面向孟加拉国的注意力增强 LSTM 温度和降雨预测模型
机器学习
2025-10-29 v1 人工智能
摘要
准确的气候预测对孟加拉国至关重要，该地区高度易受气候变化对温度和降雨的影响。现有模型往往难以捕捉气候数据中长程依赖关系和复杂的时间模式。本研究引入一种集成注意力机制的高级长短期记忆（LSTM）模型，以增强对温度和降雨动态的预测。该模型利用来自 NASA POWER 项目的温度数据和 Humanitarian Data Exchange 的降雨数据（覆盖1901-2023年），有效捕捉了季节性和长期趋势。模型优于基准模型，包括 XGBoost、Simple LSTM 和 GRU，在温度预测上测试 MSE 为 0.2411（标准化单位），MAE 为 0.3860 度 C，R^2 为 0.9834，NRMSE 为 0.0370；在降雨预测上测试 MSE 为 1283.67 mm^2，MAE 为 22.91 mm，R^2 为 0.9639，NRMSE 为 0.0354。该模型在模拟气候趋势下仅增加 20% 的 MSE（相较于约 2.2 倍的基准模型无趋势特征），在区域性变化下 degrades 50%（相较于约 4.8 倍的基准模型无增强措施）。这些结果突显了该模型在提高预测精度方面的能力，并为理解孟加拉国气候变率的物理过程提供了潜在见解，支持气候敏感领域的应用。
引用
@article{arxiv.2510.10702,
title = {Attention-Enhanced LSTM Modeling for Improved Temperature and Rainfall Forecasting in Bangladesh},
author = {Usman Gani Joy and Shahadat kabir and Tasnim Niger},
journal= {arXiv preprint arXiv:2510.10702},
year = {2025}
}