[發明專利]基于堆疊LSTM-GRU的多參數大氣環境數據生成方法

有效

• 申請號: 202010975903.7
• 申請日: 2020-09-16
• 公開（公告）號: CN112101664B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 林連雷;張珊珊;高翔宇
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

本發明公開了一種基于堆疊LSTM?GRU的多參數大氣環境數據生成方法，由于大氣環境數據樣本具有特征多，數據量巨大的特點，單獨使用LSTM模型訓練需要大量時間。GRU與LSTM相比結構更簡單，網絡參數減少進而收斂速度更快。將LSTM和GRU相結合，在LSTM有效處理大量大氣環境數據的前提下，加快網絡訓練速度。同時由于單層的網絡結構過于簡單，遠遠不能滿足處理大氣環境數據多特征的需求，采用多層的網絡結構實現多參數大氣環境數據生成。

技術領域

本發明涉及氣象監測技術領域，更具體的說是涉及一種基于堆疊LSTM-GRU的多參數大氣環境數據生成方法。

背景技術

目前，準確的大氣環境數據在當今世界中起著重要作用，伴隨著計算機技術迅猛發展。武器裝備的運行與使用都要在自然環境中完成，其所處的綜合自然環境對武器裝備的作戰性能有著復雜且深入的影響。大氣環境作為綜合自然環境的重要組成部分，與空間，地形等環境相比具有多天氣現象、多要素和時變等特點。大氣環境中的風速、風向、降水、溫度、壓力、濕度等等都會對武器裝備產生影響，因此大氣環境數據對評估武器裝備性能有著重要作用。

由于真實試驗會受到人力、物力等各方面資源的限制，近些年來，通過建立虛擬環境和虛擬實體來完成測試。但如果只構建理想環境而不添加真實環境數據，其試驗結果將大打折扣，為提高虛擬試驗的真實性和準確度，將真實大氣環境加入虛擬試驗中成為一種有效的虛擬試驗方法。通過測試可以深入了解大氣環境影響武器裝備的機制，同時可以根據結果進一步提高武器裝備對其所處大氣環境的適應性。因此，為了研究大氣環境數據對武器裝備性能的影響，需要研究大氣環境數據特征，建立準確的大氣環境模型，提供正確全面豐富的大氣環境數據。但是，目前國內外應用深度學習技術進行大氣環境建模的方法較少，大多數方法為對大氣環境中的單一參數，沒有考慮同時對多個大氣環境參數同時生成；并且由于大氣環境數據樣本具有特征多，數據量巨大的特點，現有的模型訓練方法需要大量時間完成模型訓練。

因此，如何高效率生成多參數大氣環境數據是本領域技術人員亟需解決的問題。

發明內容

有鑒于此，本發明提供了一種基于堆疊LSTM-GRU的多參數大氣環境數據生成方法，由于大氣環境數據樣本具有特征多，數據量巨大的特點，單獨使用LSTM模型訓練需要大量時間。GRU與LSTM相比結構更簡單，網絡參數減少進而收斂速度更快。將LSTM和GRU相結合，在LSTM有效處理大量大氣環境數據的前提下，加快網絡訓練速度。同時由于單層的網絡結構過于簡單，遠遠不能滿足處理大氣環境數據多特征的需求，采用多層的網絡結構實現多參數大氣環境數據生成。

為了實現上述目的，本發明采用如下技術方案：

一種基于堆疊LSTM-GRU的多參數大氣環境數據生成方法，包括以下具體步驟：

步驟1：獲取大氣環境數據集；

步驟2：根據所述大氣環境數據集建立堆疊LSTM-GRU模型；

步驟3：向所述堆疊LSTM-GRU模型輸入歷史大氣環境數據，利用所述堆疊LSTM-GRU模型獲得預測的未來時間多參數大氣環境數據。

優選的，所述堆疊LSTM-GRU模型包括輸入層、隱藏層和全連接輸出層，所述隱藏層堆疊使用LSTM層和GRU層進行循環連接；在所述隱藏層增加repeat_vector層，在所述全連接層增加time_distributed層；所述repeat_vector層的形式為Keras.layers.RepeatVector(n)，將輸入重復n次，改變每一步的維數，同時不改變步長；所述time_distributed層實現從二維向三維的過渡；所述全連接層輸出所述多參數大氣環境數據。

優選的，對所述大氣環境數據集進行時間滑窗處理獲得訓練集，用于結合LSTM網絡和GRU網絡訓練所述堆疊LSTM-GRU模型，獲得所述訓練集的過程為：

步驟21：以時間序列將所述大氣環境數據分為若干組；