[发明专利]一种基于CNN-LSTM的风速预测方法

说明书

本发明公开了一种基于CNN‑LSTM的风速预测方法，该方法包含：对气象要素的原始记录数据进行清洗；以N个站点的F个气象要素的数据作为输入，通过Z‑score方法对数据进行标准化处理，使其满足(0,1)标准正态分布；利用PCA技术将原始气象要素进行线性组合，转换为一组线性不相关的变量；通过LASSO算法提取影响风速变化的气象要素特征集，将其作为预测模型的输入；通过空间特征提取算法提取目标站点和其相邻站点之间的潜在空间关系，得到T个预报时次上的空间特征向量，结合莫兰指数对风速变化的空间关系进行分析检验；通过时间特征提取算法在T个空间特征向量上提取时间特征关系，并采用Adam算法不断优化；以MAPE作为评估指标，在测试集上验证风速预测的准确率。

技术领域

本发明属于计算机数据挖掘领域，设计具体涉及到一种基于CNN-LSTM的风速预测方法。

背景技术

近年来，大风天气预测已经成为气象预测领域及计算机大数据分析领域的研究热点，引起了众多学者的关注。随着大数据的兴起，人们希望计算机能够自主的识别并且理解各种气象要素的含义及其对风速变化产生的影响，使计算机能够更加智能地分析气象数据，从而对气象灾害做到提前预防，减少由此造成的人力物力损失，保障人们的生命和财产安全。风作为大气环境中的基本元素,其研究对于天气气候、环境科学、清洁能源、气象灾害等都具有重要的意义。但由于受温度、气压、海拔、地形、纬度等诸多因素影响,风具有随机性、间歇性、波动性等特点,使得其成为最难预测的气象预报要素之一。

传统预报方法主要是预报员利用经验知识进行天气预测，但这不可避免会因人的主观局限性导致预报偏差，而且传统技术只是对大范围地区的风速情况进行大致预报，无法达到高分辨率、短时精细化的预报效果。基于统计的预报方法只能分析历史时间序列中各气象要素之间的线性关系，难以处理气象要素之间的非线性关系。随着数值预报技术和深度学习技术的快速发展，利用深度学习技术开展气象预测成为必然趋势，可帮助预报员实现时空分辨率数据的高效访问和客观识别。

发明内容

针对上述问题，本发明提出一种基于CNN-LSTM的风速预测方法，充分利用CNN良好的空间特征提取能力和LSTM出色的时间序列特征提取能力，可以有效地解决获取不同站点的复杂地理特征的困难，从时间和空间上提高风速预报的准确性。本发明的具体步骤如下：

S1，对气象要素的原始记录数据进行数据清洗。对于其中的缺损值或奇异值，将该值替换成前后两个值的平均值或是某一时间区间的均值，当遇到非数值型数据时进行数据格式编码；

S2，以N个站点的F个气象要素的历史记录数据作为输入，通过Z-score方法对数据进行标准化处理，使其满足(0,1)标准正态分布；

S3，利用PCA技术将原来具有一定相关性的F个气象要素进行线性组合，通过正交变换将其转换为一组线性不相关的变量；

S4，通过LASSO算法从上步骤产生的变量中提取影响风速变化的气象要素特征集，将其作为预测模型的输入；

S5，通过空间特征提取算法提取目标站点和其相邻站点的气象因素之间的潜在空间关系，得到目标站点在T个预报时次上的空间特征向量，结合莫兰指数对风速变化的空间关系进行分析检验；

S6，通过时间特征提取算法在T个空间特征向量上提取时间特征关系，并采用Adam算法不断优化，获得目标站点的风速预测结果；

S7，以预测值和真实值的拟合度平均绝对百分比误差MAPE作为评估指标，在测试集上验证风速预测的准确率。

本发明的技术方案特征和改进为：

对于步骤S2，本发明采用Z-score数据标准化算法对步骤S1中的数据进行标准化处理，将所有数据同样转换为零值附近区域值，处理后的数据满足(0,1)标准正态分布，定义表示为：