基于多维时间序列分解与增强KAN的复杂地形风速预测模型研究

《IEEE Access》：Wind Speed Prediction of Complex Terrain Based on Multi-Dimensional Time Series Decomposition

本文针对复杂地形区域风速变化快速剧烈、具有强破坏性且传统大尺度预测模型难以准确捕捉局部非平稳特性的挑战，提出了一种基于分解的多重稀疏自编码器增强Kolmogorov-Arnold网络(DMeKAN)的创新风速预测方案。该研究通过引入多尺度稀疏自编码器(MSAE)有效捕获风速及相关气象因子在多频域的波动特征，并设计了具有时序感知机制的增强Kolmogorov-Arnold网络(eKAN)来显式建模多变量间的复杂非线性关系。实验结果表明，该模型在多元时间序列预测中的均方误差(MSE)降低了16.85%，性能显著优于基线方法，为局部复杂地形区域的高精度风速预测提供了可行的技术解决方案。

　　

在群山环绕的复杂地形区域，风的变化如同顽皮的孩子般难以捉摸——瞬息万变、强劲有力且破坏性极强。2021年，21名马拉松选手因突如其来的强风和极端天气不幸遇难；2025年3月，美国一场龙卷风导致30多人死亡，并引发了野火、沙尘暴和洪水等次生灾害。这些触目惊心的事件揭示了准确预测复杂地形区域风速的紧迫性。然而，现有主要针对大尺度气候条件设计的预测模型，往往忽视了小尺度区域风速变化的局部性和非平稳特性。由于经济和环境限制，这些模型难以有效捕捉复杂地形特有的随机性、间歇性和波动性，使得精准的局部风速预测成为气象学领域的一大挑战。

针对这一难题，湖南大学孙静如研究员团队在《IEEE Access》上发表了题为“Wind Speed Prediction of Complex Terrain Based on Multi-Dimensional Time Series Decomposition”的研究论文，提出了一种创新的DMeKAN（基于分解的多重稀疏自编码器增强Kolmogorov-Arnold网络）方案，专门解决小尺度区域风速预测的挑战。

研究团队采用了多项关键技术方法：首先通过傅里叶变换将原始时间序列分解为趋势项和季节项成分；针对趋势成分，采用CNN-BiGRU混合架构捕捉单调长期趋势；针对季节性成分，设计多尺度稀疏自编码器(MSAE)和增强Kolmogorov-Arnold网络(eKAN)建模复杂周期性波动；特别引入时序感知机制使KAN网络能够适应时间序列上下文，显著提升对动态变化的响应能力。研究基于湖南山区气象站57771记录的4,416条真实复杂地形数据集进行验证，同时采用Tetuan城市功耗消耗数据集和Time Series Library(TSLib)基准数据进行鲁棒性测试。

趋势特征提取模块

该模块采用CNN（卷积神经网络）和BiGRU（双向门控循环单元）混合架构处理趋势数据。通过双层层一维CNN架构，每层后接最大池化进行特征提取和维度缩减，有效捕获多尺度时间依赖性。CNN输出经sigmoid函数映射到[0,1]范围后，输入BiGRU层，其中前向GRU从历史数据提取模式，后向GRU从未来解码潜在特征，这种协同操作增强了模型捕捉长程依赖性的能力。

季节性数据特征提取

季节性数据特征提取模块采用多分支机制，包含k个相同的SAE-eKAN层，每个层在不同特征提取尺度上运行。多重稀疏自编码器(MSAE)用于特征提取，通过编码器将数据映射到低维潜在变量表示，解码器从潜在变量重构原始输入。增强Kolmogorov-Arnold网络(eKAN)通过引入时序感知机制，使用BiGRU网络提取时序特征，将最终隐藏状态作为全局时序上下文，通过线性变换映射到每层的时序状态，动态调制KAN基函数行为。

评估与结果分析

实验设置了三个预测长度(Length=1,5,12)，与iTransformer、NSTransformer、FEDformer、TimesNet和TimeMixer五种基线方法进行比较。结果显示，DMeKAN在不同预测范围内均表现出优越的整体性能。在中期和长期预测(Length=5,12)中，DMeKAN在所有指标上 consistently 排名第一。特别是在预测长度为12时，DMeKAN的MSE为0.2532，MAPE为19.40%，SMAPE为20.25%，显著优于所有基线方法。

消融研究

消融研究通过移除趋势模块、季节模块、SAE模块以及用Transformer模块替换趋势模块，创建了四种模型：MeKAN、DSTP、DMeKAN*和DMeKAN_Transformer。结果显示，去除趋势模块或季节模块都会导致准确性显著下降，证明了在框架中整合趋势和季节模块的关键作用。数据分解机制的有效性通过计算分解前后多变量间的Pearson相关系数得到验证，分解后气象因子与周期性风速成分间的相关系数从最高仅0.22显著提升到0.24至0.91。

实时部署与应用

为验证实际适用性，训练后的模型成功部署在NVIDIA Jetson Xavier NX嵌入式开发平台。系统通过串行通信接口收集实时气象传感器数据，采用滑动窗口机制对接下来一小时内各气象变量的变化进行实时滚动预测。实际部署表明，DMeKAN模型在Jetson Xavier NX平台上高效执行推理任务，处理速度完全匹配实时数据流的输入频率。

研究结论表明，DMeKAN模型通过整合多模态时空特征提取、非线性关系建模和动态特征增强三项核心技术，有效解决了复杂地形区域风速预测中的随机性、间歇性和小尺度波动等关键挑战。该模型不仅准确捕捉风速的长期趋势、季节模式和短期波动特征，还能有效分析风速与多源气象因子间的复杂耦合关系。当前模型已成功在实际Linux系统中部署，实现实时数据采集和同步训练，为智能风能管理、精准农业和智能交通等应用提供了可靠的技术支持。未来研究将进一步优化模型在其他复杂环境中的鲁棒性，并探索其在更广泛天气预报场景中的潜在应用。

该研究的创新性在于首次将Kolmogorov-Arnold网络(KAN)引入多维风速预测问题，通过设计具有时序感知机制的增强KAN(eKAN)，显著提升了模型在多维时间序列中捕捉特征的能力。实验结果表明，基于真实复杂地形数据集，提出的DMeKAN模型明显优于现有方法，预测精度提高16.85%，为局部复杂地形区域的高精度风速预测提供了创新解决方案。