基于LSTM-GM神经网络模型的风暴潮增水预报方法

为充分挖掘风暴潮增水的时序关联特性,提高风暴潮增水的预报精度,综合考虑台风因素、气象要素和天文潮因素对风暴潮增水的影响,结合长短期记忆(LSTM)神经网络和灰色模型(GM)的优势,提出基于LSTM-GM神经网络模型的风暴潮增水预报方法。利用该方法采用12场历史台风数据对小清河入海口风暴潮增水进行模拟预报,并将预报结果与LSTM神经网络、BP神经网络的预报结果进行对比。结果表明:相较于LSTM神经网络和BP神经网络,LSTM-GM神经网络模型的纳什效率系数分别提高了6.5%和11.4%,均方根误差分别降低了70.6%和72.2%,平均相对误差分别降低了50%和69.2%;LSTM-GM神经网络模型可有效处理风暴潮增水与各影响因素间的非线性关系,提高风暴潮增水预报的精度。

一种误差修正的中国交通碳排放预测方法

交通碳排放预测问题的影响因素众多,内在机理复杂。为了充分挖掘交通碳排放系统的内在关系并提高预测精度,本文综合了人口、经济、技术、交通四个维度对碳排放的影响,考虑LSTM模型和GM模型各自的优势,提出了一种误差修正的交通碳排放预测方法。将预测结果与其他模型的预测结果进行了对比,各项指标均表明本文提出的模型预测精度更高。