在CNN-LSTM模型中,空间特征和时间序列特征被融合在一起,通过多层神经网络进行训练和预测。模型通过反向传播算法优化参数,不断提高模型的预测准确性。 除了CNN-LSTM模型本身,气象要素关联也是气温时空预测的重要因素。气象要素包括大气压力、湿度、降水等,它们与气温之间存在着一定的关联关系。通过分析和挖掘这些气象要素之间...
结果表明，与单独使用LSTM 、CNN 进行预测及使用ARIMA 模型预测相比，CNN-LSTM 模型预测结果具有更高的准确率。关键词：CNN-LSTM 模型；ARIMA 时间序列模型；全球气温预测；环境问题 中图分类号：X144 文献标志码：A 文章编号：2095-6835（2024）02-0019-04 ———＊［基金项目］贵州省重点支持领域项目“基...
(1DCNN)能够进行特征提取的特点和长短期记忆神经网络(LSTM)较强的时间序列数据处理能力,构建了一种多信息融合气温预测模型1DCNN-LSTM.该模型在1DCNN和LSTM神经网络的互补作用下,能够有效地克服单一预测模型的局限性,具有更强的学习能力,泛化能力以及非线性预测能力,进一步提高中长期气温预测精度.具体研究结论如下:(1)...
对于不同气温时的用水需求预测,CNN-Bi-LSTM模型依然具有最好的表现。引入修正后模型的误差降低。 文章同样统计了模型训练所需的时间。对模型进行600次训练时,CNN-Bi-LSTM模型训练时间高于SAEs模型,低于其他模型。但是CNN-Bi-LSTM模型达到稳定时需要的循环数只为SAEs模型的一半。因此,CNN-Bi-LSTM模型具有优秀的表现。
利用CNN卷积层和池化层为特征提取模块,从而获得了数据特征;将重构信息注入LSTM网络中挖掘气温的时序特征。结果表明,与单独使用LSTM、CNN进行预测及使用ARIMA模型预测相比,CNN-LSTM模型预测结果具有更高的准确率。 【总页数】4页(P19-22) 【作者】严迅;铁承城;鄢薇;何杰艳;管春春;吕井明 【作者单位】贵州理工...
Something went wrong and this page crashed! If the issue persists, it's likely a problem on our side. Unexpected end of JSON input SyntaxError: Unexpected end of JSON input
luqinzhengsss · 1y ago· 235 views arrow_drop_up0 Copy & Edit10 more_vert 多序列并行1dCNN+LSTM气温预测NotebookInputOutputLogsComments (0)Output Data An error occurred: Unexpected end of JSON input Download notebook output navigate_nextminimize content_copyhelp...