94、深度学习与机器学习在气象预测中的应用

深度学习与机器学习在气象预测中的应用

一、GRU与LSTM模型在年降雨量预测中的应用

1. GRU单元介绍
   • GRU（Gated Recurrent Unit）是LSTM的简化版本，它的门数量更少且没有内部记忆。其门架构与LSTM类似，遗忘门和输入门合并为一个重置门，更新门处理长期记忆，重置门作为短期记忆单元。
   • GRU计算隐藏状态（$h_t$）分两步：一是计算候选隐藏状态，二是从候选隐藏状态计算隐藏状态。它适用于较小数据集，且由于架构原因训练速度更快。
2. 评估指标
   • 采用均方根误差（RMSE）评估模型性能，公式为：
     [RMSE = \sqrt{\frac{1}{n}\sum_{i = 1}^{N}(y_{pred} - y_{actual})^2}]
     其中，$N$ 是总样本数，$y_{pred}$ 是预测值，$y_{actual}$ 是实际值。
3. 提出的模型
   • Stacked LSTM ：有一个包含2000个垂直堆叠记忆单元的LSTM隐藏层，其后是三个各有500个神经元的密集层。在LSTM隐藏层和密集层后添加丢弃率为0.4的丢弃层以减少过拟合。最终输出密集层有1个神经元，采用线性激活函数。选择Adam优化器，输入时间序列设为1。
   • Bidirectional LSTM (BiLSTM)