基于时空信息融合的气温预测研究.pdf

摘要

气温是影响农业生产、能源供给、疾病预防和人民生活的重要因素。积极应对

气温变化是可持续发展的目标之一。在最近的几年中，气象观测技术的发展、数据

的持续增长以及深度学习技术的涌现，都为天气预报的研究开辟了全新的方向。气

温作为气象数据中的关键要素，展现出明显的时空分布模式，并伴随着复杂的非线

性联系，而传统神经网络模型虽然能反映天气资料的时序特征，但忽略了其内部的

空间联系。基于此，本文旨在利用山西省10个气象站点的气象数据，结合图卷积神

经网络（GCN）与双向长短期记忆网络（BiLSTM），并引入L1正则化和图注意力机

制，以实现对太原市气温的精准预测。

本文所做的工作如下：

1.本文首先使用动态相关性特征选择的方法进行气象特征的选择，选取互信息

值最大的特征以使得模型的输入更加精简，预测结果更为准确；接下来，提出了一

种基于GCN和BiLSTM的气温组合预测模型。从时间和空间两个维度对气象数据进

行了特征提取。与基线模型相比，该模型的预测结果更为精确。

2.在气象站点之间拓扑图的构建上，提出在GCN-BiLSTM模型基础之上引入

L1正则化惩罚项，并将其作为一个目标函数进行优化。对此目标函数进行求解，即

可得到气象图的稀疏邻接矩阵。实验证明，基于L1正则化的气温预测模型在降低模

型复杂度的同时，也实现了提高预测精度的目的。

3.在气象站点之间的权重连接问题上，提出在GCN模块中引入图注意力机制，

这使得模型能够根据邻居节点的权重信息进行自我调整，图注意力机制允许模型在

聚合邻居节点信息时，自适应地计算不同节点之间的权重。这意味着，在构建气象

数据的图结构时，模型能够识别并强调那些对预测目标（即太原市气温）贡献更大

的节点，同时削弱那些影响较小的节点。通过这种方式，模型能够更准确地捕捉站

点间的空间相关性，进而提升预测的精度。

关键词：图卷积神经网络；动态相关性特征选择；双向长短期记忆网络；L1正则化；

图注意力机制

I

ABSTRACT

Temperatureisanimportantfactoraffectingagriculturalproduction,energysupply,

diseasepreventionandpeopleslife.Activelyrespondingtotemperaturechangeisoneof

thegoalsofsustainabledevelopment.Inrecentyears,thedevelopmentofmeteorological

observationtechnology,thecontinuousgrowthofdata,andtheemergenceofdeep

learningtechnologyhaveopenedupcompletelynewdirectionsforweatherprediction

research.Asakeyelementofmeteorologicaldata,airtemperatureshowsanobvious

spatialandtemporaldistributionpatternaccompaniedbycomplexnonlinearrelations.

However,althoughthetraditionalneuralnetworkmodelcanreflectthetemporal

characteristicsofweatherdata,itignoresitsinternalspatialrelations.Basedonthis,this

paperaimstousethemeteorologicaldatafrom10meteorologicalstationsinShanxi

Province,combinedwithgraphconvolutionalneuralnetwork(GCN)andbidirectional

longshort-termmemoryn