基于小波变换和LSTM混合模型的气象时间序列预测研究

随着生态环境意识的提高和科技的进步，气象数据的预测研究逐渐成为深度学习领域的热门话题。气象数据不仅是气象领域研究中极其重要的资料，也可应用于环境、能源等诸多领域的科学研究，对我国经济和生态环境发展起着重要作用。本文针对气象数据多波动、非线性且存在极端数据等特点，构建了经小波变换降噪处理后基于LSTM神经网络的混合预测模型。该模型首先通过小波变换将原始气象数据分解为低频和高频分量后再重新组合去噪，继而使用LSTM网络模型建模预测，并以未来时刻的气象指标作为最终预测结果。本文以平均风速、地表温度和降水为例进行实证验证。研究结果表明，与长短期记忆神经网络(Long Short-Term Memory, LSTM)等单一模型相比，本文提出的预测方法具有更高的预测精度，更小的预测误差，可为气象预警、自然灾害管控等部门提供具有参考价值的方案。

气象变化带来的天气变化时刻影响着各行各业的日常生活，气象数据作为气象灾害预报以及情势预报分析的重要参数，可为应对极端自然灾害预警提供合理参考[1]。气象变化本身就是一个受多因素影响且存在极端情况的过程。然而，随着全球经济的飞速发展，人类对自然界气候的影响逐年增大，改变气象数据的因素逐渐增多也更加复杂，导致建立气象预测模型的难度增加，从而加大了气象预测研究的工作难度。

进入二十一世纪后，气象观测领域无论是在观测方法、观测技术还是观测设备以及气象观测站数量上都得到了迅速发展。虽然气象观测站能够保存和收集到大量的历史和实时气象数据资料，却缺乏有效的手段加以利用，一般仅根据传统的数理统计学知识对获取的气象数据资料进行修正和预测[2]。为了迎接大数据时代的到来，也为了充分利用气象观测站收集的气象数据资料，本文利用深度学习及神经网络相关技术知识对气象时序数据进行建模，构建的网络模型可以利用大量气象时序数据学习隐藏在数据背后的关联[3]。本文针对平均风速、地表温度和降水气象时序数据建立时间序列预测模型，通过搭建各种经典神经网络形成时间序列预测混合模型，寻找普通神经网络预测时序数据存在的不足，并在此基础上利用小波阈值降噪技术组合相关神经网络模型来进行气象时序数据的预测。

基于上述分析，本文提出了一种适用于气象时序数据预测的方法。本文的主要贡献分为两个部分： 1) 将气象站收集的真实气象数据用于小波阈值降噪法进行降噪，解决因噪声影响预测结果的准确性问题。

2) 将降噪后的气象时序数据输入深度学习循环神经网络中进行预测。

本文结构如下：第二章介绍小波变换阈值降噪与LSTM 网络，第三章展示实验，第四章总结本文。