基于改进双阶段注意力机制的降水智能预报

来源：南京信息工程大学学报·自然科学版杂志2021年第6期北京时间：

作者：戈苗苗，陆振宇，梁邵阳，夏英茹

单位：戈苗苗,南京信息工程大学 电子与信息工程学院, 南京, 210044,陆振宇,南京信息工程大学 人工智能学院, 南京, 210044,nuist10113016@163.com梁邵阳,南京信息工程大学 电子与信息工程学院, 南京, 210044,夏英茹,南京信息工程大学 电子与信息工程学院, 南京, 210044

摘要：为提高现有时间序列算法降水预报的准确率, 本文提出一种基于改进双阶段注意力机制的时间序列降水预报模型(DeepAMogLSTM).该算法分为两部分, 在输入注意力机制中, 使用三层注意力机制对输入序列进行多重关注, 选择稳定的输入特征; 在时间注意力中, 通过选择与目标值最相关的隐层状态, 捕获时间序列的长期相关性.算法同时引入形变长短时记忆网络(Mogrifier LSTM), 增强模型特征表示能力.模型使用2016—2019年预处理的自动站点特征数据和欧洲中期天气预报中心(ECMWF)气象场模式资料进行集成预报, 并利用同期实况观测资料进行模式预报订正.实验结果表明: 该模型在时效为2 h的降水预报中, 各项数值评价指标均有改善, 其中均方根误差为1.877 mm, 平均绝对误差为0.727 mm, 拟合优度(R2)为0.783;同时与其他模型预报订正效果相比, 该模型较好地拟合了实际降水空间分布.

关键词：时间序列预测;降水量预测;形变LSTM;双阶段注意力机制

基金资助：国家自然科学基金(61773220);国家重点研发计划(2016YFC0203301);江苏省自然科学基金(BK20150523);国家自然科学基金联合重点项目(U20B2061)