[发明专利]基于LSTM神经网络的粮食总产量多维时间序列预测方法

权利要求书

1.基于LSTM神经网络的粮食总产量多维时间序列预测方法，其特征在于：包括以下步骤：S01)、对输入数据进行预处理，取过去特定时间段内的多种农产品产量数据作为LSTM神经网络的训练集，对LSTM神经网络进行训练前，首先对训练集的数据进行归一化的预处理，设训练集为矩阵X，

经过归一化处理之后变为矩阵：

其中i＝1,2,...,n，j＝1,2,...,24,这里

为矩阵X^R第j列变量的最小值，为矩阵X^R第j列变量的最大值，为矩阵X^R第j列变量的极差，经过变换后，所得农产品产量数值均在0-1之间，完成了归一化处理；

S02)、设计LSTM神经网络架构，LSTM神经网络架构包括输入层、LSTM层、Dropout层、LSTM层、Dropout层、Dense层和输出层，输入层输入经过预处理的数据，然后依次经过LSTM层、Dropout层、LSTM层、Dropout层、Dense层的迭代运算，最后输出预测结果；其中LSTM层使用LSTM函数对输入数据进行计算；Dropout层为了防止训练出来的模型过拟合，它在模型训练过程中更新参数时暂时随机断开指定数量的神经元；Dense层是全连接层，其运算为output＝activation(dot(input,weight)+bias)，其中activation是激活函数，dot为矩阵相乘运算函数，input是Dense层的输入，也是输入层的数据依次经过LSTM层、Dropout层、LSTM层、Dropout层的运算得到的输出值，weight是权重矩阵，bias为偏置值，output就是最后输出的预测结果。

2.根据权利要求1所述的基于LSTM神经网络的粮食总产量多维时间序列预测方法，其特征在于：LSTM层采用累加的线性形式来处理序列数据信息，LSTM层内部的计算过程为；

f_t＝σ(W_f·[h_t-1,X_t]+b_f) (1)，

i_t＝σ(W_i·[h_t-1,X_t]+b_i) (2)，

o_t＝σ(W_o·[h_t-1,X_t]+b_o) (5)，

h_t＝o_t·tanh(c_t) (6)，

其中，f_t表示遗忘门，σ表示sigmoid函数，W_f表示遗忘门的权重矩阵，h_t-1表示上一时刻的输出，X_t表示当前时刻的输入数据，[h_t-1,X_t]表示将h_t-1、X_t在水平方向拼接为一个长向量，b_f表示遗忘门的偏置值，i_t表示输入门，W_i表示输入门的权重矩阵，b_i表示输入门的偏置值，表示当前输入的单元状态，W_c表示当前输入的单元状态的权重矩阵，b_c表示当前输入的单元状态的偏置值，c_t表示当前时刻的单元状态，它是由遗忘门f_t乘以上一时刻的单元状态c_t-1，再加上输入门i_t乘以当前输入的单元状态o_t表示输出门，W_o表示输出门的权重矩阵，b_o表示输出门的偏置值，h_t表示最终的输出，它由输出门o_t乘以当前时刻单元状态c_t的tanh函数值。

3.根据权利要求1所述的基于LSTM神经网络的粮食总产量多维时间序列预测方法，其特征在于：激活函数为ReLU函数。