基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测

作者：张丽婷; 李鹏飞^*; 庞文静; 惠雯; 秦孟晟

来源：科学技术与工程, 2022, 22(09): 3453-3463.

• 深度学习
• LSTM
• M-LSTM
• SARIMA
• 降水量预测
• 扬州市区

降水量数据是一种非线性、非平稳的时序序列，传统的方法较难获取数据的变化规律，深度学习长短期记忆(long short-term memory, LSTM)能较好地处理多要素变量与降水量之间的非线性关系。利用扬州市区1960—2019年8种气象基本要素数据，采用传统季节性自回归积分滑动平均(seasonal autoregressive integrated moving average, SARIMA)模型和深度学习LSTM神经网络方法对降水量数据进行预测比对，并着重分析了LSTM在不同类型不同输入与输出模式形态下的预测水平差异。结果表明：传统的SARIMA模型中静态模式较动态模式能更好地反映出扬州市区月降水量数据变化趋势，且与实际值差距较小。动态模式容易造成误差累积或整体易呈现周期性稳态变化，实时性欠缺。深度学习LSTM多输入单输出动态预测模式下，完整周期的数据输入可以让神经网络更好地学习数据的变化规律。然而将多个周期数据作为一个输入单位，易造成模型过拟合。LSTM模型(预期回顾look＿back=12)对扬州市区月降水量预测精度优于传统的SARIMA模型，均方根误差(root mean squared error, RMSE)训练值低0.02。LSTM多输入单输出动态模式(look＿back=12)较LSTM多输入多输出静态模式，RMSE测试值低0.33,体现出该模式对扬州市区月降水量预测准确度更高。与此同时，多类LSTM(multi-category LSTM,M-LSTM)多输入多输出静态模式预测准确度优于LSTM多输入多输出静态模式，RMSE测试值低0.19,反映出M-LSTM多输入多输出静态模式的优点。

• 单位
  扬州市气象局; 哈尔滨工业大学; 中国气象局气象探测中心; 自动化学院