基于LSTM循環神經網絡的鹽城汽車試驗場氣溫預測模型研究

陳宏偉 于群 崔曉川 李志國 康林（中汽研汽車檢驗中心（天津）有限公司）

整車道路試驗作為整車客觀評價的重要組成部分，通常受到試驗場氣象條件因素影響。其中，環境溫度主要對輪胎溫度、發動機進氣溫度以及空氣密度等產生影響，進而使整車道路試驗結果的復現性、可對比性較差。文章利用LSTM深度神經網絡，以中汽中心鹽城汽車試驗場（以下簡稱“鹽城試驗場”）2018—2019年溫度數據建立數據樣本，并搭建精細化氣溫預測模型，對實現整車道路性能試驗的精細化、可控化、可對比等方面具有重要實際意義與研究價值。溫度數據是典型的時間序列數據。就當前的預測技術而言，天氣學方法預測具有一定不穩定性[1]，統計學分析方法也有僅適用于固定長度的序列信息的缺點[2]。而隨著深度學習模型逐漸成熟，在解決時間序列數據處理問題上體現了強大的適應性和決策能力[3]。LSTM是在循環神經網絡（Recurrent Neural Networks，RNN）基礎上解決了其梯度消失、長期依賴能力不足等問題[4]，在語音識別[5]、機器翻譯[6]等時序問題取得了巨大的成功。

1 LSTM神經網絡

LSTM最早由Hocheriter和Schmidhuber提出[7]，在RNN基礎上擺脫了簡單的記憶疊加，增加了門控狀態來控制傳輸狀態，適用于“長期記憶”任務。典型的LSTM結構如圖1所示。LSTM在傳統神經網絡的輸入層、隱藏層、輸出層的基礎上，將隱藏層額外加入1個或多個記憶單元，并且每個記憶單元都擁有3個“門”結構：遺忘門、輸入門和輸出門[8]。

其中，遺忘門讀取ht-1和xt，輸出“完全保留”或“完全舍棄”的信息至Ct-1中；輸入門應用sigmoid層決定信息更新、應用tanh層備選用來更新的內容；輸出門應用sigmoid層決定輸出內容，并與tanh層相乘，僅僅輸出所需部分。整個過程通過引入門的機制，對經過網絡的信息進行有選擇的記憶或遺忘，采取sigmoid激活函數和tanh雙正切函數相乘的計算方式進行“門”操作，如圖2至圖4所示。

圖1 LSTM內部結構

圖2 遺忘門結構

圖3 輸入門結構

圖4 輸出門結構

為了更加詳細描述LSTM內部結構，列出相關公式：

式中：ft、it、ct、ot——分別表示當前時刻t的遺忘門、輸入門、單元狀態、輸出門的結果；

ht——最終的輸出；

W和b——分別表示權重矩陣和偏置項；

σ和tanh——分別是sigmoid激活函數和雙正切函數[9]。

2 數據處理

鹽城市地處北亞熱帶向暖溫帶氣候過渡地帶，具有過渡性特征，且受海洋影響較大，季風氣候較明顯，冬季多偏北風而夏季多偏南風。文章選取中汽中心鹽城汽車試驗場氣象站2018—2019年的溫度數據作為樣本，采集時間間隔為5 min。通過宏觀分析，春季氣溫波動較大，整體呈周期性上漲；夏季氣溫波動較小；秋季氣溫變化周期性不如春季明顯，伴隨一定隨機性；冬季最低平均氣溫在0℃左右，基本不存在結冰現象[10]。

數據預處理過程如圖5所示，首先對氣溫數據進行清洗，主要包括插值法修正錯誤值和去除連續空值。為了實現以18:00至5:00的氣溫來預測6:00至17:00的氣溫，從18:00開始將氣溫時間序列重新排序，即從18:00至第2天17:55結束為1組數據。然后將每個小時中的12組數據取平均值，形成從18:00至第2天17:00的24個數據組成的氣溫數據樣本，數據樣本范例如表1所示，共計620組。

圖5 數據預處理流程圖

3 LSTM氣溫預測模型搭建

研究利用TensorFlow語言包搭建LSTM短期氣溫預測模型，通過對歷史氣溫樣本的學習，并根據第1天氣溫數據來預測第2天氣溫。模型結構及流程如圖6所示，模型由輸入層、隱藏層、輸出層和損失優化器4部分組成。

3.1 輸入層

輸入層對數據進行歸一化處理，然后劃分訓練集和測試集。模型使用的歸一化方法為z-score標準化方法，公式為：

表1 數據樣本 ℃

σ——樣本標準差。

按照時間順序劃分訓練集和測試集，取前600組數據為訓練集，后20組數據為測試集。

圖6 氣溫預測模型流程圖

3.2 隱藏層

隱藏層由長短期記憶網絡（LSTM）構成。模型使用64個隱藏單元，學習率設置為0.000 001，迭代次數為500次。

3.3 輸出層

輸出層的主要任務是將模型預測輸出值反饋計算損失并傳遞至優化器，同時完成模型最終輸出結果的反歸一化計算。

3.4 Adam優化器

文章研究氣溫預測模型采用Adam優化算法經行迭代以降低預測輸出值與實際輸出值的損失。Adam算法相比其他優化算法的不同之處在于其在迭代過程中對梯度均值以及梯度均值方差進行矯正，因而Adam優化算法受學習率的影響較小[11]。

4 結果分析

基于長短期記憶網絡的短期氣溫預測模型能夠較好地預測氣溫升降變化趨勢，模型預測結果與實際值的高最氣溫平均差值和最低氣溫平均差值都不超過2℃。氣溫預測結果，如圖7所示。

圖7 氣溫預測模型結果

定義模型準確率為實際值與預測值差值占實際值的百分比，如式8所示。綜上，文章研究短期氣溫預測模型的模型準確率為64.1%。

短期氣溫預測模型能夠較好地預測每天氣溫升降趨勢，但是模型對于不可控的急劇升溫降溫天氣的預測精度較低，如圖7曲線中間部分所示。

5 結論

文章運用LSTM深度神經網絡氣溫預測模型，對中汽中心鹽城汽車試驗場氣溫數據進行深度挖掘，取得了較好的預測結果，準確率達64.1%。該模型為整車道路試驗提前獲取了環境邊界條件，對試驗日程的組織計劃、順利開展、降本增效提供基礎數據支撐。

同時，通過采取擴大樣本數量、結合數據挖掘等方法可以提升模型預測精度；在此模型基礎上，能夠進一步開展對于風速風向、降雨等環境邊界條件的預測模型研究。