使用深度神经网络与长短期记忆对两种气象因子的动态预测 $(2)$

本文给出了在神经网络算法中使用双变量气象因子（平均温度和平均湿度）的预测精度。我们在计算机仿真后，分析了五种学习架构的结果，包括传统人工神经网络、深度神经网络、极限学习机、长短期记忆以及带窥孔连接的长短期记忆。我们的神经网络模型在七年（2014 至 2020 年）的每日时间序列数据集上训练。从 2500、5000 和 7500 轮训练的训得结果中，我们获得了十个大都市（首尔、大田、大邱、釜山、仁川、光州、浦项、木浦、统营和全州）输出所产生的气象因子预测精度。误差统计量由输出结果得出，我们在操作五种神经网络后相互比较这些值。在测试 1（由具六个输入节点的输入层预测平均温度）中使用长短期记忆模型时，统营在夏季的温度预测计算机仿真中具最低均方根误差（RMSE）值 0.866 $($。预测湿度时，在测试 2（由具六个输入节点的输入层预测平均湿度）中，木浦夏季使用长短期记忆模型的 RMSE 最低，为 5.732 $($。特别地，长短期记忆模型在温度和湿度预报中比其它神经网络模型更准确地预报每日水平。我们的结果可为未来探索和开发新型神经网络评估方法的必要性提供计算机仿真基础。