一种基于合并长短时记忆网络的大气温度数据生成方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于合并长短时记忆网络的大气温度数据生成方法
本专利技术涉及大气环境数据生成
，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。
技术介绍
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。
技术实现思路
有鉴于此，本专利技术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，本专利技术采用如下技术方案：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本文档来自技高网...

【技术保护点】
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：/nS1.采集空气密度数据和水蒸气浓度数据作为测试数据；/nS2.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；/n所述M-LSTM-AH网络模型的建立及训练方法包括以下步骤：/nS21.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；/nS22.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...

【技术特征摘要】
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。


...

【专利技术属性】
技术研发人员：林连雷，张珊珊，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23