12、南非天气预测中的时空图神经网络研究

南非天气预测中的时空图神经网络研究

1. 模型概述

在天气预测领域，不同的深度学习模型展现出各异的性能。WGN 模型存在一定局限性，它采用了 LSTM 架构，与 TCN 相比，LSTM 在处理时间序列方面相对较弱。而且，WGN 模型在稳定性和鲁棒性评估上不够有效，也未与当前先进的 ST - GNNs（如 Graph WaveNet）进行对比。

Graph WaveNet（GWN）由 Wu 等人提出，通过时空层捕捉时空依赖关系。这些层包含 TCN 层和图卷积层，能同时捕捉时间和空间依赖。GWN 的自适应邻接矩阵与 WGN 不同，它随机初始化为两个节点嵌入，经过相乘、ReLU 函数去除弱连接以及 SoftMax 归一化后，可在无需先验知识的情况下捕捉隐藏的空间依赖。此外，GWN 的图卷积层还可结合先验知识与自适应邻接矩阵。

GWN 在交通流量预测和股票价格预测中表现出色。在交通网络数据集上，GWN 模型在不同预测时间范围内均优于早期的 ST - GNN 模型；在股票价格预测中，它也胜过了一些较新的 ST - GNN 架构。不过，之前的研究采用基本的留出法评估策略，未对模型在数据集不同部分的性能进行深入探究，这使模型的鲁棒性存疑。

2. 实验设计

• 数据 ：实验数据由南非气象局提供，包含 22 个气象站 2012 年 1 月至 2019 年 12 月每小时的地表气象观测数据，共 70128 个时间步，每个时间步记录 6 种地表气象观测值。
• 预处理 ：
  1. 仅纳入缺失数据少于 10%的气象站，最终数据集包含