基于多变量LSTM神经网络的澳大利亚大火预测研究

• 作者: 李莉 杜丽霞 张子柯
• 来源期刊: 电子科技大学学报
• 关键词: 澳大利亚大火 深度学习 长短周期记忆神经网络(LSTM) 多变量 神经网络
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 复杂性科学|Complexity Sciences
• 页码范围: 311-316
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.12178/1001-0548.2020370

摘要

长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点,在许多实际应用中展现了优异的性能.该文构建了LSTM多变量数据驱动的预测模型,通过多变量输入的方式预测澳大利亚森林大火.首先使用多变量LSTM预测模型对日最高温度进行预测,并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比.研究表明:以相关变量为输入的BP神经网络无法考虑时序变化规律,预测误差最大;以温度单变量为输入的ARIMA根据时序变化做出相应预测,预测效果较好;多变量LSTM预测模型综合考虑了多种因素的相互影响,同时结合了时间序列依赖关系,预测效果最好.最后通过多变量LSTM预测模型对某节点是否着火进行了预测,预测结果与实际值契合较好.总体来说,多变量LSTM预测模型对澳大利亚大火的预测结果可信.