基于序列分解构图和注意力机制的天气预测方法及系统技术方案

本申请公开了基于序列分解构图和注意力机制的天气预测方法及系统，涉及天气指标预测技术领域。其中的方法包括：获取历史天气时间序列；对历史天气时间序列进行STL分解，获得分解后的三分量；根据每个分量的内在关系分别建立节点矩阵、边矩阵和图邻接矩阵，形成三个图结构；提取节点信息、节点之间的信息和图结构信息；将增强信息映射为单项预测结果，多个单项预测结果相加得到天气预测结果。本申请采用了高效的图神经网络模型来捕捉多个序列内部和序列间的关系，该模型将时间序列转化为图结构，利用图神经网络来捕获时空依赖性。模型还引入了具有注意力机制的消息传递方式，使模型根据时间序列中的关键节点和边动态地调整消息传递的权重。

【技术实现步骤摘要】

本申请涉及天气预测，特别涉及基于序列分解构图和注意力机制的天气预测方法及系统。

技术介绍

1、天气预测一直是气象领域的难点，其预测的本质是关于天气的多分量时间序列预测，它通过考虑多个相互关联的天气分量或特征，旨在全面地理解和预测时间序列数据的趋势和模式。在这种方法中，不仅要关注单一分量的历史数据，更要同时考虑多个维度的信息，以更全面地把握系统的动态演变。

2、在天气预测的早期阶段，主要关注于研究平稳的线性时间序列。然而，随着时间的推移，这一领域经历了长期的发展，从最初只能通过线性、平稳、单分量的简单时间序列建模，逐步演进为更为复杂的非线性、非平稳、多元的建模方法。最初的基于统计学的方法有arima，sarimax等。这些方法要进行繁琐的人工特征提取，而且模型主要用于捕捉线性关系，仅适用于单分量时间序列预测问题，无法达到理想的预测精度。

3、基于机器学习的方法主要有svm(support vector machine，支持向量机）、gbdt（gradient boosting decision tree，梯度提升决策树）、线性回归（l本文档来自技高网...

【技术保护点】

1.基于序列分解构图和注意力机制的天气预测方法，其特征在于，包括：

2.根据权利要求1所述的基于序列分解构图和注意力机制的天气预测方法，其特征在于，在对所述历史天气时间序列进行STL分解之前，还对所述历史天气时间序列进行标准化处理。

3.根据权利要求1所述的基于序列分解构图和注意力机制的天气预测方法，其特征在于，在将每个所述增强信息映射为相应的单项预测结果之前，还对每个所述增强信息进行规范化处理。

4.根据权利要求1所述的基于序列分解构图和注意力机制的天气预测方法，其特征在于，采用线性处理将每个所述增强信息映射为相应的所述单项预测结果。

5...

【技术特征摘要】

1.基于序列分解构图和注意力机制的天气预测方法，其特征在于，包括：

2.根据权利要求1所述的基于序列分解构图和注意力机制的天气预测方法，其特征在于，在对所述历史天气时间序列进行stl分解之前，还对所述历史天气时间序列进行标准化处理。

3.根据权利要求1所述的基于序列分解构图和注意力机制的天气预测方法，其特...

【专利技术属性】
技术研发人员：拓守恒，余哲，呼延一皓，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：