9、基于深度学习模型的月度天气预测性能分析

基于深度学习模型的月度天气预测性能分析

1. 研究背景与动机

天气预测在农业、能源等众多领域都有着至关重要的作用。以往大多数的天气预测方法主要使用每日天气参数来进行每日天气的预报，然而，要基于月度天气数据高精度、低误差地预测月度天气参数是一项具有挑战性的任务。因此，我们聚焦于研究深度学习模型在特定区域月度天气预报中的性能。

2. 相关研究回顾

在当前的先进研究中，已经有不少关于天气预报的工作：
- Holmstrom等人利用线性回归模型，基于过去2天的数据来预测未来7天的最高和最低温度，并使用了雨、降水、多云和非常多云这四种分类进行研究，但由于数据集较小，未能取得理想的预测结果。
- Jakaria等人在纳什维尔市的天气数据上实现了Extra Tree回归、随机森林回归和岭回归模型，结果表明随机森林回归器性能更好，因为它在决策时集成了多个决策树。
- Voyant等人在2017年利用多种机器学习模型来预测辐射。
- Murugan在2021年实现了一个混合机器学习模型来进行每日天气预报。
- 还有研究使用深度神经网络提出了短期本地天气预报模型来预测降雨和温度；Bewoor在2021年使用人工神经网络模型来预测每日天气参数；Zhang在2021年实现了半监督BiLSTM神经网络模型来预测空气质量，且BiLSTM模型表现优于LSTM模型，但该研究仅考虑了一个参数来预测天气。

3. 研究方法

本研究使用三种深度神经网络模型对天气参数进行预测和分析，比较了多层感知器（MLP）、双向长短期记忆网络（BiLSTM）和自回归积分滑动平均模型（ARIMA）。研究流程如下：