基于GRU-CNN模型的云南地区短期气温预测.pdf

1、本文档共5页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

409计算机仿真20239

第卷第期年月

文章编号:1006－9348(2023)09－0472－05

基于GＲU－CNN模型的云南地区短期气温预测

1121

辉，，征，南

刘家梅平刘长刘剑

(1．，210044;

南京信息工程大学自动化学院江苏南京

2．，100081)

国家气候中心北京

:，CNN()GＲU()，

摘要为了利用较少的预测数据提高短期温度预测精度将卷积神经网络与门控循环单元网络相结合开展

;81980－2019

了深度学习技术在云南地区的日最高最低气温预测的应用提取了云南地区个站点年的日度最高最低气温

，CNN、GＲUGＲU－CNN，

数据将过去三十天的最高最低气温数据进行预处理后输入与模型进行训练最终利用训练好的模

。ＲMSE()MAE()

型对站点未来三天的最高最低气温进行预测在利用均方根误差和平均绝对误差对预测效果进行评价

，GＲU－CNNCNNGＲU。GＲU，

后结果显示模型的预测效果显著优于模型和模型模型可以提取序列的时间变化特征而

CNN，，

可以提取数据空间变化的深层局部特征二者的结合提高了模型的适应能力让模型可以应对诸如气温预测等复杂的

深度学习问题。

:;;;

关键词气温预测卷积神经网络门控循环单元网络深度学习

中图分类号:TP391文献标识码:B

Short－TermTemperaturePredictioninYunnanＲegion

该用户很懒，什么也没介绍

咨询Ta 进入空间

更多 >