改进的LSTM模型在月降水量预测中的应用

月降水量变化呈现显著的非线性特征,对其进行精准预测难度很大.近年来,长短时记忆网络(LSTM)在降水量预测中优势明显.然而,LSTM的深层结构造成了其存在过拟合、时滞等缺点,从而影响预测精度.借助平行学习结构-宽度学习系统(BLS)直接计算权重的特点,提出改进的LSTM-BLS降水量预测模型.选取湖北省五个具有不同气候特征的代表性测站点进行实证研究.结果表明,与基线模型和已有的预测模型相比,现有模型在所有评价指标上均预测精度最高.特别地,由于BLS模块加入解决了LSTM的时滞性问题,新模型在强降水和干旱月份预测精度提升明显.不同时间步长下,新模型预测精度亦表现最佳,证明了其稳定性.在运算效率上,LSTM-BLS和LSTM相比,并未降低.