GPAformer模型在气温预测中的应用研究

来源：计算机技术与发展杂志2025年第03期北京时间：

作者：王文豪;李秀芹

摘要：气温作为关键气象变量,对环境、农业和公共健康具有重要影响,精准预测是应对气候变化的基础。 深度学习在气温预测中表现出对非线性关系和复杂模式建模的优势,但在面对多维度气温数据处理及长期依赖关系捕捉方面仍有不足。 为此,提出了一种高斯过程驱动的 Autoformer(GPAformer)气温预测模型,结合高斯过程算子和自相关机制,通过对气象数据集的处理,增强了对气温时间序列变化的建模能力,提供更精准的预测。 在印度德里气象数据集上的 7 天气温预测实验中,该模型的平均绝对误差( MAE) 和均方误差( MSE) 分别为 0. 050 6 和 0. 013 5,相比 Autoformer、 Informer、Transformer、LSTM、GRU、MLP、RF 和 ARIMA 模型的 MAE 分别降低了 43. 96% 、50. 05% 、62. 10% 、80. 72% 、73. 51% 、78. 23% 、74. 83% 和 79. 57% 。 结果显示,该模型在捕捉气温变化趋势上具有显著优势,并在进一步验证后有望应用于其他地区的气温预测。

关键词：气温预测;深度学习;Autoformer;高斯过程;时间序列分析