-
题名EMD分解与深度学习结合的温度序列时空建模
- 1
-
-
作者
熊秋
彭龑
-
机构
四川轻化工大学自动化与信息工程学院
人工智能四川省重点实验室
-
出处
《宜宾学院学报》
2024年第12期38-43,共6页
-
基金
自贡市科技局科技计划资助项目(2018GYCX33)。
-
文摘
针对不同地区大气温度数据的复杂时空特征,提出一种基于经验模态分解(EMD)的温度序列时空建模方法.根据站点的经纬度坐标及站点温度的相关性建立图模型,对各个站点温度序列进行EMD分解,将原始数据分解为若干个模态函数;通过分析每个模态函数与原始数据的相关性,将不相关的模态函数分别相加,使用时空特征提取模块(GCN-LSTM)分别训练原数据和不相关数据,相减后输出,以捕捉数据的非线性时空关系.实验证明模型在多站点气温预测任务中,均方根误差较LSTM、GCN和GCN-LSTM模型分别下降了1.368、1.043、0.795,平均绝对误差分别下降了0.695、0.1625和0.1625.
-
关键词
经验模态分解(EMD)
图卷积网络(GCN)
长短期记忆网络(LSTM)
温度序列时空建模
-
Keywords
Empirical Mode Decomposition(EMD)
Graph Convolutional Network(GCN)
Long Short-Term Memory Network(LSTM)
temperature sequence spatiotemporal modeling
-
分类号
TP389.1
[自动化与计算机技术—计算机系统结构]
-
