基于 CNN-LSTM 混合框架的多维降水指数预测
机器学习
2025-04-30 v1 人机交互
摘要
随着全球气候变化的加剧，对天气指标的准确预测在灾害防治、农业生产和交通等方面具有重要意义。降水作为关键的气象指标，在水资源管理、农业生产和城市防洪中发挥着关键作用。本研究提出一种基于 CNN-LSTM 混合框架的多维降水指数预测模型，旨在提高降水预测的准确性。该数据集来源于印度马哈拉施特拉邦的 Pune，涵盖1972年至2002年的月均降水数据。该数据集包含近31年（1972-2002）的月均降水数据，反映了该地区降水的长期波动和季节性变化。通过对这些时间序列数据进行分析，CNN-LSTM 模型有效地捕获了局部特征和长期依赖关系。实验结果表明，该模型实现了根均方误差（RMSE）为6.752，显著优于传统时间序列预测方法在预测准确性和泛化能力方面的表现。此外，本研究为降水预测提供了新的研究思路。然而，该模型在处理大规模数据集时需要较高的计算资源，其对多维降水数据的预测能力仍有待提升。未来的研究可将该模型扩展以支持和预测多维降水数据，从而推动更准确和高效的气象预测技术的发展。
关键词
引用
@article{arxiv.2504.20442,
title = {Multidimensional precipitation index prediction based on CNN-LSTM hybrid framework},
author = {Yuchen Wang and Pengfei Jia and Zhitao Shu and Keyan Liu and Abdul Rashid Mohamed Shariff},
journal= {arXiv preprint arXiv:2504.20442},
year = {2025}
}