基于DWT-CNN-LSTM逐日气温预测模型研究
樊姝琪
刘慧铭
庄润杰
王诗雨
温永仙
福建农林大学计算机与信息学院,福建 福州 350002;福建农林大学统计及应用研究所,福建 福州 350002
摘要：气温的准确预测对人类生产生活、农业等方面至关重要.针对传统气温预测方法难以捕捉数据的动态变化、预测精度差等问题,提出了一种融合离散小波变换(Discrete Wavelet Transformation,DWT)、卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合气温预测模型.首先,利用DWT对原始气温观测数据进行分解与重构;其次,使用CNN进行特征提取,使用LSTM对提取的特征信息进行处理,以实现气温预测.同时采用均方根误差、平均绝对值误差和决定系数作为评价指标;最后,使用气温观测数据验证所提模型的有效性,并分别与LSTM模型、CNN-LSTM模型和DWT-LSTM模型进行对比分析.实验结果表明,与LSTM模型、CNN-LSTM模型和基于离散小波变换的LSTM模型相比,DWT-CNN-LSTM模型分别将RMSE降低了1.009 24,1.002 74,0.100 23,MAE降低了0.918 36,0.862 65,0.144 89,R2提高了0.047 03,0.046 62,0.004 00,验证了该模型在气温预测中的有效性.这一结果为气温预测领域提供了新的参考依据,并有望在未来得到更广泛的应用.
关键词：气温预测时间序列离散小波变换卷积神经网络长短期记忆网络
分类号：P456(天气预报)
资助基金：福建省自然科学基金项目(2021J01126)福建农林大学科技创新专项基金(KFb22094XA)
论文发表日期：2024-12-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：11( 1063-1073 )
英文信息