利用多尺度 CNN-LSTM-Attention 模型准确预测中国东部温度指标
机器学习
2024-12-12 v1
摘要
近年来，由于全球气候变化和数据科学的快速发展，准确天气预报的重要性日益突出。传统预测方法往往难以处理气候数据中固有的复杂性和非线性。为了应对这些挑战，我们提出了一种基于多尺度卷积 CNN-LSTM-Attention 架构的天气预测模型，专门用于中国温度数据的时间序列预测。该模型融合了卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制，以利用空间特征提取、时间序列建模和聚焦重要特征的能力。模型的开发过程包括数据收集、预处理、特征提取和模型构建。实验结果表明，该模型在预测温度趋势方面表现出色，精度较高。最终计算结果表明，均方误差（MSE）为 1.978295，均方根误差（RMSE）为 0.8106562。这项工作标志着深度学习技术应用于气象数据的重要进展，为提高天气预报准确性提供了有价值的工具，并为城市规划、农业和能源管理等领域的决策提供了重要支持。
引用
@article{arxiv.2412.07997,
title = {Accurate Prediction of Temperature Indicators in Eastern China Using a Multi-Scale CNN-LSTM-Attention model},
author = {Jiajiang Shen and Weiyan Wu and Qianyu Xu},
journal= {arXiv preprint arXiv:2412.07997},
year = {2024}
}