陸冰鑒　周鵬　王興　周可

摘? 要：由于風(fēng)具有較強(qiáng)的陣性和局地性，影響因子較多，利用機(jī)器學(xué)習(xí)相關(guān)技術(shù)進(jìn)行風(fēng)速的預(yù)測(cè)，往往會(huì)受這些影響，降低預(yù)測(cè)的準(zhǔn)確率，特別是對(duì)于瞬時(shí)大風(fēng)的預(yù)測(cè)，準(zhǔn)確度普遍不高。針對(duì)上述問題，提出一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解法（EEMD）和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）相結(jié)合的短期風(fēng)速預(yù)測(cè)模型，該模型采用EEMD將風(fēng)速序列分解為多個(gè)頻域相對(duì)穩(wěn)定的子序列，進(jìn)而改善經(jīng)驗(yàn)?zāi)B(tài)分解法（EMD）模態(tài)混疊現(xiàn)象，再采用LSTM構(gòu)建預(yù)測(cè)模型，實(shí)現(xiàn)短期風(fēng)速預(yù)測(cè)。該方法與其他預(yù)測(cè)方法相比，預(yù)測(cè)的精度更高，誤差更小，驗(yàn)證了本文預(yù)測(cè)方法的可行性和有效性。

關(guān)鍵詞：風(fēng)速預(yù)測(cè);集合經(jīng)驗(yàn)?zāi)B(tài)分解;經(jīng)驗(yàn)?zāi)B(tài)分解;長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP183? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Abstract：Because the wind has strong transient and regional characteristics，the impact factors are numerous.Using machine learning technology to predict wind speed will often be affected by these factors，reducing the accuracy of prediction.Especially for the prediction of instantaneous high winds，the accuracy is generally not high.In order to solve this problem，this paper proposes a short-term wind speed forecasting model based on EEMD and LSTM.The model uses the ensemble empirical mode decomposition （EEMD） method to decompose the wind speed sequence into multiple sub-sequences whose frequency domain is stable.This method improves the aliasing phenomenon of the empirical mode decomposition （EMD） method.Then，this paper uses the long short-term memory （LSTM） neural network to build the forecasting model to forecast short-term wind speed.Compared with other forecasting methods，this method has higher accuracy and less error，which verifies the feasibility and validity of this method.

Keywords：wind speed forecast;ensemble empirical mode decomposition;long short-term memory neural??network

1? ?引言（Introduction）

風(fēng)速具有不確定性，波動(dòng)性等特點(diǎn)，是氣象要素中最難預(yù)測(cè)的一個(gè)要素之一。風(fēng)速預(yù)測(cè)對(duì)于天氣預(yù)報(bào)精確性的提高、短時(shí)強(qiáng)風(fēng)災(zāi)害的預(yù)測(cè)、空氣污染物的擴(kuò)散速度、風(fēng)電機(jī)組的安全運(yùn)行等都具有重要的意義[1]。在氣象災(zāi)害中，強(qiáng)風(fēng)不僅對(duì)生態(tài)自然環(huán)境造成巨大破壞還威脅人們的生產(chǎn)生活、生命財(cái)產(chǎn)安全，如：2015年的“東方之星”號(hào)游輪事故和2017年的“鵬安盛”號(hào)輪的受強(qiáng)風(fēng)影響導(dǎo)致的事故。而且，新能源如風(fēng)電產(chǎn)業(yè)對(duì)于提高風(fēng)的利用效率也對(duì)風(fēng)速預(yù)測(cè)的需求迫切。

目前風(fēng)速預(yù)測(cè)的方法主要是基于數(shù)值天氣預(yù)報(bào)預(yù)測(cè)結(jié)果的物理方法和基于歷史數(shù)據(jù)建模的統(tǒng)計(jì)方法這兩大類[2]。前者受數(shù)值模式本身機(jī)理的限制，對(duì)于短期的風(fēng)速預(yù)測(cè)準(zhǔn)確率往往較低，且時(shí)間分辨率不高;統(tǒng)計(jì)方法需要較多的歷史數(shù)據(jù)，通過統(tǒng)計(jì)學(xué)習(xí)的方法識(shí)別歷史數(shù)據(jù)所體現(xiàn)的風(fēng)速特征來預(yù)測(cè)對(duì)未來某個(gè)時(shí)刻風(fēng)速。

近年來，隨著人工智能的發(fā)展，各種深度學(xué)習(xí)算法不斷出現(xiàn)。Wang等[3]提出了經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）算法應(yīng)用于風(fēng)速預(yù)測(cè)模型;Jiang等[4]提出了通過SA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)來提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能的模擬退火算法（Simulated Annealing，SA）和BP神經(jīng)網(wǎng)絡(luò)的混合預(yù)測(cè)模型得到了比單個(gè)預(yù)測(cè)模型更好的效果。

本文基于集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM相結(jié)合的風(fēng)速預(yù)測(cè)模型，優(yōu)化了EMD分解法的模態(tài)混疊帶來的誤差，與LSTM預(yù)測(cè)模型相結(jié)合，改善了LSTM預(yù)測(cè)模型的滯后性，同時(shí)能夠有效降低預(yù)測(cè)誤差。

2? 風(fēng)速數(shù)據(jù)采集與預(yù)處理（Wind speed data acquisition and preprocessing）

本文研究數(shù)據(jù)來自江蘇省海事局提供的長(zhǎng)江流域南京段某一地面氣象觀測(cè)站，采用2018年3月1日至2019年2月28日的觀測(cè)數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。該數(shù)據(jù)為每日逐秒的風(fēng)速、風(fēng)向特征數(shù)據(jù)，采樣數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的時(shí)間分辨率均為10s。

由于實(shí)際觀測(cè)過程中會(huì)存在一些缺失及冗余數(shù)據(jù)，無法構(gòu)成逐秒的連續(xù)完整序列，因此，本文將分辨率調(diào)至10s，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，以保證可提供逐10s的連續(xù)完整序列。

其中，預(yù)處理方式選為10s平均，即對(duì)每個(gè)10s內(nèi)的數(shù)據(jù)取平均值。第一個(gè)10s為2018年3月1日00時(shí)00分00秒至2018年3月1日00時(shí)00分10秒，以此往下，對(duì)每個(gè)10s內(nèi)的數(shù)據(jù)進(jìn)行取平均值，構(gòu)成逐10s的風(fēng)速序列。

3? ?方法優(yōu)化（Method optimization）

3.1? ?EMD

EMD是由Huang[5]提出的一種對(duì)信號(hào)的自適應(yīng)分析方法。它將復(fù)雜的序列分解為若干不同尺度的固有模態(tài)分量IMF（Intrinsic Mode Function）和一個(gè)剩余分量，從而獲得平穩(wěn)序列，非常適合用于風(fēng)速這種波動(dòng)性較大序列的處理。其中，IMF分量需滿足下面兩個(gè)條件[6]：

（1）序列零點(diǎn)個(gè)數(shù)與極值點(diǎn)個(gè)數(shù)最多相差一個(gè);

（2）在任意點(diǎn)，由局部極小值和局部極大值點(diǎn)定義的包絡(luò)線均值為0。

EMD具體分解步驟如下：

步驟1：求出序列的所有極值點(diǎn);

步驟2：用插值法擬合出序列的上下包絡(luò)線、;

步驟3：計(jì)算上下包絡(luò)線中心位置;

步驟4：令 ，若其不滿足IMF分量的兩個(gè)充分條件，則重復(fù)步驟1—步驟3，直至k次迭代后滿足兩個(gè)條件;

步驟5：IMF1分量為，剩余分量為;

步驟6：將剩余分量作為原始序列重復(fù)上述步驟進(jìn)行分解，最終得到n個(gè)IMF分量和一個(gè)剩余分量;

步驟7：經(jīng)過EMD分解后的序列為：

3.2? ?EEMD

風(fēng)速觀測(cè)數(shù)據(jù)在采集過程中不可避免設(shè)備故障及噪聲干擾問題，這樣在EMD分解過程中容易出現(xiàn)模態(tài)混疊現(xiàn)象，從而降低預(yù)測(cè)精度。目前解決該問題較好的方法是EEMD。其改進(jìn)步驟如下：

步驟1：在序列x（t）中加入如從正態(tài)分布的白噪聲[7];

步驟2：對(duì)新形成的序列作EMD分解，求出n個(gè)IMF分量和一個(gè)剩余分量;

步驟3：重復(fù)r次步驟1和步驟2，每次加入新的白噪聲序列;

步驟4：求r次分解后的IMF分量的整體平均，作為序列x（t）的IMF分量。

3.3? ?LSTM

LSTM是一種特殊的RNN類型，是由Hochreither & Schmidhuber提出的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，采用記憶單元代替RNN隱含層的神經(jīng)單元，用于解決RNN梯度消失的問題[8]。當(dāng)前，LSTM在時(shí)序數(shù)據(jù)分析、語言翻譯，以及情感分類等諸多領(lǐng)域得到深入研究和應(yīng)用[9]。記憶單元的內(nèi)部結(jié)構(gòu)如圖1所示，包含輸入門（Input gate）、輸出門（Output gate）、遺忘門（Forget gate）和記憶細(xì)胞（Memory cell）。

圖1中，xt、ht分別為t時(shí)刻網(wǎng)絡(luò)的輸入和輸出。LSTM記憶單元通過公式迭代計(jì)算輸出：

式中，ft、it、ot、Ct分別為遺忘門、輸入門、輸出門和記憶細(xì)胞的輸出;Wf、Wi、Wo、WC分別為遺忘門、輸入門、輸出門和記憶細(xì)胞的權(quán)重矩陣;bf、bi、bo、bC分別為遺忘門、輸入門、輸出門和記憶細(xì)胞的偏置;為sigmoid函數(shù)。

4? 基于EEMD和LSTM的短期風(fēng)速預(yù)測(cè)模型（Short term wind speed prediction model based on EEMD and LSTM）

自然界風(fēng)速的特征表現(xiàn)為波動(dòng)范圍大，其非平穩(wěn)性嚴(yán)重制約風(fēng)速預(yù)測(cè)模型的建立，并對(duì)預(yù)測(cè)精度的提高有著很大的影響。本文搭建的風(fēng)速預(yù)測(cè)模型基于集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM相結(jié)合的風(fēng)俗預(yù)測(cè)模型，較好地保留了原始數(shù)據(jù)的性質(zhì)，優(yōu)化了EMD分解法的模態(tài)混疊帶來的誤差，有效改善了基于LSTM預(yù)測(cè)模型的滯后性問題。圖2為風(fēng)速預(yù)測(cè)模型的框架結(jié)構(gòu)圖。

具體建模流程如下：

（1）將預(yù)處理后的逐10s的風(fēng)速序列進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD，得到n個(gè)不同尺度的且較為平穩(wěn)的固有模態(tài)函數(shù)IMF1-IMFn分量及一個(gè)剩余殘差Res分量;

（2）確定時(shí)間尺度TIME_STEPS，對(duì)分解后的IMF分量及誤差res進(jìn)行重構(gòu)，歸一化統(tǒng)一量綱，確定訓(xùn)練集和測(cè)試集;

（3）對(duì)各個(gè)訓(xùn)練集和測(cè)試集分別建立長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM預(yù)測(cè)模型，預(yù)測(cè)風(fēng)速子序列;

（4）將不同尺度下的風(fēng)速預(yù)測(cè)分量反歸一化后進(jìn)行疊加，得到最終風(fēng)速預(yù)測(cè)的結(jié)果。

4.1? ?風(fēng)速序列集合經(jīng)驗(yàn)?zāi)B(tài)分解

本文選取某氣象站2018年9月29日的風(fēng)速較大的逐秒數(shù)據(jù)，對(duì)每個(gè)10s內(nèi)的數(shù)據(jù)求平均值，預(yù)處理后形成分辨率為10s的風(fēng)速序列，其風(fēng)速的波動(dòng)區(qū)間為0—14m/s。圖3為預(yù)處理后的逐10s的風(fēng)速數(shù)據(jù)。

采用EEMD對(duì)處理后的風(fēng)速序列進(jìn)行分解，得到頻域穩(wěn)定的10個(gè)固有模態(tài)分量IMF1—IMF10和一個(gè)剩余分量Res的波形圖。圖4為EEMD分解后的結(jié)果。圖中的signal為原始逐10s風(fēng)速序列，與圖3一致。

由圖4可見，分解后分量圖與原風(fēng)速序列相比，子序列的波動(dòng)變化較為平穩(wěn)，頻譜特征由分量從高頻到低頻依次表征出來。該方法將原有不平穩(wěn)的風(fēng)速序列分解成了多個(gè)平穩(wěn)子序列，同時(shí)又保存了風(fēng)速序列的特征，為后續(xù)的建模預(yù)測(cè)打下了很好的基礎(chǔ)。

4.2? ?風(fēng)速序列重構(gòu)

風(fēng)速序列經(jīng)過EEMD分解后得到較為平穩(wěn)的10個(gè)子序列和一個(gè)誤差序列，為避免不同量綱帶來的影響，對(duì)每個(gè)分量都進(jìn)行歸一化處理，再對(duì)每個(gè)分量序列進(jìn)行重構(gòu)，得到重構(gòu)序列為：

重構(gòu)后將原始序列擴(kuò)展成N個(gè)樣本，其中時(shí)間尺度TIME_STEPS的選擇直接影響預(yù)測(cè)結(jié)果，時(shí)間尺度TIME_STEPS過小，會(huì)導(dǎo)致信息重合，時(shí)間尺度TIME_STEPS過大會(huì)增加計(jì)算量。因此需要確定合適的參數(shù)。

4.3? ?LSTM模型預(yù)測(cè)

本文采用LSTM建立短期風(fēng)速預(yù)測(cè)模型，由上述重構(gòu)后的樣本確定訓(xùn)練樣本為：

利用LSTM構(gòu)建了短期風(fēng)速預(yù)測(cè)模型如圖5所示。該網(wǎng)絡(luò)模型包含一個(gè)LSTM層。在t時(shí)刻網(wǎng)絡(luò)的輸入為歷史風(fēng)速序列，輸出為下一時(shí)刻的預(yù)測(cè)值。經(jīng)過隱含層運(yùn)算后得到該隱含層的輸出。網(wǎng)絡(luò)的輸出為：

式中，為隱含層和輸出層之間的權(quán)重矩陣，b為輸出層的偏置量。本文采用當(dāng)前時(shí)刻之前的TIME_STEPS個(gè)歷史數(shù)據(jù)作為L(zhǎng)STM網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練和預(yù)測(cè)。歷史數(shù)據(jù)信息通過LSTM網(wǎng)絡(luò)的循環(huán)迭代更新記憶單元的狀態(tài)，從而通過歷史數(shù)據(jù)對(duì)當(dāng)前時(shí)刻的影響實(shí)現(xiàn)風(fēng)速預(yù)測(cè)。

5? 實(shí)驗(yàn)結(jié)果與分析（Experimental results and analysis）

5.1? ?LSTM網(wǎng)絡(luò)超參數(shù)對(duì)比實(shí)驗(yàn)

本次實(shí)驗(yàn)采用江蘇省海事局提供的長(zhǎng)江流域南京段某一地面氣象觀測(cè)站2018年9月29日風(fēng)速數(shù)據(jù)，僅采用LSTM進(jìn)行風(fēng)速預(yù)報(bào)，對(duì)LSTM網(wǎng)絡(luò)設(shè)置不同的超參數(shù)進(jìn)行實(shí)驗(yàn)。各對(duì)比實(shí)驗(yàn)的超參數(shù)設(shè)置及實(shí)驗(yàn)結(jié)果如表1所示。其中，超參數(shù)TIME_STEPS為時(shí)間尺度，代表用當(dāng)前時(shí)刻的前TIME_STEPS個(gè)歷史數(shù)據(jù)作為網(wǎng)絡(luò)輸入。EPOCH代表所以訓(xùn)練樣本重復(fù)訓(xùn)練次數(shù)。

各超參數(shù)對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果如圖6（1）—圖6（20）所示，其中，圖標(biāo)與表格中的圖標(biāo)相對(duì)應(yīng)，圖中橫坐標(biāo)表示逐10s，單位為s;縱坐標(biāo)表示風(fēng)速，單位為m/s。紅色線條為觀測(cè)數(shù)據(jù)，藍(lán)色線條為預(yù)測(cè)數(shù)據(jù)。

結(jié)合圖表對(duì)比結(jié)果可以看出，當(dāng)TIME_STEPS不變，EPOCH增大，預(yù)報(bào)誤差減小，預(yù)報(bào)時(shí)間增加，且隨著EPOCH增大到一定程度，預(yù)報(bào)誤差減小緩慢，但時(shí)間增加并不減少。當(dāng)EPOCH不變，TIME_STEPS增大，預(yù)報(bào)誤差先減小后增大，預(yù)報(bào)時(shí)間增加。兩者相比，一定程度上增加EPOCH的效果比增加TIME_STEPS的效果好，且時(shí)間少。經(jīng)總體對(duì)比，選取TIME_STEPS為10，EPOCH為500作為網(wǎng)絡(luò)的超參數(shù)。

5.2? ?不同預(yù)報(bào)方法對(duì)比實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)為江蘇省海事局提供的長(zhǎng)江流域南京段某一地面氣象觀測(cè)站2018年9月29日風(fēng)速數(shù)據(jù)，分別采用四種方法進(jìn)行風(fēng)速預(yù)報(bào)，分別是基于LSTM的短期風(fēng)速預(yù)測(cè)、基于EMD和LSTM的短期風(fēng)速預(yù)測(cè)、基于EEMD和LSTM的短期風(fēng)速預(yù)測(cè)，以及基于CEEMDAN和LSTM的短期風(fēng)速預(yù)測(cè)。采用5.1中實(shí)驗(yàn)結(jié)果設(shè)置LSTM網(wǎng)絡(luò)的超參數(shù)。各實(shí)驗(yàn)結(jié)果如圖7—圖9所示。其中，圖片的橫坐標(biāo)表示時(shí)間，單位為s;縱坐標(biāo)表示風(fēng)速，單位為m/s。每個(gè)圖的左圖為480個(gè)每10s的結(jié)果，合約1.3小時(shí)逐10s的結(jié)果;右圖為左圖的前200個(gè)結(jié)果的放大顯示，合約0.5小時(shí)逐10s結(jié)果。

從圖7—圖9的右側(cè)圖可看出：僅采用基于LSTM網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)方法的預(yù)測(cè)結(jié)果存在較為明顯的延遲性，雖然預(yù)報(bào)的峰值和谷值較為相近，但由于延遲的原因誤差相差較大。隨后，采用基于EMD和LSTM相結(jié)合的短期風(fēng)速預(yù)測(cè)方法的預(yù)測(cè)結(jié)果較為明顯地改善了上述的延遲性，但是峰值和谷值的預(yù)測(cè)不是很理想，考慮可能是EMD分解時(shí)模態(tài)混疊的問題。于是，采用基于EEMD和LSTM相結(jié)合的方法進(jìn)行短期風(fēng)速預(yù)測(cè)。由于EEMD改善了EMD分解時(shí)模態(tài)混疊的問題，由圖9右圖可明顯看出在峰值和谷值的預(yù)測(cè)上有較大改善，其總體風(fēng)速預(yù)測(cè)的效果最好。

但從圖片角度來看，難以看出各個(gè)方法的具體改善效果，表2給出了三種方法的評(píng)價(jià)指標(biāo)對(duì)比結(jié)果，其評(píng)價(jià)指標(biāo)與4.1中一致。

從表1可清晰看出，從三個(gè)指標(biāo)的縱向?qū)Ρ葋砜?，采用EMD和LSTM相結(jié)合的方法預(yù)測(cè)比僅用LSTM方法預(yù)測(cè)分別降低了0.2596m/s、0.3092m/s和4.36%。采用EEMD和LSTM相結(jié)合的方法預(yù)測(cè)比EMD和LSTM相結(jié)合的方法預(yù)測(cè)分別降低了0.1902m/s、0.2433m/s和3.2%。由此可見，采用EEMD與LSTM相結(jié)合的方法進(jìn)行短期風(fēng)速預(yù)測(cè)，能較好地模擬出未來近80分鐘逐10s的風(fēng)速情況，降低了預(yù)測(cè)誤差。

6? ?結(jié)論（Conclusion）

風(fēng)速的陣性、非平穩(wěn)性和非線性的特點(diǎn)使得對(duì)其做出精準(zhǔn)預(yù)測(cè)存在較大的技術(shù)困難。在傳統(tǒng)氣象統(tǒng)計(jì)預(yù)報(bào)方法和人工智能預(yù)報(bào)方法的基礎(chǔ)上，提出一種基于EEMD和LSTM相結(jié)合的短期風(fēng)速預(yù)測(cè)模型，并通過實(shí)驗(yàn)得出以下結(jié)論：

（1）基于EEMD和LSTM相結(jié)合的短期風(fēng)速預(yù)測(cè)模型能夠較好地?cái)M合實(shí)際風(fēng)速序列，驗(yàn)證了方法的有效性。

（2）基于EEMD和LSTM相結(jié)合的短期風(fēng)速預(yù)測(cè)模型，改善了LSTM模型的滯后性，消除了EMD算法模態(tài)混疊現(xiàn)象對(duì)于風(fēng)速預(yù)測(cè)的不利影響，預(yù)測(cè)結(jié)果更接近實(shí)際風(fēng)速值，具有更小的誤差，有較高的應(yīng)用價(jià)值。

（3）由于風(fēng)速序列的隨即不確定性，導(dǎo)致風(fēng)速的峰值和谷值的預(yù)測(cè)還不夠準(zhǔn)確，在進(jìn)一步的研究中，考慮加入風(fēng)速的空間特性及其影響因子。

參考文獻(xiàn)（References）

[1] 張珂銓.風(fēng)速預(yù)測(cè)中人工智能方法的應(yīng)用研究[D].蘭州大學(xué)，2018.

[2] 魏昱洲，許西寧.基于LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)的超短期風(fēng)速預(yù)測(cè)[J].電子測(cè)量與儀器學(xué)報(bào)，2019，33（02）：64-71.

[3] Jujie Wang，Wenyu Zhang，Yaning Li，et al.Forecasting wind speed using empirical mode decomposition and Elman neural network[J].Applied Soft Computing Journal，2014（23）：452-459.

[4] Ping Jiang，Yingjie Ge，Chen Wang.Research and application of a hybrid forecasting model based on simulated annealing algorithm：A case study of wind speed forecasting[J].Journal of Renewable and Sustainable Energy，2016，8（1）：015501.

[5] 雷若冰，徐箭，孫輝，等.基于相關(guān)性分析的風(fēng)電場(chǎng)群風(fēng)速分布預(yù)測(cè)方法[J].電力自動(dòng)化設(shè)備，2016，36（05）：134-140.

[6] Tong Wang，Mingcai Zhang，Qihao Yu，et al.Comparing the applications of EMD and EEMD on time–frequency analysis of seismic signal[J].Journal of Applied Geophysics，2012（83）：29-34.

[7] 程啟明，陳路，程尹曼，等.基于EEMD和LS-SVM模型的風(fēng)電功率短期預(yù)測(cè)方法[J].電力自動(dòng)化設(shè)備，2018，38（05）：27-35.

[8] 白博，李益華，蘇盛，等.基于LSTM風(fēng)速區(qū)間預(yù)測(cè)的風(fēng)力發(fā)電機(jī)再切入控制[J].電力學(xué)報(bào)，2018，33（03）：183-189.

[9] 成璐.基于注意力機(jī)制的雙向LSTM模型在中文商品評(píng)論情感分類中的研究[J].軟件工程，2017，20（11）：4-6;3.

作者簡(jiǎn)介：

陸冰鑒（1994-），女，碩士，工程師.研究領(lǐng)域：智慧氣象.

周? 鵬（1994-），男，本科，工程師.研究領(lǐng)域：遙感與地理信息系統(tǒng)應(yīng)用.

王? 興（1983-），男，博士，高級(jí)工程師.研究領(lǐng)域：AI氣象信息技術(shù)，智能計(jì)算.

周? 可（1983-），女，碩士生.研究領(lǐng)域：智慧交通.