科研之友
微信
新浪微博
Facebook
分享链接
摘要
月降水量变化呈现显著的非线性特征，对其进行精准预测难度很大。近年来，长短时记忆网络(LSTM)在降水量预测中优势明显。然而，LSTM的深层结构造成了其存在过拟合、时滞等缺点，从而影响预测精度。借助平行学习结构-宽度学习系统(BLS)直接计算权重的特点，提出改进的LSTM-BLS降水量预测模型。选取湖北省五个具有不同气候特征的代表性测站点进行实证研究。结果表明，与基线模型和已有的预测模型相比，现有模型在所有评价指标上均预测精度最高。特别地，由于BLS模块加入解决了LSTM的时滞性问题，新模型在强降水和干旱月份预测精度提升明显。不同时间步长下，新模型预测精度亦表现最佳，证明了其稳定性。在运算效率上，LSTM-BLS和LSTM相比，并未降低。
- 出版日期2023
- 单位自动化学院; 南京信息工程大学
