LSTM-WBLS模型在日降水量预测中的应用

来源：南京信息工程大学学报·自然科学版杂志2023年第2期北京时间：

作者：韩莹，管健，曹允重，罗嘉

单位：韩莹,南京信息工程大学 自动化学院, 南京, 210044,管健,南京信息工程大学 自动化学院, 南京, 210044,曹允重,南京信息工程大学 自动化学院, 南京, 210044,罗嘉,湖北省公众气象服务中心, 武汉, 430074,jeeaaan@qq.comis_first_author:0,is_contact_author:,sequence:4,first_name:,middle_name:,last_name:,resume:,institute_superscript:

摘要：基于长短时记忆网络(Long Short-Term Memory,LSTM)降水量预测模型存在过拟合、时滞现象,而宽度学习系统(Broad Learning System,BLS) 无需多次迭代的特点有助于解决LSTM的上述缺点.加权宽度学习系统(Weighted Broad Learning System,WBLS)通过在BLS中引入加权惩罚因子约束分配样本权重,降低噪声和异常值对降水量预测精度的影响.本文提出一种LSTM-WBLS日降水量预测模型,选取湖北省巴东站日降水量进行实证研究,并考虑气压、气温、湿度、风速和日照等因素对降水量的影响.实验结果表明,与现有的预测模型相比,LSTM-BLS模型在RMSE、MAE和R2等评价指标上均有显著提升.不同时间步长下,本文模型预测精度均优于现有模型,验证了其稳定性.与LSTM相比,WBLS直接计算权重的特点使得LSTM-WBLS的运算效率并未降低.

关键词：降水量预测;长短时记忆网络;宽度学习系统;加权宽度学习系统;多因素预测

基金资助：南方海洋科学与工程广东省实验室(珠海)基金(SML2020SP007);国家自然科学基金(62076136)