[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

摘要

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。

主权项

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。