摘要
天气变化对人类生产生活和社会经济发展有不容忽视的重要影响。近年来观测技术发展迅速，气象数据的规模和维度剧增，更是对气象预测提出新的挑战。随着深度学习方法逐渐成熟，越来越多的深度学习模型被用来进行温度预测。本课题基于气象时序数据，研究了气温变化的特征因子，通过对比分析各时间序列预测模型，构建了基于GCN-BiLSTM的气温预测模型，开展了对南京等城市的气温模拟预测，并进行了性能评价。 论文以中国区陆面范围为研究区域，基于气象站点气象时序数据主要开展了如下研究工作： （1）考虑其他气象特征对气温变化的影响，引入湿度、日照、降水量、风速、最高温度、近地气压以及时间属性的多维时序代替单一温度时序作为实验影响因子；同时考虑历史气象数据，通过滑动时间窗手段改造，扩展输入数据的时间维度。构建基于深度前馈网络DFN和长短时记忆网络LSTM深度学习网络的温度预测模型，并以江苏南京地区为例，预测各站点温度，并对模型进行精度评定； （2）考虑周边区域对研究区域气温变化的影响，利用图卷积网络GCN空间特征提取的特点基于GCN和BiLSTM网络构建温度预测模型，并以江苏南京地区为例，预测各站点温度并进行精度评定； （3）将DFN、LSTM模型以及传统ARIMA方法模型，与GCN-BiLSTM模型开展对比分析实验。进行各模型南京地区未来14天温度预测比较实验，以及各模型在哈尔滨、北京、济南、青岛、南京、杭州、广州、深圳未来一天温度预测比较实验，对比各模型性能指标表现，并分析GCN-BiLSTM模型的时空差异性。 实验结果表明，GCN-BiLSTM在与其他模型的比较中表现最佳，在实际温度预测中均方根误差RMSE为1.96，分别比DFN、LSTM、ARIMA方法模型低1.40、0.91和1.01；平均绝对误差MAE为3.11，分别比DFN、LSTM、ARIMA方法模型低0.99、0.59和1.47。分析发现各模型随着预测时间的延长误差会增大，其中ARIMA模型出现陡升现象，而GCN-BiLSTM变化较为平稳，同时，实验发现GCN-BiLSTM存在空间差异性，在气温波动稳定、温差小的地区具有更高的准确性。
NETL