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
