TEMPERATURE FORECAST BASED ON INTEGRATION OF GRU NEURAL NETWORK AND GREY MODEL
-
摘要: 使用传统单一模型预报气温经常出现漏报现象，最终导致预测结果不理想，精度较低。针对单一预报模型稳定性较低，随机性偏高，突发性较多的特点，在深度学习理论的基础上，提出一种采用门控循环单元(GRU)和灰色模型(GM)集成的方法，先分别训练两个模型，再通过权值ω将二者的预测结果进行加权组合，权值ω适当调整模型，改善模型的预报结果，提高模型的预报精度，并加快了运行速度，并且其普遍适用性和应急突发能力得到巨大改善。实验表明，将GRU神经网络加入灰色模型进行气温预报，效果要明显优于单一的模型，其标准差小了近一倍，从而表明实验方法的可行性和有效性。Abstract: The use of traditional single model to forecast temperature often results in omissions, which ultimately leads to unsatisfactory prediction results and low accuracy. To deal with the low stability, high randomness, and excessive abrupt occurrence in a single forecast model, the present study proposes a model using gated recurrent unit (GRU) and grey model (GM) based on deep learning theory. The two models are first trained separately, and then the prediction results of the two are combined using weight w. The weight w appropriately adjusts the models to improve prediction results, increase prediction accuracy, and speed up operation. The universal applicability and emergency response capabilities of the integrated model have been greatly improved. Experiments show that the grey model integrated with GRU neural network for temperature forecasting is significantly better than a single model, and its standard deviation is nearly cut by half, which shows the feasibility and effectiveness of the experimental method.
-
Key words:
- temperature forecast /
- gated cycle unit /
- grey model /
- deep learning
-
表 1 2016年6月1日凌晨和正午时刻的实际值与预测值
时间 属性 数值 凌晨 实际值 16.42 16.58 16.74 16.5 16.43 16.29 16.18 16.05 15.94 16.07 预测值 16.42 16.48 16.59 16.49 16.40 16.31 16.21 16.12 16.03 15.94 正午 实际值 20.16 19.67 19.53 19.58 19.59 19.67 19.47 18.96 18.41 17.95 预测值 20.16 19.98 19.78 19.58 19.39 19.20 19.01 18.82 18.63 18.45 
下载: 导出CSV
表 2 配对样本统计
评价指标 GRU模型 GM模型 GRU-GM模型 实际值 平均值 15.745 15.898 1 16.044 7 16.051 3 样本数量 144 144 144 144 标准差 3.440 33 3.178 21 2.740 02 2.921 95 平均标准误差 0.286 69 0.264 85 0.228 34 0.243 50 模型训练时间/s 94 25 46 —
下载: 导出CSV
表 3 配对样本相关性
评价指标 GRU模型 GM模型 GRU-GM模型 样本个数 144 144 144 相关系数 0.980 0.931 0.999 显著性 0.000 0.000 0.000
下载: 导出CSV
表 4 配对样本检验
评价模型 均值 标准差 平均标准误差 差分的95%置信区间 自由度 双侧显著性 下限 上限 GRU模型 -0.306 36 0.536 61 0.044 72 -0.394 75 -0.217 96 143 0 GM模型 -0.006 57 1.064 43 0.088 70 -0.181 91 0.168 76 143 0.941 GRU-GM模型 -0.153 21 0.274 27 0.022 86 -0.198 39 -0.108 03 143 0
下载: 导出CSV
-
[1] NOAA National Centers for Environmental Information. State of the Climate: National Climate Report for April 2019[R]. published online May 2019, retrieved on January 7, 2021.https://www.ncdc.noaa.gov/sotc/national/201904. [2] 刘宏波, 施益军, 翟国方.灾害响应多元主体协同治理的经验与启示——基于美国和日本的思考[A].中国城市规划学会、重庆市人民政府.活力城乡美好人居——2019中国城市规划年会论文集(01城市安全与防灾规划)[C].中国城市规划学会、重庆市人民政府: 中国城市规划学会, 2019: 11. [3] 李玉恒, 武文豪, 刘彦随.近百年全球重大灾害演化及对人类社会弹性能力建设的启示[J].中国科学院院刊, 2020, 35(3): 345-352. [4] 李泽椿, 毕宝贵, 金荣花, 等.近10年中国现代天气预报的发展与应用[J].气象学报, 2014, 72(6): 1 069-1 078. [5] 张天虎, 鲍艳松, 钱芝颖, 等.基于BP神经网络与遗传算法反演大气温湿廓线[J].热带气象学报, 2020, 36(1): 97-107. [6] 程文聪, 史小康, 张文军, 等.基于深度学习的数值模式降水产品降尺度方法[J].热带气象学报, 2020, 36(3): 307-316. [7] 崔慧慧, 智协飞.基于TIGGE资料的地面气温延伸期多模式集成预报[J].大气科学学报, 2013, 36(2): 165-173. [8] 智协飞, 林春泽, 白永清, 等.北半球中纬度地区地面气温的超级集合预报[J].气象科学, 2009, 29(5): 569-574. [9] 张庆奎, 寿绍文, 陆汉城.卡尔曼滤波方法在极端温度预报中的应用[J].科技信息, 2008(35): 811-812. [10] 翟宇梅, 赵瑞星, 高建春, 等.遗忘因子自适应最小二乘算法及其在气温预报中的应用[J].气象, 2014, 40(7): 881-885. [11] 蔡凝昊, 俞剑蔚.基于数值模式误差分析的气温预报方法[J].大气科学学报, 2019, 42(6): 864-873. [12] 陈辰.基于卡尔曼滤波算法的短期风电功率预测[D].乌鲁木齐: 新疆大学, 2015. [13] 熊雄, 姚薇, 叶小岭, 等.基于空间回归的B样条拟合在地面气温资料质量控制中的应用[J].热带气象学报, 2020, 36(4): 489-498. [14] 曾静.基于机器学习的多气象因子模式预报温度订正模型[D].杭州: 浙江师范大学, 2020. [15] 钟海燕.机器学习方法在临近降雨预报中的应用研究[D].南宁: 南宁师范大学, 2019. [16] 李逸.基于时空序列网络的气象预报格点订正算法研究[D].长沙: 湖南师范大学, 2019. [17] 方颖, 李连发.基于机器学习的高精度高分辨率气象因子时空估计[J].地球信息科学学报, 2019, 21(6): 799-813. [18] 陶晔, 杜景林.基于随机森林的长短期记忆网络气温预测[J].计算机工程与设计, 2019, 40(3): 737-743. [19] 门晓磊, 焦瑞莉, 王鼎, 等.基于机器学习的华北气温多模式集合预报的订正方法[J].气候与环境研究, 2019, 24(1): 116-124. [20] SCHMIDHUBER, JÜRGEN. Deep Learning in Neural Networks: An Overview[J]. Neural Netw, 2015, 61: 85-117. [21] 詹姆斯·D·汉密尔顿著, 时间序列分析[M].北京:中国人民大学出版社, 2015. [22] CHO K, VAN MERRIENBOER B, GULCEHRE C, et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation[J]. available: https://arxiv.org/abs/1406.1078, September 2, 2014. [23] GRAVES A, JAITLY N, MOHAMED A R. Hybrid speech recognition with Deep Bidirectional LSTM[C]// Automatic Speech Recognition and Understanding (ASRU), 2013 IEEE Workshop on. IEEE, 2013. [24] 黄建风, 陆文聪.基于小波-NAR神经网络的气象要素时间序列预测与天气指数彩虹期权估值[J].系统工程理论与实践, 2016, 36(5): 1 146-1 155. [25] BROCKWELL P J, DAVIS R A. Time Series: Theory and Methods[M]. Springer Verlag, 2015. [26] 王增平, 赵兵, 纪维佳, 等.基于GRU-NN模型的短期负荷预测方法[J].电力系统自动化, 2019, 43(5): 53-62. [27] 刘洋.基于GRU神经网络的时间序列预测研究[D].成都: 成都理工大学, 2017. [28] NICHOLAS G P, VADIM O S. Deep learning for short-term traffic flow prediction[J]. Transportation Research Part C Emerging Technologies, 2017. [29] 刘思峰, 杨英杰.灰色系统研究进展(2004—2014)[J].南京航空航天大学学报, 2015, 47(1): 1-18. [30] 杜勇立, 王昌衡.灰色GM(1, 1)模型在单桩极限承载力预测中的应用[J].公路工程, 2008(4): 166-168. [31] JOSÉ L A, SIEBERT N. Dynamic Line Rating Using Numerical Weather Predictions and Machine Learning: a Case Study[J]. IEEE Transactions on Power Delivery, 2017, 32(1): 335-343. -
点击查看大图
图(10) / 表(4)
计量
- 文章访问数: 479
- HTML全文浏览量: 40
- PDF下载量: 46
- 被引次数: 0
粤公网安备 4401069904700003号