文章目录
前言
提示：仅表示自己对于文章的理解，欢迎批评与交流：
近期正在学习时空预测的相关知识，写博客也是为了敦促自己学习，由于是小白，很多问题都不清楚，期待大家的交流，有错误的地方希望可以指正，谢谢！
论文名称：Occurrence prediction of cotton pests and diseases by bidirectional long short-term memory networks with climate and atmosphere circulation
论文地址
下面是我读完paper的笔记
‘’’
论文设计了一种改进的Bi-LSTM网络，利用气候因子和大气环流参数形成分类模型。
‘’’
1.数据
1、气候因子的组合：LTP, TF, PTR, THC.
2、循环参数的选择
使用基于随机森林的嵌入方法，选择了25个重要的循环特征，并将这25个特征与气候因子像融合，来预测棉花病虫害。
3、根据病虫害的发生程度，分为：无病虫害，轻微（<5%），一般（5~20%），严重（>20%）
4、将预测问题转化为是否有特征向量x的问题
2、网络结构
1、使用Bi-LSTM网络结构，它是由两个并行的LSTM单元组成的，分别对应输入序列和输入序列的反方向，在每个时间步，将前向隐藏状态和反向隐藏状态进行拼接，这样可以同时捕捉到过去和未来的信息。输出公式表示为：
2、
（1）（X, Y）假设为输入数据，其中X：38个特征值是指12个气候因子和25个循环参数，一个表示的是棉花病虫害历史值；Y表示病虫害的危害程度。
（2）对特征向量进行特征选择和特征组合，选择合适的特征预测病虫害水平
（3）为了使不同的病虫害之间可以进行比较，使用归一化和标准化
（4）将病虫害时间序列预测问题重构为监督学习问题，转换之后的格式为（样本数量，时间步长，样本特征）
（5）输入到Bi-LSTM网络中，引入“Dropout”避免过拟合
3、结果
paper中的试验：
1、分别根据指标AUC, ACC,F1-score, AP选择合适的Bi-LSTM的层数，全连接的层数以及全连接的单元数
2、分别于其他经典的机器学习方法进行比较，如KNN，随机森林和LSTM网络
3、相较于传统的神经网络，Bi-LSTM网络在处理小样本方面具有优势
