递归神经网络在降雨量预测中的应用研究

被引:9
作者
张帅
魏正英
张育斌
机构
[1] 西安交通大学机械制造系统工程国家重点实验室
基金
国家重点研发计划;
关键词
降雨量预测; 递归神经网络; 长短期记忆; 通过时间反向传播;
D O I
暂无
中图分类号
S161.6 [降水、降雪]; TP183 [人工神经网络与计算];
学科分类号
0903 ; 081104 ; 0812 ; 0835 ; 1405 ;
摘要
递归神经网络(RNN)模型近年来在许多任务上表现出了优良的性能。运用具有长短期记忆(LSTM)单元的递归神经网络构建模型和通过时间反向传播(BPTT)算法更新网络权重解决长期降雨量的预测问题,较好地解决了高维数、非线性和局部极小问题。选取了前馈神经网络模型(FNN)、小波神经网络(WNN)模型和整合移动平均自回归(ARIMA)模型3种模型进行验证比较。仿真结果表明,递归神经网络模型优于其他模型,训练结果与实际值接近,预测精度较高。预测结果为农业用水管理、合理制定灌溉制度提供了重要的科学依据。
引用
收藏
页码:63 / 66+71 +71
页数:5
相关论文
共 5 条
[1]   时间序列小波神经网络组合模型在年降雨量预测中的应用 [J].
陶猛 ;
徐淑琴 .
节水灌溉, 2013, (12) :40-42+45
[2]   时间序列模型在降水量预测中的应用研究 [J].
常青 ;
赵晓莉 .
计算机仿真, 2011, 28 (07) :204-206+276
[3]   西北干旱区水循环与水资源问题 [J].
张强 ;
赵映东 ;
张存杰 ;
李耀辉 ;
孙国武 ;
高前兆 .
干旱气象, 2008, (02) :1-8
[4]  
Precipitation forecasting by using wavelet-support vector machine conjunction model[J] . Ozgur Kisi,Mesut Cimen.Engineering Applications of Artificial Intelligence . 2011 (4)
[5]   Long short-term memory [J].
Hochreiter, S ;
Schmidhuber, J .
NEURAL COMPUTATION, 1997, 9 (08) :1735-1780