基于多个神经网络模型融合的时空序列预测.pdfVIP

摘要

时空序列预测一直以来都是统计学的重点研究内容，广泛地应用于智慧交通、

气象环境、金融经济等实际应用领域。所谓时空序列预测即是利用过去和当前时空

序列的时空依赖性对未来时刻的数据进行预测和分析。常用的方法包括传统的统计

预测模型、基于机器学习的方法和序列数据到序列数据的预测方法等。然而，注意

到上述方法皆是基于单个模型进行时空序列数据的预测和分析，容易导致预测性能

低下、预测结果不鲁棒等问题，为此，多模型融合的时空序列预测方法被提出，可

以有效提升模型的准确性和稳定性。

特别地，深度神经网络模型已经成为当前时空序列数据预测的基准模型，因此，

针对气象云图序列数据，提出了一种基于2D-CNN（Two-DimensionalConvolutional

NeuralNetworks）神经网络模型、3D-CNN（Three-DimensionalConvolutionalNeural

Networks）神经网络模型和ConvLSTM（ConvolutionalLongShortTermMemory）

神经网络模型融合的气象云图序列预测方法；针对雾霾2.5时空序列数据，提出

了一种基于图卷积神经网络模型、Transformer神经网络模型和GRU（GatedRecurre

ntUnit）神经网络模型融合的时空序列预测方法。具体如下：

1.在气象遥感云图序列分析中，原始数据包括过去和当前时刻的可见光云图数

据和二值云图（云和天空）数据，二值云图数据主要从像素点层面获取云信息，而

可见光云图数据更多则从图像的空间结构中获取云信息。鉴于云图像的复杂性和多

样性，融合和利用不同源数据的信息以提高数据分析和决策的准确性和效率是进行

图像识别和分析的关键。另外，基于相邻图像差的光流信息能有效反映相邻图像之

间空间结构的变化，为此，考虑通过ConvLSTM深度神经网络模型提取云图序列不

同图像的时间变化信息和单张图像的空间结构信息，使用堆叠多层的2D-CNN神经

网络模型提取光流特征以获取不同图像的空间结构变化信息，使用堆叠多层的3D-C

NN神经网络模型直接提取二值云图的云和天空比例的变化信息，然后对获取的多

源数据特征进行加和融合，得到更加丰富全面准确的图像特征表示，对未来时刻的

云图序列进行预测。在收集的地基可见光云图序列数据集上验证了提出方法的有效

性和优越性，实验结果表明提出的模型融合方法比单一模型方法平均性能提升约2-

3个百分点。

2.在雾霾2.5时空序列数据分析中，原始数据具有典型的时间和空间结构特性，

既包括不同时刻的2.5浓度的时间序列数据，也包括不同空气质量监测站点的空

间结构数据，有效融合时间和空间信息是进行时空序列数据分析的关键。为此，考

虑首先利用图卷积神经网络模型提取雾霾2.5数据的空间结构信息，利用Transfor

mer神经网络模型的编码结构提取数据的时空全局特征，接着通过门控机制进行特

征融合；最后通过GRU神经网络模型结构更好地捕捉2.5序列的时间相关性信息，

以对未来时刻的2.5时空序列进行预测。在收集的山西省2.5浓度数据集上验证

了提出的方法在向后一步至十步预测中大多数情形均优于GCN（GraphConvolution

alNetwork）模型、GRU模型、T-GCN（TemporalGraphConvolutionalNetwork）模

型、T-GCN-W（WeightedTemporalGraphConvolutionalNetwork）模型和ST（Spatia

lTransformer）模型等基准深度神经网络模型。

关键词：时空序列预测；ConvLSTM模型；GCN模型；GRU模型；Transformer模

型

ABSTRACT

Spatiotemporalseriespredictionhasalwaysbeenthefocusofstatisticsresearch.Ithas

beenwidely