摘要
深度学习作为非常火热的研究方向，落地应用广泛。本文基于深度学习技术，对气温进行时间序列建模，通过分析真实的气象数据，提出了改进的深度学习融合模型。本文主要研究内容如下： （1）数据处理与特征工程。数据集包含两种类别，图结构数据的处理过程是：首先通过经纬度计算出气象站之间的距离，然后通过距离得出图结构的表示；节点特征数据的处理过程是：首先使用方差选择法和相关系数法进行特征选择，然后将时间维度的数据使用特征生成方式进行拆分，接着将数据使用缺失值填充和异常值处理方法进行处理，最后将数据按时间排序，使用滑动窗口方式切片，得出样本值和标签值。 （2）建立基于图卷积网络和门控循环单元的气温预测融合模型。首先通过重新分配权重和多阶近邻连接方式，改进图卷积网络的结构，降低了网络过平滑的风险；然后将改进的图卷积网络作为算子，替换掉门控循环单元中所有的矩阵乘法，完成模型构造；最后在真实气象数据上验证了模型的有效性和空间特征对气温预测有积极作用的假设。 （3）建立基于编码器-解码器架构的气温预测融合模型。为了使模型的输入和输出为长度可变的序列，本文设计了包含两个组件的架构：第一个组件为编码器，它接受一个长度可变的时间序列作为输入，并将其转换为具有固定形状的编码状态；第二个组件为解码器，它将编码器输出的固定形状编码状态映射为长度可变的序列。在具体实现的过程中，使用图卷积网络与门控循环单元构建编码器和解码器，完成气温预测融合模型，并通过真实世界的数据验证了模型的有效性。 （4）建立基于注意力机制的气温预测融合模型。为了使模型在长时间序列预测中效果更优，本文将输入的序列编码成时间位置向量和空间位置向量，再与原始的序列拼接，嵌入成高维的数据表示；然后将Transformer模型的位置前馈网络替换成图卷积网络，完成模型构建；最后在真实数据集上验证模型可以有效地捕获气象数据的时间动态性和空间异质性。
NETL