1.1 研究目的及意义

经过长期的发展，机器学习已经拓展至了深度学习领域。深度学习算法具有强大的分析和学习能力，是机器学习算法当中具有极高复杂程度的算法之一，在解决诸如视觉识别、语音识别和自然语言处理等很多问题方面都表现出色。在不同类型的神经网络当中，卷积神经网络是得到最深入研究的。早期由于缺乏训练数据和计算能力，要在不产生过拟合的情况下训练高性能卷积神经网络是很困难的。标记数据和近来GPU的发展，使得卷积神经网络研究涌现并取得一流结果，有效增强多层感知器的数据分析、图像处理等能力。

天气与人类活动密切相关，随着科技发展和生活节奏的加快，准确精细的天气预报在日常生活、工作、国防与军队建设上起到越来越重要的作用，但是，对天气的精准预报一直是天气预报中的重点和难点，但是由于BP神经网络的缺陷，其在气象预报业务方面的发展受到了极大制约．而近年来，人工神经网络的重大发展，使其在各项领域应用上都有了重大突破。

卷积神经网络识别是近年该研究领域普遍流行的一种方法，该方法具有一些传统技术所没有的优点：良好的容错能力、分类能力强、并行处理和自学习能力，并且是离线训练和在线识别的。这些优点使它在气象领域能对大量数据进行快速实时处理，并达到良好的预测效果。TensorFlow是一种采用数据流图，用于数值计算的开源软件库。它通过构建有向图来描述所要执行的操作，可以灵活的使用设备中的 CPU 或者 GPU 展开计算。TensorFlow 提供了构建神经网络的接口，因此便于构建卷积神经网络，简化编程任务。与传统平台构建的识别模型相比，提高了效率，体现了TensorFlow在提高建模、编程、分析效率中的作用。

1.2 国内外研究现状

进入九十年代以来，神经网络（NN）技术发展十分迅速，它具有模拟人类部分形象思维的能力，是一种模仿人脑学习、记忆、推理等认知功能的新方法。特别是它的信息并行分布式处理能力和自学习功能等显著优点，更是激起了人们对它的极大的兴趣。卷积神经网络（CNN）是一种多层神经网络，擅长处理图像特别是大图像的相关机器学习问题。它通过一系列方法，成功将数据量庞大的图像识别问题不断降维，最终使其能够被训练，一个典型的卷积神经网络由卷积层、池化层、全链接层共同组成，这其中最重要的就是卷积层, CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。

目前卷积神经网络已在气象预测领域取得了很好的效果，但其网络结构及参数的选择对天气预测的效果和效率有较大的影响，为改善卷积网络的天气预测性能，利用tensorflow架构编写CNN-LSTM神经网络模型进行分析处理，尽可能的提高预测精度。

2. 研究的基本内容与方案

基本内容：本文将提出一种针对气象数据的CNN-LSTM神经网络，阐述并诠释其原理，并用其对未来天气的预测进行了探索．人工神经网络一直是气象预测的一种重要手段，在图像分析中，CNN可以成功的识别图像特征，致使图像识别领域的快速发展，而在时间序列分析中，近年来出现的LSTM网络则体现了强大的预测能力，并且在语音识别、自动乐曲谱写、自然语言学习已经有了重大应用，而在气象领域，也有LSTM结合CNN进行雷达回波的案例。

目标：在进行天气预报的传统过程中，会对历史的天气图和数值产品进行人工分析，然后得出结论，其过程简单描述如下：一是分析天气图或预报产品，得出形势预报结论；二是通过形势预报结合当地气象概况得出要素预报．如果把这两步继续简化．那第一步是针对天气图或预报产品提取特征（形势预报），第二步是拟合特征和当地历史气象信息，得出我们预报需要的值（要素预报）．这两步对应到CNN-LSTM模型中，第一步使用CNN去提取数据特征，第二步使用LSTM去拟合历史气象信息，得出要素值。

拟采用的技术方案：为了训练模型，需要定义一个loss function来描述精度。Loss值越小，代表模型的分类结果与真实值得偏差越小，也就是说模型越精确。开始给模型初始化为零，训练的目的是不断将这个loss减小，直到达到一个全局最优或者局部最优解。对多分类问题，通常使用cross-entropy作为loss funciton。有了算法跟损失函数以后，只需要再定义一个优化算法即可开始训练。定义好优化算法后，Tensorflow就可以根据定义的整个计算图自动求导，并根据反向传播算法进行训练，在每一轮迭代时更新参数来减小loss。至此，便可完成训练，接下来可以对模型的准确率进行验证。