本发明专利技术涉及一种基于EMD‑LSTM的融合空间特征的风速预测方法。该方法从监测站点获取时序、空间数据，预处理构建数据集，建立时空预测模型进行风速预测，采用权值贝叶斯优化将两种预测结果融合，得到预测结果。时间模型中对风速率特征进行EMD分解，输入多个LSTM，将每个LSTM的预测分量累加得到仅考虑时序特征的风速预测值。空间模型中对邻近站点风速进行矢量分解并插值，还原风速矢量获取风向和风速率的插值并计算与实际值的距离以获得空间独立性权重。模型融合中依据空间独立性权重进行权值贝叶斯优化，得到融合时空特征的风速值预测。本发明专利技术同时考虑风速预测任务中相关时间特征和空间特征的影响，模型结构和预测方法更加合理。
【技术实现步骤摘要】
本专利技术属于气象预测领域，具体来说是一种基于emd-lstm的融合空间特征的风速预测方法。
技术介绍
1、城市大气污染物的传输和扩散受到风向和风速的显著影响，风向决定了污染物传输和扩散的方向，而风速则直接影响了传输和扩散的速度。因此，如果基于风速和相关环境数据序列构建准确的风速预测模型，能更好地理解城市内大气污染物的扩散规律，评估污染物的分布和浓度，为环境监管部门提供重要的参考依据，以应对城市污染问题。
2、在风速预测任务中，经典的方法通常包括基于统计学的基本模型以及融合多种基本模型的复合型算法。基本模型包括移动平均模型、自回归模型等，而复合型算法包括自回归滑动平均模型(arma)、自回归积分滑动平均模型(arima)等。尽管这些经典模型在简单任务中表现良好，但通常仅适用于单变量的时序预测，并难以捕捉数据中的非线性关系。随着深度学习的快速发展，以gru和lstm为代表的深度循环神经网络因其通用性强、预测精度高等优点在时序预测领域备受关注。然而，在风速预测任务中，相关的空间特征也会对预测结果产生重要影响。因此，单一的循环神经网络模型在风速预测任务中通常表现不佳。
技术实现思路
1、为了更好地支撑生态环境部门的空气污染监管工作，并且在污染出现前后进行快速预测和评估，本专利技术提供一种基于emd-lstm的融合空间特征的风速预测方法，可更为精确地预测城市风速，从而为人民群众的空气质量安全提供科学保障。
2、本专利技术基于上述目的所采用的技术方案如下：
>3、一种基于emd-lstm的融合空间特征的风速预测方法，包括如下步骤：4、目标监测区域内采集时序数据和空间数据，标记当前时刻的风向实际观测值dl，风速率实际观测值vt；对缺失值和异常值进行数据填补，构建时序数据集、空间方向分量；
5、对时序数据中的风速时间序列进行emd分解，提取不同时间尺度的风速分量；并结合全部时序特征作为输入，迭代训练lstm时序模型使其输出预测分量，并反归一化处理后累加得到时序空间的风速预测值；使用训练好的lstm时序模型预测下一时刻的风向时序预测值dt和风速率时序预测值vl；
6、对空间方向分量计算插值，并分别对风速率进行矢量还原得到当前时刻的风向插值预测值dp和风速率插值预测值vp；计算空间独立性权重：wd_a和wv_a；
7、对空间独立性权重进行时空权值贝叶斯优化；获取优化后的空间独立性权重wa_z、wd_z，建立融合预测模型用于对时间、空间的风速矢量进行预测；
8、输出最终风向预测值dz和最终风速率预测值vz。
9、所述时序数据包括监测时间、风速、风向、气温、气压、湿度；所述空间数据包括站点编号、经纬度。
10、所述构建序数据集、空间分量，包括：
11、时序数据集：根据监测时间生成对应的季节特征，进行one-hot独热码处理，并归一化操作；
12、空间分量：筛选出与目标监测站点欧氏距离最近的k个临近站点，并将所有邻近站点该时刻的风速矢量数据进一步分解为东西和南北两个空间方向的风速率分量。
13、所述emd分解中不同时间尺度的风速序列分量特征为短期波动特征、周期性特征或细粒度进一步划分的局部特征。
14、所述迭代训练lstm模型的损失函数定义为：
15、使用均方差损失函数计算风速损失，使用循环损失函数处理角度的周期性来计算风向损失，总体损失为风速损失和风向损失的加权和。
16、所述对空间方向分量计算插值是采用idw反距离权重计算的。
17、风向空间独立性权重wa_a、风速率空间独立性权重wv_a为：wd_a＝|dt-dp|，wv_a＝|vt-vp|。
18、是将所述两个空间独立性权重：wd_a和wv_a，分别带入如下映射函数的wa进行时空权值贝叶斯优化，得到优化后的空间独立性权重wd_z、wd_z；
19、
20、其中，wa代表独立性权重项，用来调整时序预测值和插值预测值的权重，以反映目标站点受周边监测点整体影响的程度；am代表差值范围下限，an代表差值范围上限；wm代表权值分配比例上限，wn代表权值分配比例上限；
21、上式中，若计算wz＜1，则不对wz进行调整；否则若wz＞1时，代表不考虑周围监测点的空间特征，则设置wz＝1。
22、所述融合预测模型为：
23、dz＝(1-wd_z)*dp+wd_z*dl
24、vz＝(1-wv_z)*vp+wv_z*vl
25、其中，dz为最终风向预测值，vz为最终风速率预测值。
26、本专利技术具有以下有益效果及优点：
27、1.算法高度自动化。针对某个特定监测站点，本专利技术只需一次性的lstm训练和时空权值搜索，结束后便可无需人工干预地自动进行风速预测，能够节省大量人力成本。
28、2.算法通用性强。本专利技术的思想具有较好的通用性，无需为不同时间、地域的场景进行额外适配，能够方便地推广到各种场景下的风速预测任务中。
29、3.算法准确性高。本专利技术对多个尺度的气象进行特征分解和提取，以lstm模型为基本模型，同时加权融合监测站点之间的空间性特征，是一种更加合理的新型风速预测方法。本方法相比于以往只考虑时序特征的预测方法具有更高的准确性。
本文档来自技高网...
【技术保护点】
1.一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，所述时序数据包括监测时间、风速、风向、气温、气压、湿度；所述空间数据包括站点编号、经纬度。
3.根据权利要求1所述的一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，所述构建序数据集、空间分量，包括：
4.根据权利要求1所述的一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，所述EMD分解中不同时间尺度的风速序列分量特征为短期波动特征、周期性特征或细粒度进一步划分的局部特征。
5.根据权利要求1所述的一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，所述迭代训练LSTM模型的损失函数定义为：
6.根据权利要求1所述的一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，所述对空间方向分量计算插值是采用IDW反距离权重计算的。
7.根据权利要求1所述的一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，风向空间独立性权重Wd_a、风速率空间独立性权重Wv_a为：Wd_a＝|Dt-Dp|，Wv_a＝|Vt-Vp|。
8.根据权利要求1所述的一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，是将所述两个空间独立性权重：Wd_a和Wv_a，分别带入如下映射函数的Wa进行时空权值贝叶斯优化，得到优化后的空间独立性权重Wd_z、Wd_z；
9.根据权利要求1所述的一种基于EMD-LSTM的融合空间特征的风速预测方法，其特征在于，所述融合预测模型为：
...
【技术特征摘要】
1.一种基于emd-lstm的融合空间特征的风速预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于emd-lstm的融合空间特征的风速预测方法，其特征在于，所述时序数据包括监测时间、风速、风向、气温、气压、湿度；所述空间数据包括站点编号、经纬度。
3.根据权利要求1所述的一种基于emd-lstm的融合空间特征的风速预测方法，其特征在于，所述构建序数据集、空间分量，包括：
4.根据权利要求1所述的一种基于emd-lstm的融合空间特征的风速预测方法，其特征在于，所述emd分解中不同时间尺度的风速序列分量特征为短期波动特征、周期性特征或细粒度进一步划分的局部特征。
5.根据权利要求1所述的一种基于emd-lstm的融合空间特征的风速预测方法，其特征在于，所述迭代训练lstm模型的损失函...
【专利技术属性】
技术研发人员：祁柏林，王宁，孙阳阳，周晓磊，王兴刚，金继鑫，宋春梅，黄迪，李阳，王小雨，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。