结合物联网与GRU模型的天气时序数据预测方法

王 琪1, 李 志新1, 李 向1, 姜 丽艳2
1、长春工程学院，计算机技术与工程学院
2、中国人民解放军第九六四医院

摘要


深度学习在物联网（IoT）时序预测（如天气数据）中潜力显著。IoT设备生成海量时序数据，涉及传感器等多源采集与处理。本文采用门控循环单元（GRU），通过数据预处理、模型构建与优化，实现IoT驱动的精准天气预测。实验结果展示了GRU模型在时序数据预测中的性能对比其他机器学习算法显示了显著的提升。GRU的预测精度相比其他模型提高了大约15%。这表明GRU在处理复杂时序数据方面，比传统的差分整合移动平均自回归模型更有效，尤其是在捕捉时序中的长期和短期依赖性方面表现得更优越。

全文:

PDF


参考


[1]梁志宇，王宏志.智能物联网时序数据分析关键技术研究综述[J].智能计算机与应用，2023，13（12）：1-8.

[2]李杉，闵帆.基于GAT-GRU的增量式KPI时序数据异常检测模型[J].昆明理工大学学报（自然科学版），2023.

[3]关鹏，郑一力.基于LSTM和GRU模型的森林物候预测研究[J].资源与生态学报，2023，14（1）：25-34.

[4]翟文鹏，宋一峤，张兆宁.基于Transformer-GRU网络的4D航迹预测[J].重庆交通大学学报（自然科学版），2024，43（6）：94-101.

[5]Widiasari, I. R., & Efendi, R. (2024). Utilizing LSTM-GRU for IoT-Based Water Level Prediction Using Multi-Variable Rainfall Time Series Data. Informatics, 11(4), 73.

[6]Zhang, W., Li, X., Li, A., Huang, X., Wang, T., & Gao, H. (2024). SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction. arXiv preprint arXiv:2404.11854.


Refbacks

  • 当前没有refback。