使用傳統(tǒng)單一模型預報氣溫經(jīng)常出現(xiàn)漏報現(xiàn)象,最終導致預測結果不理想,精度較低。針對單一預報模型穩(wěn)定性較低,隨機性偏高,突發(fā)性較多的特點,在深度學習理論的基礎上,提出一種采用門控循環(huán)單元(GRU)和灰色模型(GM)集成的方法,先分別訓練兩個模型,再通過權值ω將二者的預測結果進行加權組合,權值ω適當調(diào)整模型,改善模型的預報結果,提高模型的預報精度,并加快了運行速度,并且其普遍適用性和應急突發(fā)能力得到巨大改善。實驗表明,將GRU神經(jīng)網(wǎng)絡加入灰色模型進行氣溫預報,效果要明顯優(yōu)于單一的模型,其標準差小了近一倍,從而表明實驗方法的可行性和有效性。

【文章頁數(shù)】：10 頁

【部分圖文】：

圖1 GRU單元結構

LSTM通過簡化與改進得到GRU，這兩個神經(jīng)網(wǎng)絡都具有“門”的結構，其中每一個神經(jīng)元為一個處理單元，它有若干處理門限。這些處理門限可以判斷是否保存信息。但是，與LSTM相比，GRU處理單元的門限較少，僅有兩個，且僅有一個時序輸出。所以LSTM與GRU在傳輸有效信息時，GRU參數(shù)數(shù)....

圖2 GRU神經(jīng)網(wǎng)絡結構

與RNN類似，GRU神經(jīng)網(wǎng)絡同樣通過鏈式模型重復組成。RNN中的神經(jīng)元U中可能只是一個較為簡單的激活函數(shù)，比如tanh函數(shù)或者修正線性單元（ReLU）函數(shù)等。但是在GRU中，神經(jīng)元U成為一個較為復雜的門限結構。3門控循環(huán)單元與灰色模型的集成

圖3 GRU網(wǎng)絡模型和GM的集成流程

本文的權值范圍取0～1，其中步長為0.1。首先權值從0開始選取，將兩種模型的預測結果分別乘以各自的權重并相加。然后向后挪動一個步長（t=0.1），重復上述操作，直到所有氣溫預報值均計算出權重系數(shù)為止。獲取動態(tài)權值的過程如圖4所示。循環(huán)計算后，得到11個與權值w集成的輸出數(shù)據(jù)，如公....

圖4 動態(tài)權值的獲取流程

本實驗數(shù)據(jù)集取自某市2009年1月1日—2017年1月1日的氣溫值（2m高百葉箱）。這個數(shù)據(jù)集中共有13種大氣屬性（氣溫、氣壓、濕度、風向等），數(shù)據(jù)點間的時間間隔為10分鐘。首先，需要對數(shù)據(jù)進行篩選與清洗。本實驗的訓練模型數(shù)據(jù)取自2016年6月1—10日，測試模型數(shù)據(jù)取2016....

本文編號：4019730