查看更多>>摘要:海表温度(sea surface temperature,SST)是海洋科学研究的重要内容之一.SST的异常波动导致海洋灾害、气象灾害现象时有发生,SST的精确预测对海洋环境保护和海洋经济发展有重要意义.针对SST序列的季节性、非平稳性,首先利用周期趋势分解算法(seasonal-trend decomposition procedure based on loess,STL)对数据进行预处理,分解得到季节分量、趋势分量和残差分量子序列,依次选择相应的预测方法构建组合模型.季节分量应用具有时间嵌入编码模块的Transformer网络预测,充分挖掘序列全局信息,解决时间序列长时间依赖问题;趋势分量应用线性回归模型预测;残差分量应用自回归模型预测.选取南海海域单点SST数据,应用基于STL的SST组合预测模型建模,预测 5 d的SST值.实验结果表明,本文模型在单点SST预测任务中,能够有效捕获SST变化规律,提高预测精度.