基于多变量LSTM神经网络的澳大利亚大火预测研究.pdf

文档介绍：第 50 卷　第 2 期 电  子  科  技  大  学  学  报   　
2021年3月 Journal of University of Electronic Science and Technology of China   Mar. 2021
 
基于多变量LSTM神经网络的澳大利亚
大火预测研究
李    莉1，杜丽霞1，张子柯2*
(1. 山西大学计算机与信息技术学院　太原　030006；2. 杭州师范大学阿里巴巴商学院　杭州　311121)
【摘要】长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点，在许多实际应用中展现了优异的性能。
该文构建了LSTM多变量数据驱动的预测模型，通过多变量输入的方式预测澳大利亚森林大火。首先使用多变量LSTM预
测模型对日最高温度进行预测，并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比。研究表明：以相关变
量为输入的BP神经网络无法考虑时序变化规律，预测误差最大；以温度单变量为输入的ARIMA根据时序变化做出相应预
测，预测效果较好；多变量LSTM预测模型综合考虑了多种因素的相互影响，同时结合了时间序列依赖关系，预测效果最
好。最后通过多变量LSTM预测模型对某节点是否着火进行了预测，预测结果与实际值契合较好。总体来说，多变量
LSTM预测模型对澳大利亚大火的预测结果可信。
关　键　词　澳大利亚大火；  深度学****160; 长短周期记忆神经网络(LSTM)；  多变量；  神经网络
中图分类号　TP391　　　 文献标志码　A　　　　 doi:-
Multivariable LSTM Neural Network Model for
Australia Fire Prediction
LI Li1, DU Li-xia1, and ZHANG Zi-ke2*
(1. School of Computer and Information Technology, Shanxi University　Taiyuan　030006;
2. Alibaba Research Center for Complexity Sciences, Hangzhou Normal University　Hangzhou　311121)
Abstract　Long Short-Term Memory (LSTM) neural network benefits from its ability to capture long-term
dep