基于深度神经网络与长短期记忆的两种气象因子动态预报 $(1)$
大气与海洋物理
2021-01-26 v1 无序系统与神经网络
机器学习
计算物理
摘要
在定量气象预报中，计算并分析温度与湿度预报精度十分重要。本研究改进现有神经网络方法以提升预报精度。为达成此任务，我们利用两种组合的气象因子（温度与湿度）分析并探究神经网络中的预报精度与性能。通过应用人工神经网络（ANN）、深度神经网络（DNN）、极限学习机（ELM）、长短期记忆（LSTM）及带窥孔连接的长短期记忆（LSTM-PC）机器学习方法开展模拟研究，并将准确预报值相互比较。数据提取自韩国十个大城市 2014 年 3 月至 2020 年 2 月的低频时间序列以验证我们的观测。为检验方法鲁棒性，发现 LSTM 的误差在预报精度上优于其他四种方法。特别地，作为测试结果，LSTM 在统营市夏季的温度预报均方根误差（RMSE）值为 0.866，低于其他神经网络方法，而 LSTM 在木浦市夏季湿度预报的平均绝对百分比误差（MAPE）值为 5.525，显著优于其他大城市。
引用
@article{arxiv.2101.09356,
title = {Dynamical prediction of two meteorological factors using the deep neural network and the long short term memory $(1)$},
author = {Ki Hong Shin and Jae Won Jung and Sung Kyu Seo and Cheol Hwan You and Dong In Lee and Jisun Lee and Ki Ho Chang and Woon Seon Jung and Kyungsik Kim},
journal= {arXiv preprint arXiv:2101.09356},
year = {2021}
}
备注
33 Pages, 9 figures