机器学习模型用于小时级气温与相对湿度预报的比较研究
机器学习
2026-03-25 v1 人工智能
摘要
准确的短期气温与相对湿度预报对城市管理至关重要，尤其是在地形复杂的城市如中国重庆。本研究比较了七种机器学习模型：极端梯度提升（XGBoost）、随机森林、支持向量回归（SVR）、多层感知器（MLP）、决策树、长短期记忆（LSTM）网络和卷积神经网络-LSTM（CNN-LSTM），用于基于真实世界开放数据的小时预测。基于统一的数据预处理、滞后特征构建、滚动统计特征和时间序列验证框架，模型在预测准确性和鲁棒性方面进行了系统评估。结果表明，XGBoost 取得了最佳整体性能，对气温的测试平均绝对误差（MAE）为 0.302 °C，对相对湿度为 1.271%，两项预报任务的平均 R² 为 0.989。这些发现证明了基于树的集成学习在结构化气象时间序列预报中的强有效性，并为山区城市的智能气象预报提供了实践指导。
引用
@article{arxiv.2603.23282,
title = {A Comparative Study of Machine Learning Models for Hourly Forecasting of Air Temperature and Relative Humidity},
author = {Jiaqi Dong},
journal= {arXiv preprint arXiv:2603.23282},
year = {2026}
}