基于CNN-LSTM-AM模型的气象湿球温度可靠预测方法

《Digital Signal Processing》：CNN-LSTM-AM Model-based Reliable Prediction Method for the Meteorological Wet Bulb Temperature

提出基于CNN-LSTM-AM的新型湿球温度预测方法，结合空间特征提取、时序建模与注意力机制，有效处理大规模气象数据中的异常值和非线性特征，显著提升预测精度与效率。

　　湿球温度作为一项重要的气象参数，在全球气候变化研究和环境热舒适度评估中发挥着关键作用。它不仅被广泛应用于极端气候条件的分析，还对人们的日常生活具有重要意义。然而，由于湿球温度无法通过单一仪器或传感器直接测量，其数据往往受到风速、太阳辐射以及周围物体热辐射等因素的影响，导致数据中不可避免地包含异常值，从而严重干扰了湿球温度的研究和分析。因此，提高湿球温度数据的准确性和处理效率，成为当前气象预测领域的重要课题。

传统的湿球温度预测方法主要依赖于数学、物理和数据分析技术，但这些方法在处理大规模气象数据时，普遍存在效率低、精度有限的问题。随着人工智能技术的快速发展，特别是深度学习在数据处理和建模方面的强大能力，越来越多的研究开始探索如何利用这些技术来提升湿球温度预测的准确性与效率。深度学习作为一种端到端的高效人工智能方法，能够处理复杂、波动、大规模和非线性数据，同时还能自动学习数据的高阶特征和表达方式，无需人工设计特征工程，因此具有较强的适应性和泛化能力。然而，目前大多数深度学习模型在湿球温度预测方面仍存在一定的局限性，例如模型单一、预测精度不足以及仅适用于短期预测等。

为了解决上述问题，本研究提出了一种基于卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制（AM）的新型混合预测方法。该方法通过结合CNN、LSTM和AM，能够同时提取时间与空间特征，并进行有效的权重分配，从而实现对湿球温度的长期可靠预测。这种方法利用CNN来挖掘与湿球温度相关的空间特征，通过LSTM进行时间序列建模，并借助AM对时空特征进行权重建模，从而提升了模型的整体性能。

本研究的主要步骤包括：首先，对湿球温度数据集进行预处理，使用LOF（局部异常因子）与孤立森林混合模型，去除数据集中的局部和全局异常值，从而显著提高数据质量并减少后续处理的数据量；其次，利用混合递归特征求（RFE）和皮尔逊相关方法，有效提取影响湿球温度的关键特征，如季节、干球温度、露点温度、站点气压和高度，并去除冗余特征如能见度、风速、风向和相对湿度，以提升建模效率和模型整体预测性能；最后，根据特征工程提取的关键特征，确定所提出的CNN-LSTM-AM模型的参数。

本研究的创新点在于：第一，采用LOF-孤立森林混合模型，对湿球温度数据中的异常值进行高效处理，从而提升后续模型的学习效率；第二，通过RFE和皮尔逊相关方法的混合应用，实现对关键特征的精准提取和冗余特征的去除，提高建模效率和整体预测性能；第三，提出基于CNN、LSTM和AM的混合预测方法，分别用于空间特征提取、时间序列建模和时空特征权重建模，从而实现对湿球温度的长期可靠预测。

在实验设计方面，本研究采用了Kaggle和GitHub官方提供的数据集，涵盖了2010年1月至2013年12月期间中国湿球温度相关数据，包括与季节、周期以及其他指标相关的详细记录。数据集总共有35064个条目，其中通过异常值处理后保留了32740个条目，并进一步划分为训练集和测试集。实验环境基于Windows操作系统，使用NVIDIA GeForce RTX 3050显卡，12 GB RAM，4 GB显存，以及8 GB共享内存。所有实验均基于PyTorch框架进行网络模型的构建与训练，使用的版本包括torchaudio、torch、torchvision和cuda分别为0.12.0+cu113、1.12.0+cu113和0.13.0+cu113。

实验结果表明，所提出的CNN-LSTM-AM模型在预测精度和效率方面均优于传统的RNN、TCN和CNN方法，以及部分组合方法如LSTM-LSTM、LSTM-AM、CNN-AM和CNN-LSTM。此外，对模型的鲁棒性验证也表明，其预测精度几乎不受关键参数选择的影响，具有较强的稳定性和适应性。

在方法实施过程中，首先进行数据预处理，去除异常值，确保数据的高质量。然后进行特征提取，选择对湿球温度影响较大的关键特征，并去除冗余特征，以提高模型的效率和性能。最后，利用所提取的特征训练和优化CNN-LSTM-AM模型，确保其能够准确捕捉湿球温度的变化趋势，并实现长期预测。

该方法在实际应用中具有重要意义。通过高效的异常值处理和特征提取，能够为后续的预测模型提供更加可靠的数据基础。同时，结合CNN、LSTM和AM的优势，使得模型能够同时处理时间与空间特征，提升预测的全面性和准确性。此外，该方法在处理大规模和非线性数据时表现出较强的适应性，为湿球温度预测提供了一种新的思路和方法。

在实验过程中，研究人员通过设置合理的参数，确保模型能够有效运行并达到预期的预测效果。实验结果显示，该模型在多个方面均表现出色，包括预测精度、效率和鲁棒性。这些结果不仅验证了该方法的有效性，也为未来的气象预测研究提供了参考和借鉴。

总的来说，本研究提出了一种基于CNN、LSTM和AM的新型湿球温度预测方法，该方法通过高效的异常值处理和特征提取，显著提升了预测的准确性与效率。同时，结合CNN、LSTM和AM的优势，使得模型能够同时处理时间与空间特征，为湿球温度的长期预测提供了可靠的技术支持。该方法在实验验证中表现出良好的性能，为气象预测领域的发展做出了积极贡献。