双向多尺度LSTM的短时温度预测

作者：程鹏宇; 赵嘉^*; 韩龙哲; 张翼英; 武延年

来源：江西师范大学学报(自然科学版), 2022, 46(02): 134-139.

DOI：10.16357/j.cnki.issn1000-5862.2022.02.04

• 长短期记忆网络
• 温度预测
• 多尺度
• 反向特征
• 跳跃连接
• 特征融合

针对长短期记忆网络(long short-term memory, LSTM)无法有效提取温度数据的多尺度特征和反向特征的问题，该文提出了一种双向多尺度跳跃LSTM(bidirectional multi-scale skip long short-term memory, BMS-LSTM)的短时温度预测模型.该模型以LSTM为核心单元，采用双向深层网络结构提取反向特征；根据温度数据日的周期性设置跳跃连接数提取多尺度特征，解决了指数增长的跳跃连接数后期跳跃尺度过大的问题；最后使用全连接层进行特征融合预测.实验结果表明：BMS-LSTM成功提取了温度数据的多尺度特征和反向特征，预测均值误差仅为3.890,优于对比模型，是一种有效的短时温度预测模型.

• 单位
  天津科技大学; 深圳市国电科技通信有限公司; 南昌工程学院