基于进化算法的LSTM降水量预测方法研究

发布时间：2024-04-02 03:25

　　降水量预测是人类社会正常运转的重要组成部分,准确的预测结果对交通、农业和公共安全等都具有重要的意义。长短期记忆网络(LSTM)作为一种基于数据驱动的时间序列预测模型,在降水量预测方面表现出了良好的性能。但在使用时往往需要具有丰富经验的领域专家对模型的超参数进行人工配置,并不断地进行调整和优化,不仅增加了模型的使用难度,而且带来了较高的人工成本。针对这一问题,提出了基于进化算法的LSTM降水量预测方法体系。该方法体系从优化理论的角度对LSTM降水量预测模型的超参数搜索空间进行了定义,并以降水量预测精度为进化目标,分别利用遗传算法(GA)和交叉熵遗传混合算法(CEGA)在超参数空间中智能选择最佳的超参数组合,确定预测效果最好、泛化能力最优的LSTM降水量预测模型,进而分别形成了基于遗传算法的LSTM降水量预测模型—GA-LSTM模型和基于交叉熵遗传混合算法的LSTM降水量预测模型—CEGA-LSTM模型。数值实验对比结果表明:GA-LSTM模型和CEGA-LSTM模型在降水量预测中具有较高的准确性,并兼具了自适应、简便、易于推广等优良特性。基于两种模型的降水量预测方法不仅提高了传统方法的预...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图2.1“Nvs1”型LSTM结构

辽宁工程技术大学硕士学位论文62基础理论知识2.1LSTM模型长短期记忆网络（LSTM）是一种反馈型神经网络，采用一种具有累加功能和门控机制的特殊隐层单元作为基础神经元，能在下一个时间步长产生一个权值并联接到自身，以复制自身状态的真实值和累积外部输入信号，因此非常适合用于处理与时....

图2.2LSTM的隐层单元结构图

辽宁工程技术大学硕士学位论文7和公式（2-4）三部分组成。1([,])tittiiWhxb=+（2-2）1tanh([,])tcttccWhxb=+（2-3）1+tttttcicfc=（2-4）首先由公式（2-2）计算获得tx和t1h更新tc的程度系数ti，再由公式（2-3）中的....

图2.3遗传算法迭代过程

辽宁工程技术大学硕士学位论文10图2.3遗传算法迭代过程Figure2.3Geneticalgorithmiterationprocess图2.3中的示例仅用于说明，典型的GA使用30到200大小的群体，交叉率期望取值范围为[0.5，1.0]，变异率常用取值范围为[0.001，0....

图3.1LSTM模型模块

XXX=（3-2）其中normX为归一化后的数据，X为原始数据，meanX、maxX和minX分别为原始数据集的均值、最大值和最小值。最后在数据准备部分还需要根据滑动窗口T对降水量数据进行划分，得到影响因素和目标标签，再将降水量数据集分为训练集和验证集。（2）模型准备假设网络隐层....

本文编号：3945741