GPAformer模型在气温预测中的应用研究

• 全文链接
• 请求原文

作   者：

王文豪;  李秀芹; 

作者机构：

华北水利水电大学信息工程学院; 

关键词：

时间序列分析;  深度学习;  Autoformer;  高斯过程;  气温预测; 

期刊名称：

计算机技术与发展

i s s n：

1673-629X

年卷期：

2025 年 35 卷 003 期

页   码：

187-193

摘   要：

气温作为关键气象变量，对环境、农业和公共健康具有重要影响，精准预测是应对气候变化的基础。深度学习在气温预测中表现出对非线性关系和复杂模式建模的优势，但在面对多维度气温数据处理及长期依赖关系捕捉方面仍有不足。为此，提出了一种高斯过程驱动的Autoformer(GPAformer)气温预测模型，结合高斯过程算子和自相关机制，通过对气象数据集的处理，增强了对气温时间序列变化的建模能力，提供更精准的预测。在印度德里气象数据集上的7天气温预测实验中，该模型的平均绝对误差(MAE)和均方误差(MSE)分别为0.050 6和0.013 5,相比Autoformer、Informer、Transformer、LSTM、GRU、MLP、RF和ARIMA模型的MAE分别降低了43.96%、50.05%、62.10%、80.72%、73.51%、78.23%、74.83%和79.57%。结果显示，该模型在捕捉气温变化趋势上具有显著优势，并在进一步验证后有望应用于其他地区的气温预测。