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

本发明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，涉及人工智能领域，包括提取数据特征、数据清洗和构建并训练模型；解决了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，本发明专利技术提供的方法能够利用自学习的误差反馈策略对不同气象站进行定制化学习，从而预测各气象站周围的大气能见度状况；本发明专利技术提出的模型在使用较少计算资源和较少数据的情况下实现大气能见度的高效准确预测。预测。预测。

【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。
[0007]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，优选的，步骤一中风向风速通过三角函数转化为风向量，公式为：
[0008]W
x
＝W
v
×
cosW
r
[0009]W
y
＝W
v
×
sinW
r
[0010]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。
[0011]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，优选的，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。
[0012]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，优选的，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：
[0013][0014]其中，C
t
‑1为上一时刻的单元状态(cell state)，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
。
[0015]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，优选的，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：
[0016]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：
[0017][0018]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；
[0019]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；
[0020]步骤3：初始化网络参数并设置超参数，
[0021][0022]其中，M1、M2分别代表最大迭代次数Max_iter和误差阈值Error_Cost，L为双向长短期记忆神经网络细胞单元数，N为神经元层数，W
f
、b
f
分别为遗忘门权重和偏置；类似的，有输入门和输出门等等；
[0023]步骤4：计算出t时刻正向A和反向A
′
的遗忘门的细胞单元状态，
[0024]f
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
f
)
[0025]计算出遗忘门的输出，然后将遗忘门的输出乘以上一时刻的单元状态；
[0026]步骤5：计算t时刻保存在细胞单元状态中，
[0027][0028]其中包括两个部分，第一部分为细胞单元更新值i
t
使用sigmoid激活函数所得，第
二部分为候选向量使用tanh激活函数所得；
[0029]步骤6：计算更新后的细胞单元状态，
[0030][0031]细胞单元状态是遗忘门和输入门状态结合所得；
[0032]步骤7：计算t时刻的网络输出门
[0033]h
t
＝σ(W
o
[h
t
‑1，x
t
]+b
O
)*tanh(C
t
)，
[0034]其中包含两个部分，第一部分为输出层门值O
t
，第二部分为使用tanh激活函数细胞单元状态C
t
，进行Hadamard乘积最终得到输出门输出h
t
；
[0035]步骤8：计算模型输出
[0036]O
t
＝g(w1h
t
+w2h
′
t
)
[0037]其中，h
t
为t时刻正向长短期记忆神经网络输出，h
′
t
为t时刻反向长短期记忆神经网络输出，w1与w2为对应的权重，将权重与输出相乘，最终的到t时刻最终输出O
t
；
[0038]步骤9：进行反归一化计算，将预测数值进行反归一化为实际代表的数值，
[0039]y＝y
′
(x
max
‑
x
min
)+x
min
[0040]其中，y
′
为预测结果，y是预测实际数据，x
min
为原数据中最小值，x本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：包云轩，杨仁昊，王可心，朱承瑛，
申请(专利权)人：无锡学院，
类型：发明
国别省市：