多通道CNN-BiLSTM的短时温度预测

作者：李昌响; 赵嘉^*; 韩龙哲; 樊棠怀; 李桢桢

来源：江西师范大学学报(自然科学版), 2023, 47(03): 325-330.

DOI：10.16357/j.cnki.issn1000-5862.2023.03.13

• 温度预测
• 卷积神经网络
• 长短期记忆网络
• 多通道
• 多尺度特征

温度数据具有明显的反向、时序相关性及多尺度特征，提升温度预测精度的关键在于能否有效提取温度数据的上述特征.为提取这些特征，该文提出一种多通道卷积双向长短期记忆网络(convolutional neural network-bidirection long short-term memory, CNN-BiLSTM)的短时温度预测模型.该模型首先利用双向长短期记忆网络(BiLSTM)提取数据的反向特征、时序相关性特征；再利用多通道且不同尺寸、不同膨胀率的卷积神经网络(CNN)提取数据的多尺度特征，组成在学习多尺度特征后的数据，将其和原始数据作为BiLSTM层的多通道输入，输出的数据经过全连接层，形成最终的预测结果.实验结果表明：多通道CNN-BiLSTM的短时温度预测模型能有效地提取数据的时序相关性、反向及多尺度特征，可有效地提升温度预测精度，是一种行之有效的短时温度预测模型.

• 单位
  南昌工程学院