基于AM-GRU的雷电潜势预测模型研究.pdf

目 录 第1章 绪论1 1.1 研究背景及意义1 1.1.1 研究背景1 1.1.2 实践意义和学术价值2 1.2 国内外研究现状3 1.2.1 雷电潜势预测的研究现状3 1.2.2 基于深度学习的时间序列预测方法的研究现状3 1.2.3 深度学习在强对流天气预测中优势的研究现状4 1.3 研究内容及创新点5 1.4 研究方案及技术路线6 第2章 相关技术介绍7 2.1 数据处理相关技术介绍7 2.1.1 基于Scrapy 架构爬虫7 2.1.2 特征工程9 2.2 传统时间序列预测相关技术介绍12 2.2.1 平稳性检验和纯随机检验12 2.2.2 平稳序列分析12 2.2.3 差分整合移动平均自回归模型ARIMA13 2.3 深度学习相关技术介绍14 2.3.1 反向传播神经网络BP15 2.3.2 门控循环神经网络GRU 19 2.3.3 注意力模型AM24 2.4 本章小结25 第3章 数据来源与数据预处理26 3.1 数据来源26 3.1.1 全国逐日闪电定位资料26 3.1.2 气象探空资料27 3.2 数据预处理31 3.2.1 全国闪电定位资料的预处理31 3.2.2 气象探空资料的获取和预处理35 3.3 雷电潜势预测模型数据集的生成及其特征选择43 I 3.3.1 雷电潜势预测模型数据集的生成43 3.3.2 雷电潜势预测模型数据集的特征选择45 3.4 本章小结46 第4章 基于AM-GRU的雷电潜势预测模型构建47 4.1AM-GRU 模型构建47 4.1.1AM-GRU 预测模型架构设计47 4.1.2 激活函数的选择48 4.1.3 超参数的调整策略49 4.1.4 注意力模型的选择51 4.2 数据集的读取策略52 4.2.1 滑动时间块的调整52 4.2.2 数据读取规则53 4.3 本章小结53 第5章 实验验证54 5.1 实验设置54 5.1.1 实验环境54 5.1.2 实验数据55 5.1.3 模型评价标准55 5.2 实验过程56 5.2.1ARIMA 模型实验56 5.2.2BP 神经网络模型实验60 5.2.3AM-GRU 模型实验61 5.2.4 结果分析62 5.3 本章小节66 第6章 结论与展望67 6.1 结论67 6.2 展望67 参考文献68 攻读硕士学位期间科研成果73 致谢74 II Contents Chapter1Introduction1 1.1Researchbackgroundand significance1 1.1.1Researchbackground1