基于深度長短期記憶網(wǎng)絡(luò)的地表溫度預(yù)測

董健明，陳 雨

（四川大學(xué)電子信息學(xué)院，成都 610065）

0 引言

地表溫度是決定地表能量平衡和獲取地表能量交換信息的重要因素，也是地球科學(xué)研究不可或缺的重要參數(shù)，涉及眾多基礎(chǔ)學(xué)科研究［1］。1999 年和2002 年，美國宇航局分別發(fā)射了兩顆搭載了MODIS 中分辨率成像光譜儀的極地軌道遙感衛(wèi)星Terra和Aqua，這兩顆衛(wèi)星為快速獲取區(qū)域地表溫度信息提供了新的途徑，并確保了獲取此類數(shù)據(jù)時的連續(xù)性［2］。由衛(wèi)星搭載的MODIS 所處理并獲取的地表溫度數(shù)據(jù)［3］，已經(jīng)在包括植被監(jiān)測、干旱評估、地?zé)峥睖y和火災(zāi)檢測在內(nèi)的眾多科學(xué)領(lǐng)域發(fā)揮了重要的作用［4-7］。但是由于這些衛(wèi)星系統(tǒng)是被動遙感系統(tǒng)，云覆蓋對地表溫度的估計和信息提取不利，地表溫度數(shù)據(jù)可能會出現(xiàn)缺失，進而導(dǎo)致在進行災(zāi)害預(yù)警和農(nóng)業(yè)監(jiān)測時無法做出準(zhǔn)確預(yù)測。因此在分析地表溫度的時空信息時，需要考慮到數(shù)據(jù)不完整、不準(zhǔn)確所帶來的影響［8］。

為了得到完整準(zhǔn)確的地表溫度數(shù)據(jù)，部分學(xué)者提出了結(jié)合大氣參數(shù)（如透射率和溫度）或地表參數(shù)（如發(fā)射率和幾何形狀）的地表溫度反演方法［9-11］。除了這些傳統(tǒng)方法外，一些研究人員還利用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）來獲取地表溫度數(shù)據(jù)。由于傳統(tǒng)方法不會去分析建模中涉及的變量之間不完全已知的關(guān)系，并且建模和計算過程較為繁瑣，因此人工神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)方法的建模過程更為簡潔且結(jié)果更為精確［12］。雖然已有很多研究采用人工神經(jīng)網(wǎng)絡(luò)的方法利用各種變量作為輸入對地表溫度進行建模、模擬或預(yù)測［13-14］，但是人工神經(jīng)網(wǎng)絡(luò)的方法無法提取基于時間的特征。相較于人工神經(jīng)網(wǎng)絡(luò)來說，基于時序的深度神經(jīng)網(wǎng)絡(luò)嘗試從序列中獲取數(shù)據(jù)的時序特征，每個神經(jīng)元的輸出也會作為輸入反饋回其本身，從而這些神經(jīng)元具備了先前輸入的一種“記憶”。因此對時間序列做預(yù)測時，時序神經(jīng)網(wǎng)絡(luò)的效果要優(yōu)于人工神經(jīng)網(wǎng)絡(luò)［15］。

在時序神經(jīng)網(wǎng)絡(luò)中，基于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）所改進的長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）在1997 年被Hochreiter 等［16］提出，它克服了RNN無法記憶長期時序特征進而在時間序列較長時的預(yù)測準(zhǔn)確率不高的問題，長期時序數(shù)據(jù)的預(yù)測效果得到顯著提升?；贚STM 的時間預(yù)測模型在包含地表溫度在內(nèi)的眾多領(lǐng)域得到了應(yīng)用，比如將LSTM 改進成混合數(shù)據(jù)驅(qū)動后的模型對日地表溫度數(shù)據(jù)序列的預(yù)測達(dá)到了很好的效果［17］，在自然災(zāi)害方面，利用LSTM 對MODIS 衛(wèi)星圖像研究可以對森林火災(zāi)達(dá)到85%的準(zhǔn)確率檢測［18］，以及LSTM對海面溫度也能進行有效的預(yù)測［19］。目前關(guān)于LSTM 在MODIS 數(shù)據(jù)方面的預(yù)測大多數(shù)還采用單層LSTM 結(jié)合其他理論方法或?qū)螌覮STM 進行內(nèi)部結(jié)構(gòu)的改進。然而，在單層情況下某些時間序列信息的復(fù)雜特性是無法被直觀表述的，想要提取這些深層特征以提高整體的性能便需要著眼于LSTM 可以堆疊成深層網(wǎng)絡(luò)的特點。本文從MODIS 月時變柵格數(shù)據(jù)中提取了多點地表溫度時間序列，并得到研究區(qū)域的月平均時間序列；通過對LSTM 堆疊構(gòu)成深度LSTM 網(wǎng)絡(luò)，使用遺傳算法來預(yù)訓(xùn)練優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，再對地表溫度數(shù)據(jù)進行預(yù)測，并將該模型和其他時序預(yù)測網(wǎng)絡(luò)模型進行對比，驗證深度LSTM網(wǎng)絡(luò)的預(yù)測性能。

1 地表溫度數(shù)據(jù)提取

本文原始數(shù)據(jù)采用美國國家航空航天局在LAADS（Level-1 and atmosphere archive&distribution system）DAAC（distributed active archive center）網(wǎng)站接口提供的MODIS-Level-3 數(shù)據(jù)集，包含2000年1月至2021年8月共260個月份的分辨率在0.05 度緯度/經(jīng)度氣候模擬網(wǎng)格（climate modeling grid，CMG）數(shù)據(jù)。

MODIS 的Level-3 數(shù)據(jù)即第3 級數(shù)據(jù)是將衛(wèi)星測得的原始數(shù)據(jù)處理過后得到的校正后數(shù)據(jù)。0級產(chǎn)品被稱為原始數(shù)據(jù)，在其基礎(chǔ)上賦予標(biāo)定參數(shù)后為1 級產(chǎn)品Level-1A 數(shù)據(jù)，通過對Level-1A 數(shù)據(jù)進行MODIS 傳感器數(shù)據(jù)的輻射校準(zhǔn)后可得到Leve-1B 數(shù)據(jù)即2 級產(chǎn)品，其為定標(biāo)定位后的數(shù)據(jù)，采用國際標(biāo)準(zhǔn)的EOS-HDF（earth observation system-hierarchy data format）格式，包含所有波段數(shù)據(jù)且應(yīng)用廣泛。而3級產(chǎn)品在1B數(shù)據(jù)的基礎(chǔ)上，對由遙感器成像過程產(chǎn)生的邊緣畸變（Bowtie 效應(yīng)）進行校正，產(chǎn)生Level-3 級產(chǎn)品。將得到的260 個月份的Level-3數(shù)據(jù)集通過HEGTool 工具處理，可將包含多種類型的數(shù)據(jù)的HDF 文件處理為記錄了許多圖像信息的TIFF 格式文件。對此格式的文件，用ArcMap 軟件在本實驗的研究地區(qū)——美國得克薩斯州休斯頓地區(qū)進行地表溫度信息數(shù)據(jù)的提取，最終對研究地區(qū)所取的采樣點取平均可以得到實驗所需的260個月的地表溫度時序數(shù)據(jù)。

2 模型搭建

2.1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)和原理

時間序列由于其復(fù)雜的特征，導(dǎo)致基于統(tǒng)計學(xué)的傳統(tǒng)預(yù)測方法難以得到較好的預(yù)測效果。循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 提供了一種全新的預(yù)測時間序列的方法，但是它自身在訓(xùn)練的過程中容易造成梯度爆炸或消失進而造成權(quán)重震蕩，導(dǎo)致它無法克服短時依賴特征，因此在循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 模型的基礎(chǔ)上，為了解決其在長期記憶的情況下喪失學(xué)習(xí)能力的問題，Hochreiter 等［16］提出了LSTM 網(wǎng)絡(luò)，這是一種特殊類型的RNN網(wǎng)絡(luò)，它可以學(xué)習(xí)長期依賴信息。循環(huán)神經(jīng)網(wǎng)絡(luò)的當(dāng)前時刻輸出不僅與當(dāng)前時刻輸入有關(guān)，還與上一時刻的狀態(tài)有關(guān)，RNN 的網(wǎng)絡(luò)模型結(jié)構(gòu)較簡單（見圖1），它可以記錄時間序列信息，RNN單元的計算公式如下：

其中：ht-1表示上一個時刻的隱藏層狀態(tài)；Xt是當(dāng)前時刻的輸入值；Wh和bh分別表示當(dāng)前層的權(quán)重和偏置；tanh 激活函數(shù)可以將流經(jīng)網(wǎng)絡(luò)后輸出的值控制在-1和1之間。由公式（1）可以看出，RNN 此時刻的隱藏層信息只來源于當(dāng)前輸入和上一時刻的隱藏層信息，并沒有長期記憶的功能。

圖1 RNN模型結(jié)構(gòu)

LSTM 網(wǎng)絡(luò)模型結(jié)構(gòu)改進的核心點在細(xì)胞狀態(tài)，它在運算時只有一些少量的線性交互，信息在傳播時想保持不變也就比較容易。決定細(xì)胞狀態(tài)應(yīng)該保留哪些信息和更新哪些信息的核心是LSTM 中的門結(jié)構(gòu)，它實現(xiàn)了一種讓信息選擇性通過的方法，門結(jié)構(gòu)包括一個Sigmoid 神經(jīng)網(wǎng)絡(luò)層和一個按位運算的乘法操作，LSTM 的內(nèi)部結(jié)構(gòu)如圖2 所示。在LSTM 模型的門結(jié)構(gòu)中，第一步遺忘門的輸出ft會取決于上一個時刻隱藏層的狀態(tài)ht-1和當(dāng)前輸入Xt，它將決定上一時刻的細(xì)胞狀態(tài)Ct-1中的哪些信息應(yīng)該從模型中舍棄。更新門將確定哪些新信息會被存放在細(xì)胞狀態(tài)中，之后將舊的細(xì)胞狀態(tài)Ct-1更新為新的細(xì)胞狀態(tài)Ct需要遺忘門和更新門的共同作用。最終，輸出的ht將會基于當(dāng)前的輸入Xt和細(xì)胞狀態(tài)Ct而決定，其中具體的計算公式如下所示：

上式中，σ為Sigmoid 激活函數(shù)；W、b分別為不同層的權(quán)重和偏置；ht是當(dāng)前時刻的隱藏層狀態(tài)值。

圖2 LSTM結(jié)構(gòu)

2.2 深度LSTM網(wǎng)絡(luò)

單層的LSTM 網(wǎng)絡(luò)在使用中雖然可以解決RNN 的長期依賴問題，但是很多時候由于網(wǎng)絡(luò)的層數(shù)少，有些時間序列信息的復(fù)雜特性無法被直觀表述，例如當(dāng)對一些線性度不高或者時間記憶間隔很長的數(shù)據(jù)進行處理時，增加神經(jīng)網(wǎng)絡(luò)的深度就是提高整體性能的有效方法［20］。RNN 可以看作是一個隨著時間增加而不斷增加堆疊層數(shù)的網(wǎng)絡(luò)模型，同時可以從輸入層—隱藏層、隱藏層—隱藏層、隱藏層—輸出層三個角度將RNN 擴展成深度RNN 網(wǎng)絡(luò)［21］。本文所提出的深度LSTM 網(wǎng)絡(luò)模型（DLSTM）是指對LSTM的結(jié)構(gòu)進行多個的堆疊，如圖3所示，在這種分層架構(gòu)中堆疊多個LSTM的目標(biāo)是在較低層構(gòu)建特征，從而分離輸入數(shù)據(jù)中的變化因素，然后在較高層組合這些特征。循環(huán)網(wǎng)絡(luò)一層一層的堆疊增加了隱藏層的層數(shù)，意味著增加了輸入在循環(huán)結(jié)構(gòu)中不同的時間尺度上所能學(xué)到的特征。

圖3 DLSTM網(wǎng)絡(luò)體系結(jié)構(gòu)

在圖3所示的DLSTM 體系結(jié)構(gòu)中，在t時刻的輸入Xt和上一時刻的隱藏層的狀態(tài)作為第一個LSTM 結(jié)構(gòu)的輸入，在t時刻的隱藏狀態(tài)的計算見2.1 小節(jié)，向前進入第二個循環(huán)網(wǎng)絡(luò)結(jié)構(gòu)，將之前的隱藏狀態(tài)和前一步的隱藏狀態(tài)輸出作為當(dāng)前輸入來計算，繼續(xù)向前進入之后的LSTM 結(jié)構(gòu)塊，以此類推直到最后一個LSTM結(jié)構(gòu)。

這種堆疊架構(gòu)的一個好處是，每一層都可以處理任務(wù)的一部分，然后將其傳遞到下一層，直到最后一個累積層提供輸出。另一個好處是，這種結(jié)構(gòu)可以讓每一層的隱藏狀態(tài)在不同的時間尺度上運行。在顯示使用具有長期依賴性的數(shù)據(jù)的場景中，或在處理多變量時間序列數(shù)據(jù)集的情況下，有較好的效果［22］。除此之外，隱藏層和輸出層之間有深層的結(jié)構(gòu)，有助于更加高效地匯總之前的輸入，從而促進最后預(yù)測結(jié)果的輸出，因此在最后一個LSTM 結(jié)構(gòu)之后添加了一個全連接Dense層加深隱藏層與輸出層之間的深度。與RNN神經(jīng)網(wǎng)絡(luò)一樣，LSTM的網(wǎng)絡(luò)結(jié)構(gòu)也得益于激活函數(shù)和抑制過擬合的方法，本文在每一層LSTM 都加入了Dropout 層，并且選擇tanh 函數(shù)作為非飽和激活函數(shù)，作為防止過擬合的手段。

3 模型訓(xùn)練

3.1 原始數(shù)據(jù)的處理

由于實際的時間序列是非平穩(wěn)的，很多時候可能表現(xiàn)出某些特定的趨勢特征［23］。而靜態(tài)數(shù)據(jù)對于模型的建模來說更容易，而且會有助于更高效地產(chǎn)生預(yù)測結(jié)果。所以在數(shù)據(jù)的預(yù)處理中，首先需要刪除數(shù)據(jù)中的趨勢屬性，無論是增加還是減少的趨勢。之后，實驗會將這種趨勢返回數(shù)據(jù)中，以便將預(yù)測問題返回到原始數(shù)據(jù)中。消除趨勢的標(biāo)準(zhǔn)方法是對數(shù)據(jù)進行差分，即從當(dāng)前時刻（t）的數(shù)據(jù)中減去上一時間步（t-1）的觀測值。預(yù)測方面，本實驗采用的是時間步長為1 的預(yù)測，即預(yù)測下一個時間（t+1），具體是利用滯后時間方法將時間序列分為輸入和輸出，利用前幾個時間點的數(shù)據(jù)作為預(yù)測輸入，來預(yù)測下一個時間點（t+1）的輸出。本實驗中，滯后時間選取在1～8個時間步長。

與其他神經(jīng)網(wǎng)絡(luò)一樣，DLSTM 希望數(shù)據(jù)范圍在網(wǎng)絡(luò)使用的激活函數(shù)范圍內(nèi)。LSTM 的默認(rèn)激活函數(shù)是雙曲正切函數(shù)，其輸出值介于-1 和1之間。這是時間序列數(shù)據(jù)的首選范圍。在這之后，實驗會將縮放后的數(shù)據(jù)轉(zhuǎn)換回原尺度，以便將預(yù)測問題返回到原始數(shù)據(jù)中。

食品藥品安全是重要的民生工程，行政監(jiān)管和技術(shù)支撐是“雙輪驅(qū)動”，食品藥品檢測人才隊伍是食品藥品檢測體系的重要組成部分。近年來大批應(yīng)屆畢業(yè)生或是相關(guān)專業(yè)背景的非系統(tǒng)內(nèi)人員進入食品藥品檢測實驗室，為食品藥品檢測事業(yè)提供新鮮血液。本文結(jié)合新進人員培訓(xùn)的實際工作和宏觀科學(xué)，包括社會學(xué)、管理學(xué)、心理學(xué)、人才學(xué)等經(jīng)典理論，為更好地培養(yǎng)科室技術(shù)隊伍提供一些經(jīng)驗和方法。以下分別論述科室崗前培訓(xùn)中的各個組成要素和四個階段的特點。

3.2 超參數(shù)的確定

本文模型訓(xùn)練的超參數(shù)主要包括訓(xùn)練過程中選取的epoch 數(shù)，即需要將完整的數(shù)據(jù)集輸入進網(wǎng)絡(luò)進行訓(xùn)練的次數(shù)、每一個LSTM 層所選取的神經(jīng)元個數(shù)，以及時間間隔步長，也就是預(yù)測下一個值所需之前數(shù)據(jù)的滑動窗口長度。選取時間間隔步長作為超參數(shù)之一是因為時間序列的預(yù)測問題在輸入之前時間的數(shù)據(jù)時也意味著添加了噪聲，所以在訓(xùn)練模型的時候，可以選擇使用不同的時間間隔步長來找到規(guī)律從而更為精準(zhǔn)地預(yù)測。在本文中，超參數(shù)的選取采用的是遺傳算法來進行實現(xiàn)的。

DLSTM 模型的實驗包括兩種場景，即靜態(tài)場景和動態(tài)場景。在靜態(tài)場景中，使用所有訓(xùn)練數(shù)據(jù)擬合預(yù)測模型，然后用真實的測試數(shù)據(jù)預(yù)測下一個時間的值。在動態(tài)場景中，通過在測試數(shù)據(jù)中插入之前的預(yù)測值，在每個時間更新預(yù)測模型。而靜態(tài)預(yù)測使用實際值對每個后續(xù)結(jié)果進行預(yù)測。超參數(shù)的數(shù)量取決于實際場景。對于靜態(tài)場景，有三個超參數(shù)，即epoch數(shù)、每層隱藏神經(jīng)元數(shù)和時間間隔步長。對于動態(tài)場景，多了一個更新次數(shù)update，即在測試數(shù)據(jù)中插入預(yù)測值時，每個時間更新預(yù)測模型的次數(shù)。本實驗將網(wǎng)絡(luò)結(jié)構(gòu)分為1、2、3、4、5 層LSTM 結(jié)構(gòu)，每一層LSTM 神經(jīng)元個數(shù)的選擇范圍是1～32，epoch數(shù)選取在100～2000，滑動窗口步長范圍為1～8，動態(tài)場景下update 范圍為1～4，將每種結(jié)構(gòu)結(jié)合神經(jīng)元個數(shù)、epoch數(shù)和滑動窗口步長進行種群的生成，隨機產(chǎn)生5個種群進行選擇、交叉、變異的遺傳進化，經(jīng)過10 代后得到最優(yōu)解，最終總結(jié)根據(jù)評價指標(biāo)（見4.1小節(jié)）選擇出靜態(tài)場景（表1）和動態(tài)場景下（表2）的每種結(jié)構(gòu)的最優(yōu)解，從而得到它們分別應(yīng)該選取的模型的超參數(shù)。

表1 靜態(tài)場景下DLSTM模型的超參數(shù)

表2 動態(tài)場景下DLSTM模型的超參數(shù)

3.3 模型訓(xùn)練環(huán)境

在本文的模型訓(xùn)練階段，采用了GA（genetic algorithm）遺傳算法，使用的是Python 庫中的分布式進化算法實現(xiàn)的遺傳算法（distributed evolutionary algorithms in Python）。GA 算法是根據(jù)達(dá)爾文的生物進化論和自然選擇理論所提出的一種模擬生物種群選擇、交叉、變異過程的局部最優(yōu)解搜索方法。模型的運行環(huán)境為基于Tensor-Flow機器學(xué)習(xí)算法庫搭建而成，所使用的Tensor-Flow 版本為2.3.0，代碼編寫所使用的環(huán)境為Python3.8，權(quán)重優(yōu)化器選擇為Adam 優(yōu)化器，所用訓(xùn)練集數(shù)據(jù)占全數(shù)據(jù)集的80%，共208 個月，剩余52個月份用作測試集數(shù)據(jù)。

4 實驗結(jié)果及分析

4.1 模型評估標(biāo)準(zhǔn)

4.1.1 均方根誤差

均方根誤差（root mean square error，RMSE）常常用作深度學(xué)習(xí)模型的評價指標(biāo)，誤差值的尺度和數(shù)據(jù)本身相同，因此直接基于該誤差的精度度量不能用于在不同尺度的序列之間比較。均方根誤差的取值是預(yù)測值與真實值偏差的平方和與觀測次數(shù)n比值的算術(shù)平方根，其表達(dá)式如下：

均方根百分比誤差（root mean square percentage error，RMSPE）作為一種百分比誤差，優(yōu)點是與原數(shù)據(jù)尺度無關(guān)，所以常常被用作不同尺度數(shù)據(jù)集的預(yù)測評價指標(biāo)，其計算式如下：

使用這兩個指標(biāo)得到的結(jié)果在計算值上是不同的，但在預(yù)測模型的性能度量中，每個指標(biāo)的顯著性是相似的。值得注意的是，由于數(shù)據(jù)在大多數(shù)情況下呈現(xiàn)不同的尺度，因此最好使用RMSPE或任何其他百分比誤差度量來估計不同模型之間的相對誤差。

4.1.2 平均絕對百分比誤差

平均絕對誤差（mean absolute error，MAE）表示預(yù)測值和觀測值之間絕對誤差的平均值，MAE是一種線性分?jǐn)?shù)，所有個體差異在平均值上的權(quán)重都相等，所以RMSE相對MAE來說，對于誤差高的預(yù)測值懲罰更多，計算公式如下：

同樣，平均絕對百分比誤差（mean absolute percentage error，MAPE）作為平均絕對誤差的百分比形式，公式如下：

4.2 實驗結(jié)果分析

本小節(jié)將會根據(jù)之前選取的超參數(shù)對研究區(qū)域的地表溫度數(shù)據(jù)采取層數(shù)不同的LSTM 模型訓(xùn)練評估，通過對幾種不同的模型結(jié)果進行比較，確保對提出的DLSTM 模型進行真正公平的評估。評估模型的性能時并非只用到了一個評價指標(biāo)，百分比誤差被證明在評估不同模型的性能，特別是在數(shù)據(jù)集的尺度大小不一樣時是最適合的工具［24］。所以本小節(jié)將會依據(jù)百分比誤差來對幾種模型的實驗結(jié)果進行分析。

將實驗的模型預(yù)測方式分為動態(tài)更新和靜態(tài)更新兩種，表3 為DLSTM 模型在動態(tài)模式下的各個模型評價指標(biāo)的計算結(jié)果，表4為靜態(tài)模式下的模型評價指標(biāo)值。總結(jié)表3 和表4 的結(jié)果可以看出，靜態(tài)更新模式下的結(jié)果要優(yōu)于動態(tài)更新模式，這種情況是符合事實預(yù)期的，因為在動態(tài)更新模式下，預(yù)測結(jié)果的偏差值可能會在下一時序預(yù)測的時候被放大和產(chǎn)生誤差的累積，影響后續(xù)的預(yù)測結(jié)果。

表3 動態(tài)模式下評價指標(biāo)的計算結(jié)果

表4 靜態(tài)模式下評價指標(biāo)的計算結(jié)果

除此之外，動態(tài)模式下的預(yù)測結(jié)果曲線圖和靜態(tài)更新模式下的預(yù)測結(jié)果分別如圖4 和圖5所示。

圖4 動態(tài)模式下的預(yù)測結(jié)果

圖5 靜態(tài)模式下的預(yù)測結(jié)果

通過對比相同更新模式下的不同層數(shù)評價指標(biāo)值可以看出，和單層的LSTM 模型結(jié)構(gòu)相比，特別是動態(tài)模式下，DLSTM 的模型評價結(jié)果要更優(yōu)，這也說明了對地表溫度數(shù)據(jù)通過堆疊LSTM 網(wǎng)絡(luò)結(jié)構(gòu)的方法來預(yù)測的效果要優(yōu)于單層模型。從網(wǎng)絡(luò)結(jié)構(gòu)來看，DLSTM 相比單層來說含有更多的網(wǎng)絡(luò)結(jié)構(gòu)，這也表明了深層次的網(wǎng)絡(luò)結(jié)構(gòu)更容易從時間序列中提取到時間特征，也就體現(xiàn)為DLSTM 在時間預(yù)測方面有更好的效果。同時對比多層模型結(jié)構(gòu)下的評估指標(biāo)，層數(shù)的增多并不會帶來實驗結(jié)果的顯著提升。

5 結(jié)語

本文將一個可以用于大多數(shù)時間序列預(yù)測問題的模型——LSTM 網(wǎng)絡(luò)模型進行深層次的構(gòu)建，得到了DLSTM，即深度長短期記憶網(wǎng)絡(luò)，并將其用于美國德克薩斯州休斯頓地區(qū)2000 年1月至2021 年8 月共260 個月份的地表溫度預(yù)測。DLSTM 網(wǎng)絡(luò)模型通過堆疊LSTM 模型并且在輸出層添加線性全連接層來增加模型的層數(shù)結(jié)構(gòu)，模型的時間步長、神經(jīng)元個數(shù)等超參數(shù)采用遺傳算法進行優(yōu)化選取。實驗結(jié)果標(biāo)明，DLSTM網(wǎng)絡(luò)對此地區(qū)的月時序地表溫度數(shù)據(jù)有良好的預(yù)測效果，同時深層的網(wǎng)絡(luò)模型具有更多的網(wǎng)絡(luò)結(jié)構(gòu)，能更容易從時間序列中提取到時序特征，實驗結(jié)果要優(yōu)于單層的網(wǎng)絡(luò)模型結(jié)構(gòu)，在時間序列數(shù)據(jù)的預(yù)測問題上表現(xiàn)更為優(yōu)異。

鑒于當(dāng)前研究中存在的不足，可以進行后續(xù)更深入的改進。本文的實驗數(shù)據(jù)序列的選取較為單一，暫未考慮降雨、蒸散發(fā)等其他氣候因素的影響，因此在后續(xù)具體區(qū)域的研究中應(yīng)加入其他因素的影響，得到更為精確的實驗序列再進行實驗的訓(xùn)練和預(yù)測。另外，隨著搭載MODIS 的衛(wèi)星圍繞地球所測得的時間序列增多，意味著會對實驗提供更加豐富的訓(xùn)練數(shù)據(jù)集，相信深度神經(jīng)網(wǎng)絡(luò)在這方面的預(yù)測也會更為準(zhǔn)確。