learning model, and the response of LSTM and GRU deep learning models in forest phenology prediction was realized, and the performance of GRU was better than that of LSTM model. It could further reveal the growth and climate change of forest phenology in the future, and provide a theoretical basis for the application of forest phenology prediction. 相似文献
36.
基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究 总被引：3，自引：1，他引：2
基于海洋气象历史观测资料和再分析数据等，利用LSTM深度神经网络方法，开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域，通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子，分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析，得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差，RMSE分别降低了41.3%和38.8%，MAE平均降低了43.0%和40.0%；风速误差统计和极端大风分析发现，LSTM模型能够抓住地形、短时大风和台风等敏感信息，对于大风过程预报结果明显优于WRF模式；两种LSTM模型对比发现，ALL_LSTM模型风速预报误差最小，具有很好的稳定性和鲁棒性，OBS_LSTM模型应用范围更广泛。 相似文献
37.
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。 相似文献
38.
近年来长短期记忆网络（LSTM）在文本情感倾向分析方面显示出一定优势,但LSTM提取特征时存在语义不完整、精度不高等问题.研究者往往通过引入卷积神经网络（CNN）来弥补这一缺陷,但仍然未考虑到单词之间的句法依存问题.本文将以增量学习算法为核心的宽度学习（BLS）与LSTM相融合,提出了LSTM-BLS文本情感分析模型,并以2020断崖式降温事件为例,对突发气象灾害发生时公众情感倾向进行分析.结果表明：与基线模型K-means和支持向量机（SVM）相比,LSTM-BLS模型精度分别提高17.23和13.46个百分点;与已有深度模型LSTM、CNN-LSTM相比,本文模型精度分别提高7.13和4.17个百分点. 相似文献
39.
以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型：简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法（genetic algorithm,GA）优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型：GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。 相似文献
40.
植被分类是森林资源调查与动态监测的基础与前提。当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限。微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力。本文利用2018年Sentinel-1A微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图。首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类。实验结果表明：① 与传统机器学习方法（如RF、SVM）相比,本文提出的深度循环网络方法的分类精度提高10%以上;② 在Sentinel-1A微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③ 使用全年的时间影像构建时间序列分类精度最高,达到82%。研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林植被分类研究提供了新的思路。 相似文献