10.3969/j.issn.1671-1807.2023.03.039
LSTM在低能见度预报中的应用
低能见度天气是制约交通出行的主要因素之一,提前做好低能见度的预报工作能利于提前决策、规避风险、降低损失.由于低能见度天气是时间序列问题,针对这种问题,近年来深度学习的长短时记忆网络模型能够显著提高预报精度,因此利用多变量数据对茅台机场低能见度进行预测.首先进行气象因素分析,利用皮尔逊相关系数法来挑选相关性高的气象因子,从而减小数据量得到更利于训练的数据集.然后利用 LSTM网络对多元时间序列进行建模,实现机场低能见度的预测.经过试验,模型对茅台机场能见度的准确预报率为 85.43%,为机场低能见度预报提供了新的方法.
多元时间序列、长短时记忆网络、低能见度、机场
23
TP183;TP391.4(自动化基础理论)
2023-03-31(万方平台首次上网日期,不代表论文的发表时间)
共6页
273-278