第7章 抉擇

  預測對比圖中，紅色數據為預測數據，藍色數據為實際數據，可以看出預測效果是比較好的，預測數據的均方根誤差僅為1.7739，說明誤差比較小，準確度比較高；同時，從圖形曲線上看，預測氣溫的曲線和實際氣溫曲線較為重合，當預測值與實際值有偏差時，相差的範圍也保持在較小的尺度範圍內，說明預測效果比較好。

  上一節展現了EMD-LSTM預測模型的預測結果，雖然從圖形上看預測效果比較好，誤差也比較小，但是只通過數據和圖形只會對預測結果停留在概念上，並不能直觀的理解。為了更直觀體現模型預測效果更好，將繪製不採用EMD方法而只用LSTM算法的模型的預測結果，同樣以7天預測1天為例，同時防止偶然性對比誤差，改變不同訓練區間尺度，將它與EMD-LSTM模型的預測結果進行對比，比較分析兩個模型哪個更有優勢，本文改進的算法模型是否更適合預測。

  在氣溫預測研究上出現了大量的模型，也不斷地對建立的預測模型進行改進，但在研究中同時又存在其他問題，氣象系統是一種典型的非平穩性系統，對平穩時間序列處理分析的模型對其擬合效果並不好，預測的準確程度也會大打折扣。而利用觀測到的氣象數據進行處理、模擬、分析、預測等研究中，大多模型都通常假定是平穩時間序列而完成構建的，這忽略了非平穩性帶來的誤差，會讓氣溫數據的預測值偏離實際值，預測效果就比較低。

  更新細胞狀態時，前一個細胞狀態要先逐點乘上遺忘向量以便進行判斷信息是否留存，如果乘上一個接近於零的值，反映信息是否保留的結果值就將越接近零，這就意味著在新的細胞狀態中需要丟棄該信息，而通過認證後的信息就會以輸出被保存，在這樣的操作下，細胞狀態便能逐點判斷選擇，將輸入門的輸出值添加進來，並且更新添加了神經網絡發現的新信息，這樣就獲得了更新後的細胞狀態。

  從LSTM模型數據對比圖（如圖7）與EMD-LSTM模型對比圖看，LSTM在圖形上預測效果並不如EMD-LSTM模型，前者的預測數據與實際日最高氣溫數據在一部分小範圍內有一定的小偏移；同時，選取不同的預測區間，進行模型準確度對比（如表3），不管在哪個區間內，EMD-LSTM預測模型的誤差都更小，說明它的預測準確度比LSTM模型更高，EMD-LSTM預測模型得到的日最高氣溫數據更加接近實際溫度，LSTM模型的預測效果不如EMD-LSTM模型。

  長短期記憶網絡（LSTM）算法適用於處理預測氣溫數據這樣的事件，運用LSTM能夠很好地幫助氣溫預測研究的進行，同時，經驗模態分解（EMD）方法用於氣溫數據的預處理是合適的，它幫助LSTM算法解決了非平穩數據存在的問題，LSTM模型結合EMD方法會使得預測結果更加接近真實數據，比單獨採用LSTM模型進行預測效果更加合適、更有優勢。