【技术实现步骤摘要】
一种基于双向长短期记忆神经网络的大气能见度预测方法
[0001]本专利技术涉及人工智能领域,尤其涉及一种基于双向长短期记忆神经网络的大气能见度预测方法。
技术介绍
[0002]目前能见度预测方法主要运用的是环境气象数值预报方法,其基本思想是将大气化学模式与天气模式进行拟合,从而对能见度进行预测。因此,数值预报首先要求建立一个较好的能反映预报量变化特征的短期或长期数值预报模型,其误差要小、计算要稳定且相对运算要快;其次有能利用各种各样的、时空分辨率高的气象资料和大气环境监测数据。因此,该方法需要大量计算,无法高效地进行常规的交通能见度预测。同时,大多数的数值预报模型中存在一些近似、简化的方案,使得预测结果出现一定的偏差。因此,如何高效精确地预测大气能见度成为一个亟待解决的问题。
技术实现思路
[0003]为解决现有技术中大多数的数值预报模型中存在一些近似、简化的方案,使得预测结果出现一定的偏差的问题,本专利技术提供的一种基于双向长短期记忆神经网络的大气能见度预测方法,包括以下步骤:
[0004]步骤一:提取数据特征;对已有能见度和基本气象要素观测数据进行统计性分析,提取能见度和基本气象要素的数据特征;将风向风速数据转化为风向量,将时间特征和风向量数据添加至大气能见度数据中,生成大气能见度数据集;
[0005]步骤二:数据清洗;对大气能见度数据中的观测数据进行数据清洗,获得清洗完的大气能见度数据集;
[0006]步骤三:构建并训练模型;建立双向长短期记忆神经网络预测模型,将数据集归 ...
【技术保护点】
【技术特征摘要】
1.一种基于双向长短期记忆神经网络的大气能见度预测方法,其特征在于,包括以下步骤:步骤一:提取数据特征;对已有能见度和基本气象要素观测数据进行统计性分析,提取能见度和基本气象要素的数据特征;将风向风速数据转化为风向量,将时间特征和风向量数据添加至大气能见度数据中,生成大气能见度数据集;步骤二:数据清洗;对大气能见度数据中的观测数据进行数据清洗,获得清洗完的大气能见度数据集;步骤三:构建并训练模型;建立双向长短期记忆神经网络预测模型,将数据集归一化后进行窗口化划分,并向预测模型输入划分好的大气能见度数据集,对预测模型进行训练,得到大气能见度预测模型;将观测数据输入至能见度预测模型中反归一化以获得大气能见度预测结果。2.如权利要求1所述的一种基于双向长短期记忆神经网络的大气能见度预测方法,其特征在于,步骤一中风向风速通过三角函数转化为风向量,公式为:W
x
=W
v
×
cosW
r
W
y
=W
v
×
sinW
r
其中,W
v
表示为风速,W
r
表示为风向,W
x
表示为风向量X轴坐标,W
y
表示为风向量Y轴坐标。3.如权利要求1所述的一种基于双向长短期记忆神经网络的大气能见度预测方法,其特征在于,步骤二中的数据清洗包括异常值处理和缺失值填补;异常值处理时,使用K
‑
means聚类算法对异常值进行检测,并将检测出来的异常值进行删除;缺失值填补时,使用K最邻近算法对缺失值进行填补。4.如权利要求1所述的一种基于双向长短期记忆神经网络的大气能见度预测方法,其特征在于,步骤三中的双向长短期记忆神经网络预测模型内部计算公式为:其中,C
t
‑1为上一时刻的单元状态(cellstate),h
t
‑1为上一时刻的输出值,x
t
为此前时刻网路的输入值,h
t
为当前时刻LSTM输出值和C
t
当前时刻的单元状态,遗忘门的输出f
t
,输入门输出输出门输出为O
t
。5.如权利要求1所述的一种基于双向长短期记忆神经网络的大气能见度预测方法,其特征在于,基于双向长短期记忆升级网络大气能见度预测的算法步骤如下:步骤1:在数据输入模型训练前,要对数据进行预处理环节中的归一化处理,使得数据范围在某一区域内,使得模型得到的结果更加高效准确;采用Min
‑
Max归一化,数据归一化到[0,1]之间,其转换公式为:
其中,x
′
是归一化后数据,x为原数据,x
min
为原数据中最小值,x
max
为原数据中最大值;步骤2:数据窗口化划分,是将输入数据转化为输入窗口,确定输入窗口的宽度和数据的偏移量,并将特征窗口分为(特征,标签)这样的格式,将划分好的数据分成数据窗口中;步骤3...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。