动态学习率神经网络预测气温的尝试

采用单站气象资料建立动态学习率的神经网络预测模型,进行逐日气温模拟预测,并与逐步回归预测模型和固定学习率的神经网络模型比较,结果表明,神经网络模型预测能力较好,但训练时间长。采用动态学习率的网络模型在不损失预测精度的前提下大大减少了训练时间,为神经网络在气象中的应用提供了一种方法。

基于ARIMA模型和CNN-LSTM组合模型的全球气温预测分析

全球气温预测研究对于国家环境健康状况评价、环境问题分析和预防污染物浓度管理具有重大价值。为有效提升温度预报准确率,首次引入了ARIMA(自回归移动平均模型)模型进行温度预测,而后又给出了一个基于卷积层神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)相结合的温度预报模型。利用CNN卷积层和池化层为特征提取模块,从而获得了数据特征;将重构信息注入LSTM网络中挖掘气温的时序特征。结果表明,与单独使用LSTM、CNN进行预测及使用ARIMA模型预测相比,CNN-LSTM模型预测结果具有更高的准确率。

基于CNN-LSTM模型的全球气温预测研究

最新数据表明,自20世纪初以来,温室效应不断加剧,导致全球平均气温上升约1.4℃,极端高温天气严重影响了人们的生活、生产和健康。因此,对全球气温进行预测具有重要意义,本文根据气温时间序列构建ARIMA自回归时间序列预测模型和深度卷积长短期记忆网络模型(CNN-LSTM)对未来20年的全球年平均气温进行预测。为了对比CNN-LSTM模型和ARIMA模型的预测效果,我们分别利用1880年至2022年的全球平均气温数据对这两种模型进行了训练和预测。通过对预测结果的对比和精度验证,可以全面评估这两种模型在气温预测方面的表现。研究结果表明,CNN-LSTM模型在预测精度和稳定性方面优于ARIMA模型,CNN-LSTM模型结合了卷积神经网络(CNN)和长短期记忆网络(LSTM)的优点,CNN能够降低数据维度,而LSTM能保持对长时间跨度的时间序列的良好记忆。这种模型充分考虑了气象数据的时间相关性,从而可以提高对海量、长时间序列气温数据的预测精度。

基于几何平均优化器的门控循环单元模型GMO-GRU的气温预测

为提升气温预测的准确度,改善农业生产等领域的经营情况,提出了利用几何平均优化器算法优化门控循环单元神经网络的GMO-GRU模型。首先,在GRU模型参数选择方面,采用几何平均优化器对其模型选择进行优化。然后,采用伯克利的天气数据集对文中模型进行验证。验证结果表明,提出的预测模型在预测精度上有一定优势,相比于LSTM模型,GMO-GRU模型的MAE、RMSE、MAPE3种指标分别提升了5.5×10^(-3)、1.13×10^(-2)、7.2×10^(-3);相比于GRU模型,GMO-GRU模型的MAE、RMSE、MAPE3种指标分别提升了2.0×10^(-3)、8.9×10^(-3)、3.9×10^(-3)。

火源贴壁情况下顶部开口舱室内烟气温度预测研究

火灾现已成为船舶安全的主要威胁,因此以机舱为代表的顶部开口舱室火灾具有重要研究价值.但前人缺少对火源贴壁情况下舱室内火灾烟气温度的相关研究.本文通过分析火源贴壁情况下舱室内传热过程,构建火源贴壁时顶部开口舱室火灾烟气温度预测模型,并利用数值模拟进行验证.研究表明,贴壁火源与壁面间的热传导对于舱室内温度有明显影响,考虑了火焰与壁面热传导项的舱室温度预测模型能较为准确地预测火源贴壁时舱室内烟气温度,误差基本可以控制在30%内.

基于GRU-CNN模型的云南地区短期气温预测

为了利用较少的预测数据提高短期温度预测精度,将CNN(卷积神经网络)与GRU(门控循环单元网络)相结合,开展了深度学习技术在云南地区的日最高最低气温预测的应用;提取了云南地区8个站点1980-2019年的日度最高最低气温数据,将过去三十天的最高最低气温数据进行预处理后输入CNN、GRU与GRU-CNN模型进行训练,最终利用训练好的模型对站点未来三天的最高最低气温进行预测。在利用RMSE(均方根误差)和MAE(平均绝对误差)对预测效果进行评价后,结果显示GRU-CNN模型的预测效果显著优于CNN模型和GRU模型。GRU模型可以提取序列的时间变化特征,而CNN可以提取数据空间变化的深层局部特征,二者的结合提高了模型的适应能力,让模型可以应对诸如气温预测等复杂的深度学习问题。

基于时空序列的CNN-GRU气温预测模型

针对传统气温预测方法在面对多维度样本时模型收敛速率低、模型拟合程度差等问题,提出一种基于卷积神经网络(CNN)和门控循环单元(GRU)的组合预测模型。首先,使用CNN对原始样本数据进行降维,提取样本中各特征向量之间的隐含关系;其次,通过GRU网络学习降维后的样本数据的特征动态变化趋势与规律来实现气温预测。通过德国耶拿马克斯普朗克生物地球化学研究所气象站的气象观测数据验证所提模型。实验结果表明,与未采用卷积操作的Prophet-LSTM和PCA-GRU结构神经网络相比,所提模型在处理高维度样本数据时能在保证模型收敛速率的同时,分别将平均绝对误差(MAE)降低24.0%和22.8%,均方根误差(RMSE)降低42.2%和39.4%,验证了它在实际环境中预测温度趋势的有效性。

基于XGBoost和改进LSTNet的气温预测设计

气温变化与人类的生产生活密切相关,对人类出行计划、农林生产以及军事作战等方面都有着重要影响,因此对于大气温度更加精准的预测具有一定现实意义。针对传统预测模型对气温预测精度不佳的问题,提出了一种融合极端梯度提升树(Extreme Gradient Boosting,XGBoost)和改进长短期时序网络(Long and Short-Term Temporal Patterns with Deep Neural Network,LSTNet)的气温预测模型。利用XGBoost进行特征筛选,降低数据维度;利用LSTNet进行改进,在其卷积层嵌入通道注意力(Channel Attention,CA)机制,强化显著特征;把循环神经网络层中的循环门单元(Gate Recurrent Unit,GRU)改为双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM),并加入了时序注意力(Temporal Attention,TA)机制,使模型拥有同时提取正反向信息的能力且突出了重要时间步的信息;用建立好的模型进行预测实验和对比实验。实验结果表明,提出的改进模型在气温单步预测时,平均绝对误差(Mean Absolute Error,MAE)为0.303℃,相较于长短期记忆(Long Short-Term Memory,LSTM)神经网络等对比模型,MAE最多降低3.429℃,最少降低0.225℃;多步预测时,MAE随时间步增加,最多降低3.827℃,最少降低0.288℃,说明所提模型在单步预测和多步预测上预测精度都更高,优于同类模型。

基于分解-集合的TCN日平均气温预测

气温数据多为时间序列数据,其非平稳、非线性特性使得传统单一模型较难捕捉隐藏在数据内部的深层特征,因此提出一种基于分解-集合的时序卷积网络(CEEMDAN-WOA-TCN)气温预测模型。首先利用自适应噪声完备集合经验模态分解(CEEMDAN)对预处理后的数据进行分解,然后使用鲸鱼优化算法(WOA)参数优化后的时序卷积网络(TCN)对分解后的各个模态进行预测,最后将所有模态的预测结果线性集合,得到最终预测结果。实验以北京气象站点数据作为分析样例,结果表明,该模型可以有效地提取时间序列数据变化的潜在特征,实现较高精度的预测。

昔阳县基于Autoformer模型气温预测探究

为提高昔阳本地气温预测的准确性,该文运用Transformer模型的改进模型Autoformer模型对昔阳县平均气温数据训练,生成最后的气温预测模型,运用MAE和MSE对模型进行评估探讨。此次对Autoformer模型研究提高了基层气象部门本地区气温预测的能力,为天气短期预报准确率的提升提供了重要的手段。这些模型方法的应用大大丰富了气温预测的方法,为提高气温预测的准确率提升进行了深入的探讨。

南昌市城市热岛效应时空变化特征及模拟预测研究

本文以南昌市为研究对象,利用Landsat系列遥感数据,结合大气校正法反演地表温度、构建气温预测GM模型等方法,获取南昌市城市热岛效应时空变化特征,并模拟预测未来的温度变化。结果表明:(1)2005-2021年,南昌市的最高地表温度值上升了25.36℃,最低温度值上升了11.59℃,高温地区呈高度中心聚集化分布。(2)南昌市热岛效应主要集中在人口聚集与高速发展的中心城区,且地表温度呈现以城市建成区为中心向周边扩散降低的趋势。(3)2021年后南昌市的年均温将持续攀升,城市热岛效应问题将愈发严峻。(4)通过分析下垫面类型与地表温度空间分布化之间的关系,得出水域和植被与城市地表温度呈负相关关系,可以在一定程度上改善热岛效应。本研究提出的南昌市城市热岛效应时空变化基础数据与理论依据,为减缓城市热岛效应提供了可行的方法。

基于现代工业环境模拟下的全球气温预测研究

提出了一种基于计算机仿真技术来预测的全球年平均气温预测研究方法,利用MATLAB和SPSSPRO软件,分别使用GM和BP算法将1900-2022年的全球平均气温作为数据集,在BP神经网络中将输入数据随机抽取70%作为训练样本,抽取30%作为测试样本。分别用两种模型对2023-2040年全球平均气温作预测,最后得到使用GM模型预测2040年年平均气温为20.713℃,使用BP神经网络预测到的2040年年平均气温为20.533℃,并且两种模型评价指标的值为:(1)实践发现灰色预测模型的后验差比值C为0.232。(2)BP神经网络的评价指标:XMSE、XMAE、XRMSE、XMAPE分别为0.069,0.189,0.262,0.949,并且模型拟合度R2可达0.758。

天气衍生品气温预测模型对比研究

气温衍生品是天气衍生品交易中最活跃的合约之一,确定合理预测气温动态变化的模型,是气温衍生品开发设计的基础。考虑到气温在时间变化上具有趋势性、季节性和周期性等特点,文中使用了以O-U均值回复过程为基础的Continuous Time Autoregressive Model(CAR)模型、Seasonal Autoregressive Integrated Moving Average(SARIMA)模型和小波神经网络算法,并选择漠河、北京、乌鲁木齐、芜湖、昆明和海口具有地域性代表的城市气温进行拟合,使用无偏绝对百分比误差、绝对百分比误差和平均绝对比例误差检验指标检验了模型的预测精度。研究结果表明,小波神经网络算法在预测6个城市的无偏绝对百分比误差、绝对百分比误差和平均绝对比例误差的值最小;同时,相比CAR模型、SARIMA模型,其预测效果最优。因此,小波神经网络算法能够很好地拟合气温数据的变化,可以为我国气温天气衍生品的定价提供一定的指导。

基于支持向量机的海南气温预测模型研究

依据CMSVM2.0函数估计和交叉验证1等方法,利用1970~2014年海南省各市县月平均气温资料,建立气温的SVM回归方法预报模型,并进行了模拟实验.实验结果表明支持向量机算法在气温短期预测中具有良好的预报能力,其中交叉验证1的预测效果略高于业务预报,尤其在冬季、夏季和秋季均有较好的预报能力.此外,SVM对海南省北部、西部、南部市县的预报效果较好,而对中东部市县的预报效果相对较差.

青藏铁路沿线平均年气温变化趋势预测

青藏铁路沿线年平均气温具有很好的互相关性,特别是各站10年滑动平均气温序列互相关系数达到0.92,以此建立了1935—2002年青藏铁路沿线平均年气温序列Trw。研究表明:Trw对太阳黑子周期长度(SCL)和大气中CO2浓度有落后5年和15年的显著响应,其相关系数分别为-0.76(SCL)和0.88(CO2)。利用近1000年SCL的76、93、108、205和275年显著周期及均生函数模型预测了未来太阳活动周期的快慢:21世纪前50年的SCL总体偏长,活动周期放慢;后50年SCL总体偏短,活动周期加快。在考虑大气CO2浓度倍增和气候自然变化情况下,预测21世纪前50年Trw与20世纪最后10年(1990年代)相比,其升温幅度在0.5℃左右;与20世纪最后30年(1971—2000年)相比,其升温幅度在1.0℃以内。这一升温幅度的概率为0.64～0.73。

日气温多元时间序列局部支持向量回归预测

气温预报是天气预报的重要因素之一,但大气系统是一个复杂的非线性系统,要提高预报精度,需要探索新的预报方法。研究一种多元时间序列局部支持向量回归的日气温预测方法,以日最高、最低气温为例,使用C-C方法和最小预测误差法构造日最高、最低气温的多元时间序列,将分段提取最近邻点的方法应用于局部支持向量回归,建立提前1天的每日最高、最低气温局部预测模型。以中国753站资料包中的数据进行仿真实验,与欧氏距离提取最近邻点相比,分段提取最近邻点的方法能有效提高日气温的预测精度。多元时间序列局部预测模型在日气温的短期预测(10天以内)上比单元时间序列有着更好的应用价值。

基于AR-EGARCH的空气温度预测模型

天气衍生产品定价极其复杂,其中与温度相关的产品是目前研究热点,其定价核心在于温度变量的精确预测。传统AR-GARCH温度预测模型难以描述温度变量波动率的非对称性。基于此,构建了AR-EGARCH温度预测模型,它能够描述波动率的非对称性,更好地反映温度变化过程。对中国东部南北线六个较发达的城市进行实证研究,结果表明:六个城市的温度变化具有明显的非对称性,AR-EGARCH模型无论是拟合还是预测效果都较传统的AR-GARCH模型更优。

基于公众天气预报预测塑料大棚逐日极端气温

利用浙江省慈溪市的公众天气预报和草莓大棚内极端气温的观测数据,构建一个以室外日最高气温、最低气温、相对湿度、最大风级、白天和夜间天空状况作为输入变量,棚内日最高气温和日最低气温作为输出变量的BP神经网络预测模型。用以预测草莓大棚室内日最高气温和日最低气温。结果表明,该模型对大棚内日最高气温、日最低气温的训练值和实测值之间的均方根误差分别为4.0℃和1.3℃,绝对误差则分别为3.2℃和1.0℃;日最高气温和日最低气温的预测值和实测值之间的均方根误差分别为3.6℃和1.2℃,绝对误差为3.0℃和1.0℃。该模型数据获取方便,实用性强,模拟精度较高,可以较准确的预测未来温室内的极端气温,为温室管理和调控提供依据。

基于Elman神经网络的气温预测研究

[目的]建立预测气温动态变化的Elman神经网络模型。[方法]参考温度的固有特性,应用1951～2010年的重庆温度数据,采用Elman人工神经网络模型对温度进行预测估计。[结果]实证仿真结果表明,模型的相对误差较小,能够对未来气温变化进行较好的模拟。[结论]该模型预测结果可以用于指导农业生产,并可以进一步应用到天气衍生品定价等领域。

基于决策树组合分类器的气温预测

气象数据挖掘是近年来研究的热点,组合分类器能够实现协同计算以提高效率和准确性,就此本文采用数据挖掘方法中的决策树组合分类器对某地气象进行了气温预测,主要依据C4.5经典算法、Bagging集成方法构建组合决策树,并加入协同的思想建立了预测气温的决策树协同分析模型.实验表明,基于Bagging的决策树协同模型对于局部区域的气温预测具有较高的准确率.