[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

说明书

本发明公开一种基于LSTM神经网络的粮食总产量多维时间序列预测方法，基于LSTM神经网络，采用多种农产品的产量数据作为LSTM神经网络输入数据的多个维度变量，建立基于LSTM神经网络的多维时间序列预测模型，因为考虑了多种农产品的产量数据，且采用叠加的LSTM来处理序列数据信息，避免了梯度消失问题，预测效果好，精度高，适用性好。

技术领域

本发明涉及一种粮食总产量预测方法，具体的说，是一种基于LSTM神经网络的粮食总产量多维时间序列预测方法，属于粮食产量预测领域。

背景技术

目前对于粮食产量预测领域的研究，已经形成了多种预测方法，如指数平滑模型、灰色预测法、ARIMA模型、遥感技术预测模型、统计动力学生长模型、气象产量预测模型、神经网络模型等。经调研，这些方法大多只使用粮食产量的历史数据对未来一段时间内的粮食产量进行预测，而粮食的总产量往往受其他农产品的影响，如种植面积一定的情况下种植玉米的农田面积增大时种植其他农作物的农田面积就相对减小，相应的农作物产量就相对减少。因此，将多种农产品作为多个维度对粮食总产量进行预测，其精确度相对较高。

随着深度学习技术的迅速发展，循环神经网络(RNN)已经在多个领域得到了广泛的应用，并取得了良好的效果。而在处理时间序列问题上循环神经网络是最常用的工具，因为它具有记忆功能，可以记住前几次的结果。但是它的记忆功能有限，不能够记住很久很久之前的结果，进而无法解决长距离依赖问题。

发明内容

本发明要解决的技术问题是提供一种基于LSTM神经网络的粮食总产量多维时间序列预测方法，建立基于LSTM神经网络的多维时间序列预测模型，采用多种农产品的产量数据作为输入数据的多个维度变量，预测效果好，精度高。

为了解决所述技术问题，本发明采用的技术方案是：基于LSTM神经网络的粮食总产量多维时间序列预测方法，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，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。

进一步的，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)，