使用CNN-LSTM进行时间序列分析的天气预报：以德里温度数据为例
机器学习
2024-09-17 v1 分布式、并行与集群计算
摘要
随着全球气候变化加剧，准确的天气预报对于农业、能源管理和环境保护等领域日益关键。依赖物理和统计模型的传统方法通常难以处理复杂、非线性和时变的数据，这凸显了对更先进技术的需求。本研究探索了一种混合CNN-LSTM模型，利用1996年至2017年的历史气象数据，提高德里地区的温度预测精度。我们采用了直接和间接方法，包括全面的数据预处理和探索性分析，来构建和训练我们的模型。CNN组件有效提取空间特征，而LSTM捕获时间依赖性，从而提高了预测精度。实验结果表明，CNN-LSTM模型在准确性和稳定性方面均显著优于传统预测方法，其均方误差为3.26217，均方根误差为1.80615。该混合模型展示了其作为温度预测稳健工具的潜力，为气象预报及相关领域提供了有价值的见解。未来的研究应侧重于优化模型架构、探索额外的特征提取技术，并解决过拟合和计算复杂性等挑战。该方法不仅推进了温度预测，也为将深度学习应用于其他时间序列预测任务奠定了基础。
引用
@article{arxiv.2409.09414,
title = {Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data},
author = {Bangyu Li and Yang Qian},
journal= {arXiv preprint arXiv:2409.09414},
year = {2024}
}