基于图卷积网络和门控循环单元的多站点气温预测模型

• 作者: 马栋林 马司周 王伟杰
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 时空预测 气温预测 多站点 时空特征 图卷积网络 门控循环单元
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 前沿与综合应用|Frontier and comprehensive applications
• 页码范围: 287-293
• 页数: 7页
• 分类号: TP389.1
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2021010099

摘要

时空预测任务在神经科学、交通、气象等领域应用广泛.气温预测作为典型的时空预测任务,需要挖掘气温数据中固有的时空特征.针对现有气温预测算法存在预测误差大、空间特征提取不充分的问题,提出一种基于图卷积网络和门控循环单元的气温预测(GCN-GRU)模型.首先,使用重新分配权重和多阶近邻连接方式修正图卷积网络(GCN),以有效挖掘气象数据独特的空间特征;然后,将门控循环单元(GRU)中每个循环单元的矩阵乘法替换成图卷积操作,并将所有的循环单元串联起来构成图卷积门控层;接着,使用图卷积门控层搭建网络主体结构来提取数据的时空特征;最后,通过一个全连接的输出层输出气温预测结果.通过与GRU和长短期记忆网络(LSTM)等单一模型对比,GCN-GRU模型的平均绝对误差(MAE)分别减小了0.67和0.83;与切比雪夫图卷积和长短期记忆网络结合的预测模型(Cheb-LSTM)、图卷积网络和长短期记忆网络结合的预测模型(GCN-LSTM)对比,平均绝对误差分别减小了0.36和0.23.