基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害,降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统(AWOS)收集的降水时序数据进行预处理,为深度学习提供训练和测试的样本集,然后分别构建长短期记忆模型(LSTM)和时序卷积网络(TCN)模型,实现对未来1~3 h降水量的预测,并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中,对未来1~3 h降水量的预测中,TCN模型的R 2分别为0.96、0.91和0.86。