基于残差学习的 SARIMA LSTM 模型用于局部天气预报：数据驱动的气象预测方法
机器学习
2026-01-14 v1 人工智能
摘要
准确预测长期大气变量始终是气象学中的挑战，由于大气系统的混沌性质。温度数据表现为确定性周期性气候力的复杂叠加，以及随机的短期波动。行星力学驱动可预测的季节性周期性，而快速的气象变化，如温度变化、气压异常和湿度变化，引入了难以简单外推的非线性波动性。历史上，季节性自回归积分移动平均模型（SARIMA）一直是建模历史天气数据中的标准模型，因其擅长捕捉线性季节趋势而备受推崇。然而，SARIMA 在严格的平稳性假设下运作，无法捕捉突然的非线性转换，导致系统性残差误差，表现为对突发峰值的低估或对下降趋势的过度平滑。相反，深度学习范例，特别是长短期记忆网络（LSTM），在处理复杂时间序列数据方面表现卓越。通过利用记忆门，LSTM 学习复杂的非线性依赖关系。然而，LSTM 在开环预测中面临不稳定问题；没有地面实况反馈，微小偏差会递归性地累积，导致发散。为解决这些限制，我们提出了混合 SARIMA-LSTM 架构。该框架采用残差学习策略将温度分解为可预测的气候组成部分和非线性天气组成部分。SARIMA 单元建模稳健的长期季节趋势，而 LSTM 仅在 SARIMA 未能捕捉的非线性误差残差上进行训练。通过将统计稳定性与神经网络的灵活性融合，此混合方法最小化误差传播，提高了长期预测准确性。
引用
@article{arxiv.2601.07951,
title = {Hybrid SARIMA LSTM Model for Local Weather Forecasting: A Residual Learning Approach for Data Driven Meteorological Prediction},
author = {Shreyas Rajeev and Karthik Mudenahalli Ashoka and Amit Mallappa Tiparaddi},
journal= {arXiv preprint arXiv:2601.07951},
year = {2026}
}