[发明专利]基于LSTM-DNN网络模型的实时天气预测算法

说明书

本发明公开了一种基于LSTM‑DNN（长短期记忆网络‑深度神经网络）网络模型的实时天气预测算法，主要应用于推测未来天气情况。所示算法分为两个网络，分别是：深度神经网络和长短期记忆网络。深度神经网络根据多种气象要素以当时天气情况，对输入数据进行人工分类，搭建根据天气要素推测天气情况的深度全连接网络来对其进行分类。LSTM网络通过对输入数据进行归一化、向量化处理，从而预测出未来时间段内多种气象要素的变化值。将LSTM网络的输出作为已经训练完成的DNN网络的输入，连接两个网络构成LSTM‑DNN网络后，可基于当时气象要素推测未来天气情况。本发明将LSTM‑DNN网络模型应用于气象领域，提供一种可实现的实时天气情况预测方法。

技术领域

本发明涉及气象与深度学习领域，是一种基于LSTM-DNN网络模型的实时天气预测算法。

背景技术

现代化进程的发展，越来越强调各项工作的结果与效率，而无法预测的天气状况将会给人们的生产生活带来极大的影响。天气变化对交通方面的影响尤为显著，暴雨、暴雪等各种极端天气不仅影响人们的出行，更严重的可能会造成交通拥挤甚至发生车祸等意外事故。除此以外，恶劣天气还可能造成各行各业的停工停产，影响社会进程的推进。因为全球环境变化的影响，天气预测变得愈加复杂，天气状况会受到大气中各种物质的影响，一天内的天气可能会发生多次改变，天气现象的这种随机变化的特点使得现有的监测方式很难对短时间内的天气变化做出及时准确的判断。如果能实现天气的随时观测，将对交通、农业、天气预警等带来非常大的便利。

气象预测技术的方法类别繁多，传统的方法为基于天气物理动力学以及常规的经验预报技术，较新的方法为多元统计分析、概率统计预测和时间序列分析。随着计算机技术发展，新兴技术创新带来的不仅是挑战，同时也给气象预

测技术带来了发展机遇。得益于深度学习的发展,目前有很多网络结构能够从大数据中挖掘数据内部蕴含的信息。目前来说，用深度学习技术尤其是序列模型进行气象预测往往都基于单一属性作为研究对象进行分析。

发明内容

本发明要解决的技术问题是克服现有技术中对天气的预测很难短时间内的天气变化做出及时准确的判断缺陷，提供一种基于LSTM-DNN网络模型的实时天气预测算法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明公开了一种基于LSTM-DNN网络模型的实时天气预测算法，主要应用于推测未来天气情况。所示算法分为两个网络，分别是：深度神经网络和长短期记忆网络。深度神经网络根据气象要素以及当时天气情况，对输入数据进行人工分类，搭建根据天气要素推测天气情况的深度全连接网络来对其进行分类。LSTM网络通过对输入数据进行预处理，从而预测出未来时间段内多种气象要素的变化值。LSTM网络得到预测的多种气象要素值作为后半部分DNN网络的输入，DNN的网络权值使用训练完成的模型参数，将训练后的两个网络连接构成LSTM-DNN网络后，可基于当时气象要素推测未来天气情况。本发明将LSTM-DNN网络模型应用于气象领域，提高预测速度且有不错的准确率，实现天气的实时预测。

本发明以深度神经网络和长短期记忆网络为理论支持，对某地区近年来的每小时的气象要素进行分类，进而对输入数据进行归一化、向量化处理，并预测出未来时间段内多种气象要素的变化值，最后基于当时气象要素推测未来天气情况。能够更好的拟合真实天气状况，进而根据气象要素以及当时天气情况，对输入数据进行人工分类，搭建根据天气要素推测天气情况的深度全连接网络对其进行分类。

有益效果：

一、根据天气要素推测天气情况进而对其进行分类。传统的气象分类是基于某一特定气象要素，且更加依赖于人工观测和人工器测。该专利中使用多气象要素数据，是数据为多维度序列的多分类问题，运用DNN进行气象分类，可使得多种气象要素作用于气象分类起。该分类提供了一种新的分类气象分类方法，使气象预测更加智能化、灵活化，此方法为后续气象要素预测气象分类提供了基础。