CN110059082A - 一种基于1D-CNN与Bi-LSTM的天气预测方法 - Google Patents
一种基于1D-CNN与Bi-LSTM的天气预测方法 Download PDFInfo
- Publication number
- CN110059082A CN110059082A CN201910307685.7A CN201910307685A CN110059082A CN 110059082 A CN110059082 A CN 110059082A CN 201910307685 A CN201910307685 A CN 201910307685A CN 110059082 A CN110059082 A CN 110059082A
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- cnn
- lstm
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于1D‑CNN与Bi‑LSTM的天气预测方法,基于气象站点观测数据和数值预报产品,对数据进行清洗,对两种气象数据进行时间错位处理,对站点号进行one‑hot编码,进行数据标准化,将数据转换到0‑1的范围区间,去除数据的单位限制,将其转化为无量纲的纯数值;然后,通过基于1D‑CNN和Bi‑LSTM的深度学习网络训练处理好的数据、生成预测模型,最后用训练好的模型预测待预测的气象数据,并对其进行反归一化,得到最终的气象数据预测结果。采用本发明可以提高天气预报的预测精度。
Description
技术领域
本发明具体涉及一种基于1D-CNN与Bi-LSTM的天气预测方法。
背景技术
天气现象与人类的日常生活、社会经济、军事活动等诸多方面密切相关。突然的暴雨、意外的***等自然灾害会造成生命危险和重大财产损失。准确的天气预报使我们为突然的暴雨、降温和其他突然的天气变化做好准备,不仅有助于人们的日常生活,也可以在交通、工业、畜牧业等领域做出贡献。
传统的天气预报主要是基于数学模型的数值天气预报,数值预报模型存在精度低的缺点。目前,BP(反向传播)算法、LSTM(长短期记忆网络)等算法也开始应用于天气预报中,但仍然存在精度较低的问题。因此,需研究一种基于深度学习的天气预测方法,进一步提高天气预报的预测精度。
发明内容
发明目的:本发明的目的是提供一种基于1D-CNN与Bi-LSTM的天气预测方法,针对传统数值天气预报精度不足的问题,致力于提高天气预报的预测精度。
技术方案:本发明所述的一种基于1D-CNN与Bi-LSTM的天气预测方法,包括以下步骤:
(1)输入气象历史数据,包含气象站点观测数据和数值预报产品;
(2)对气象历史数据进行数据清洗,包括删除异常值,通过插值方法填充缺省值;
(3)通过时间错位的方法处理清洗后的气象数据,形成训练数据,生成适应模型结构的输入格式;
(4)引入站点号特征,并对站点号进行one-hot编码,通过N个特征记录N个站点的站点号;
(5)对数据进行数据标准化,将数据转换到0-1的范围区间,去除数据的单位限制,将其转化为无量纲的纯数值;
(6)设计基于1D-CNN和Bi-LSTM的深度学习网络,训练经过步骤(5)处理过的数据,生成预测模型;
(7)使用步骤(6)训练好的模型预测待预测的气象数据,并对其进行反归一化,得到最终的气象数据预测结果。
步骤(2)所述的填充缺省值通过以下公式实现:
其中,t表示缺省数据的时刻,m表示大于t时刻的最近有值时刻,xm表示m时刻的气象值,n表于小于t时刻的最近有值时刻,xn表示n时刻的气象值,xt为待填充的t时刻的缺省值。
步骤(3)所述的训练数据包括前N个时刻的气象观测数据和0-N时刻的数值预报产品数据。
步骤(5)所述的数据标准化计算公式为:
其中,x_ori表示经步骤(4)处理后的数据,x_min表示气象数据的最小值,x_max表示气象数据的最大值,x表示数据标准化后的输出数据。
步骤(6)所述的1D-CNN与Bi-LSTM的深度学习网络由输入层、1D-CNN层、池化层、Bi-LSTM层、全连接层和池化层构成,损失函数选择均方误差损失函数,优化器选择Adam优化器。
步骤(7)所述的数据反归一化通过以下公式实现:
x_out=x_pred×(x_max-x_min)+x_min
其中,x_pred表示经步骤(6)网络输出的数据,x_min表示气象数据的最小值,x_max表示气象数据的最大值,x_out表示经过反归一化后的气象预测结果。
有益效果:与现有技术相比,本发明的有益效果:本发明提出数据清洗、对气象数据进行时间错位处理、one-hot编码站点号,数据标准化等数据预处理手段,以及结合1D-CNN和Bi-LSTM的深度学习网络,有效提高了天气预报的预测精度。
附图说明
图1为本发明的流程图;
图2为本发明实施的深度学习网络模型结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。如图1所示,本发明包括以下步骤:
1、输入气象历史数据,气象历史数据包括气象站点观测数据和数值预报产品。
2、对输入的气象历史数据进行数据清洗,包括删除异常值,通过插值方法填充缺省值;
气象站点观测数据和数值预报产品中的每个气象要素都有其范围,删除不在气象要素范围内的异常值;通过线性插值的方式填充缺省值,填充公式如下:
式中,t表示缺省数据的时刻,m表示大于t时刻的最近有值时刻,xm表示m时刻的气象值,n表于小于t时刻的最近有值时刻,xn表示n时刻的气象值,xt为待填充的t时刻的缺省值。
3、通过时间错位的方法处理经步骤2清洗后的数据,生成适应模型结构的输入格式。
时间错位方法指预测0-N时刻的气象要素,将前N个时刻的气象观测数据和0-N时刻的数值预报产品数据组合成训练数据。
4、引入站点号特征,并对站点号进行one-hot编码,通过N个特征记录N个站点的站点号。
对站点号进行one-hot编码,通过N个特征记录N个站点的站点号,编码方式如表1所示。
表1编码方式
5、对数据进行数据标准化,将数据转换到0-1的范围区间,去除数据的单位限制,将其转化为无量纲的纯数值;
数据标准化计算公式为:
式中,x_ori表示经步骤S4处理后的数据,x_min表示气象数据的最小值,
x_max表示气象数据的最大值,x表示数据标准化后的输出数据。
6、设计基于1D-CNN(一维卷积)和Bi-LSTM(双向长短期记忆网络)的深度学习网络,训练经过步骤2到步骤5处理过的数据,生成预测模型。
基于1D-CNN与Bi-LSTM的深度学习网络由输入层、1D-CNN层、池化层、Bi-LSTM层、全连接层和池化层构成,损失函数选择均方误差损失函数,优化器选择Adam优化器。其中,基于1D-CNN与Bi-LSTM的深度学习网络结构如表2所示,模型如图2所示。
表2本发明的深度学习网络结构
7、使用步骤6训练好的模型预测待预测的气象数据,并对其进行反归一化,得到最终的气象数据预测结果。
数据反归一化的计算公式为:
x_out=x_pred×(x_max-x_min)+x_min
式中,x_pred表示经步骤S6网络输出的数据,x_min表示气象数据的最小值,x_max表示气象数据的最大值,x_out表示经过反归一化后的气象预测结果。
预测精度衡量指标如下式所示:
其中n为评测样本总数,为第i个样本的实际观测值,为第i个样本的模型预测值,RMSE(M)表示数值天气预报模式数据与真实数据的均方根误差,RMSE(model)表示模型预测数据与真实数据的均方根误差,总得分会先计算三个预测指标的得分后求平均值。
表3为本发明提出的方法与其他常规方法对比的结果。测试日期为2018年9月1号到2018年11月1号,共62天。其中,表中抽选7天,Testa1为2018年9月24日,Testa2为2018年10月15日,Testb1-Testb5为2018年10月28日到2018年11月1日,Aver_7为7天平均成绩,Aver_62为62天平均成绩。
通过对比可见,本发明提出的方法优于其他常规方法,天气预报的预报准确率更高。
表3本发明实施模型预测分数与其他方法对比结果
Claims (6)
1.一种基于1D-CNN与Bi-LSTM的天气预测方法,其特征在于,包括以下步骤:
(1)输入气象历史数据,包含气象站点观测数据和数值预报产品;
(2)对气象历史数据进行数据清洗,包括删除异常值,通过插值方法填充缺省值;
(3)通过时间错位的方法处理清洗后的气象数据,形成训练数据,生成适应模型结构的输入格式;
(4)引入站点号特征,并对站点号进行one-hot编码,通过N个特征记录N个站点的站点号;
(5)对数据进行数据标准化,将数据转换到0-1的范围区间,去除数据的单位限制,将其转化为无量纲的纯数值;
(6)设计基于1D-CNN和Bi-LSTM的深度学习网络,训练经过步骤(5)处理过的数据,生成预测模型;
(7)使用步骤(6)训练好的模型预测待预测的气象数据,并对其进行反归一化,得到最终的气象数据预测结果。
2.根据权利要求1所述的一种基于1D-CNN与Bi-LSTM的天气预测方法,其特征在于,步骤(2)所述的填充缺省值通过以下公式实现:
其中,t表示缺省数据的时刻,m表示大于t时刻的最近有值时刻,xm表示m时刻的气象值,n表于小于t时刻的最近有值时刻,xn表示n时刻的气象值,xt为待填充的t时刻的缺省值。
3.根据权利要求1所述的一种基于1D-CNN与Bi-LSTM的天气预测方法,其特征在于,步骤(3)所述的训练数据包括前N个时刻的气象观测数据和0-N时刻的数值预报产品数据。
4.根据权利要求1所述的一种基于1D-CNN与Bi-LSTM的天气预测方法,其特征在于,步骤(5)所述的数据标准化计算公式为:
其中,x_ori表示经步骤(4)处理后的数据,x_min表示气象数据的最小值,x_max表示气象数据的最大值,x表示数据标准化后的输出数据。
5.根据权利要求1所述的一种基于1D-CNN与Bi-LSTM的天气预测方法,其特征在于,步骤(6)所述的1D-CNN与Bi-LSTM的深度学习网络由输入层、1D-CNN层、池化层、Bi-LSTM层、全连接层和池化层构成,损失函数选择均方误差损失函数,优化器选择Adam优化器。
6.根据权利要求1所述的一种基于1D-CNN与Bi-LSTM的天气预测方法,其特征在于,步骤(7)所述的数据反归一化通过以下公式实现:
x_out=x_pred×(x_max-x_min)+x_min
其中,x_pred表示经步骤(6)网络输出的数据,x_min表示气象数据的最小值,x_max表示气象数据的最大值,x_out表示经过反归一化后的气象预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910307685.7A CN110059082A (zh) | 2019-04-17 | 2019-04-17 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910307685.7A CN110059082A (zh) | 2019-04-17 | 2019-04-17 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110059082A true CN110059082A (zh) | 2019-07-26 |
Family
ID=67317801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910307685.7A Pending CN110059082A (zh) | 2019-04-17 | 2019-04-17 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059082A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582560A (zh) * | 2020-04-22 | 2020-08-25 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN112732797A (zh) * | 2021-01-26 | 2021-04-30 | 武汉理工大学 | 燃料电池汽车驾驶行为分析方法、装置和存储介质 |
CN113011674A (zh) * | 2021-03-31 | 2021-06-22 | 电子科技大学中山学院 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622515A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种天气预测方法 |
CN104978605A (zh) * | 2015-06-08 | 2015-10-14 | 上海电机学院 | 基于深度学习网络的大规模风电功率预测***及方法 |
CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及*** |
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及*** |
CN107679234A (zh) * | 2017-10-24 | 2018-02-09 | 上海携程国际旅行社有限公司 | 客服信息提供方法、装置、电子设备、存储介质 |
CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
CN108491877A (zh) * | 2018-03-20 | 2018-09-04 | 国家气象中心 | 一种分类对流天气概率预报方法及装置 |
CN108830176A (zh) * | 2018-05-25 | 2018-11-16 | 深圳市太空科技南方研究院 | 一种睡眠觉醒检测方法、装置及终端 |
CN109034152A (zh) * | 2018-07-17 | 2018-12-18 | 广东工业大学 | 基于lstm-cnn组合模型的车牌定位方法及装置 |
CN109637545A (zh) * | 2019-01-17 | 2019-04-16 | 哈尔滨工程大学 | 基于一维卷积非对称双向长短时记忆网络的声纹识别方法 |
-
2019
- 2019-04-17 CN CN201910307685.7A patent/CN110059082A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622515A (zh) * | 2012-02-21 | 2012-08-01 | 北京联合大学 | 一种天气预测方法 |
CN104978605A (zh) * | 2015-06-08 | 2015-10-14 | 上海电机学院 | 基于深度学习网络的大规模风电功率预测***及方法 |
CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及*** |
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及*** |
CN107679234A (zh) * | 2017-10-24 | 2018-02-09 | 上海携程国际旅行社有限公司 | 客服信息提供方法、装置、电子设备、存储介质 |
CN107909206A (zh) * | 2017-11-15 | 2018-04-13 | 电子科技大学 | 一种基于深层结构循环神经网络的pm2.5预测方法 |
CN108009674A (zh) * | 2017-11-27 | 2018-05-08 | 上海师范大学 | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 |
CN108399469A (zh) * | 2018-01-31 | 2018-08-14 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习和数值天气预报的天气现象预报方法 |
CN108491877A (zh) * | 2018-03-20 | 2018-09-04 | 国家气象中心 | 一种分类对流天气概率预报方法及装置 |
CN108830176A (zh) * | 2018-05-25 | 2018-11-16 | 深圳市太空科技南方研究院 | 一种睡眠觉醒检测方法、装置及终端 |
CN109034152A (zh) * | 2018-07-17 | 2018-12-18 | 广东工业大学 | 基于lstm-cnn组合模型的车牌定位方法及装置 |
CN109637545A (zh) * | 2019-01-17 | 2019-04-16 | 哈尔滨工程大学 | 基于一维卷积非对称双向长短时记忆网络的声纹识别方法 |
Non-Patent Citations (4)
Title |
---|
CHIOU-JYE HUANG 等: ""A Deep CNN-LSTM Model for Particulate Matter (PM2.5) Forecasting in Smart Cities"", 《SENSORS 2018》 * |
MIKHAIL STARTSEV 等: ""1D CNN with BLSTM for automated classification of fixations, saccades,and smooth pursuits"", 《HTTPS://DOI.ORG/10.3758/S13428-018-1144-2》 * |
SHENGDONG DU 等: ""Deep Air Quality Forecasting Using Hybrid Deep Learning Framework"", 《HTTPS://ARXIV.ORG/ABS/1812.04783V1》 * |
倪铮 等: ""一种基于CNN和RNN深度神经网络的天气预测模型_以北京地区雷暴的6小时临近预报为例"", 《数值计算与计算机应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582560A (zh) * | 2020-04-22 | 2020-08-25 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN111582560B (zh) * | 2020-04-22 | 2023-05-23 | 空间信息产业发展股份有限公司 | 一种基于循环神经网络的水稻产量预测方法 |
CN112732797A (zh) * | 2021-01-26 | 2021-04-30 | 武汉理工大学 | 燃料电池汽车驾驶行为分析方法、装置和存储介质 |
CN113011674A (zh) * | 2021-03-31 | 2021-06-22 | 电子科技大学中山学院 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059082A (zh) | 一种基于1D-CNN与Bi-LSTM的天气预测方法 | |
CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
CN108416366B (zh) | 一种基于气象指数的加权ls-svm的电力***短期负荷预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN103023065B (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
CN107358294A (zh) | 一种基于Elman神经网络的需水预测方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN111079086A (zh) | 一种基于多元联合分布的水资源***多重风险评估方法 | |
CN107590549A (zh) | 一种日本鱿冬生群资源丰度预测方法 | |
CN111144666A (zh) | 一种基于深度时空残差网络的海洋温跃层预测方法 | |
CN114912077A (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报算法 | |
CN114493680B (zh) | 一种基于流刺网调查的渔业资源统计方法及*** | |
CN110046756B (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
CN103049659A (zh) | 一种秘鲁外海茎柔鱼资源补充量预测方法及其应用方法 | |
CN111062511B (zh) | 基于决策树与神经网络的水产养殖病害预测方法及*** | |
CN117935988A (zh) | 基于支持向量回归的再生粗骨料混凝土抗压强度预测方法 | |
CN113011091A (zh) | 一种自动分组的多尺度轻量型深度卷积神经网络优化方法 | |
CN116579504A (zh) | 基于机器学习的池塘海水养殖水温的预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN114971005B (zh) | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 | |
CN117114915A (zh) | 一种基于改进粒子群算法的水产养殖ph值预测方法 | |
CN109711593B (zh) | 一种面向瞬时计算决策的高速铁路沿线风速预测方法 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
Barbosa et al. | Cuckoo search optimization for short term wind energy forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |
|
RJ01 | Rejection of invention patent application after publication |