中国大陆的温度预测：一种基于多源数据、时间卷积和通道注意力机制的集成方法

《Expert Systems with Applications》：Temperature prediction in mainland China: An integrated method based on multi-source data, temporal convolution, and channel attention

　　

姜佩远|关博文|郑晓

摘要

温度变化影响着人类社会的方方面面，而大气条件的固有不确定性和复杂性给精确的温度预测带来了重大挑战。尽管深度学习在温度预测任务中表现出竞争力，但在处理气象时间序列数据时仍面临两大主要难题。首先，现有研究很少考虑影响温度变化的外部因素，也缺乏对多源特征的研究。其次，现有模型相对简单，缺乏针对温度数据独特的时间和因素交互特性而开发的定制化混合模型。为了解释影响温度变化的多种因素以及气象因素的复杂时间依赖性和因素交互特性，本文首次引入了人类活动和空气质量因素，并提出了一种基于多源数据的深度学习混合模型以实现精确的温度预测。该模型结合了时间卷积网络（TCN）的时间特征提取能力、通道注意力（CA）机制的动态因素交互特征提取能力以及长短期记忆（LSTM）网络的时间序列拟合能力。我们在中国大陆的六个主要城市进行了实验。结果表明，在所有六个城市中，所提出的模型平均性能均优于单一模型和其他混合模型，实现了最低的MAE、RMSE、MAPE和U₂。此外，特征消融和模块消融实验进一步验证了多源特征和时间模块、通道模块在温度预测任务中的有效性，为温度变化研究和温度预测模型的开发提供了新的见解。