金郁淇 李知何

摘  要：气温的变化对于社会生产、人民生活以及生态环境都有着重要影响。为了实现气温的精细化预報，提出一种基于长短期记忆神经网络（LSTM）的逐时气温预报模型。实验使用仙居国家基本气象站2017—2021年的每日逐小时气象观测数据，通过气压、降水、风速等多要素的历史数据预报未来12小时的逐小时气温值，平均绝对误差值为1.14 ℃，相比循环神经网络（RNN）模型的1.21 ℃，其精度更高，利用该模型对气温进行分析可为气象工作者提供一定的参考。

关键词：气温预报；长短期记忆神经网络；循环神经网络；深度学习

中图分类号：TP18；TP39 文献标识码：A 文章编号：2096-4706（2023）09-0026-04

Abstract： The change of temperature has an important impact on social production， people's life and ecological environment. In order to achieve the refined prediction of temperature， an hourly temperature prediction model based on Long Short-Term Memory （LSTM） is proposed. We use the daily hourly meteorological observation data of Xianju National Basic Meteorological Station from 2017 to 2021 to forecast the hourly temperature in the next 12 hours through the historical data of pressure， precipitation， wind speed and other factors. The average absolute error is 1.14 ℃， which is more accurate than the 1.21 ℃ of the recurrent neural network （RNN） model. The analysis of temperature using this model can provide certain reference for meteorologists.

Keywords： temperature prediction; Long Short-Term Memory; recurrent neural network; deep learning

0  引  言

气温的变化与人类的生产生活密切相关，在医疗卫生[1]、交通运输[2]、生态环境保护[3]等方面影响重大。随着经济社会的发展，社会各界对气象预报的需求越来越精细化，每日最高与最低气温的预报不能满足众多行业和公众的特殊需求，人们对天气的要求在不同时段也会不同，因此需要不断提升气象预报服务的精细化水准[4]。随着气象观测设备的升级换代，气象领域内产生了大量的数据，为开展天气现象的精细化预报带来了众多可能性。

气温的变化受多种条件影响，可以看作受多种因素影响的时间序列数据[5]。而长短期记忆神经网络（LSTM）作为一种时间递归神经网络，能够有效地学习长期的时间序列信息[6]，将过去的数据与未来的数据变化紧密结合，在电力负荷预测[7]、月降水量预测[8]、疫情防控[9]等方面都已有了先例。……