基于注意力机制与自适应时序分解的气温预报模型OA北大核心CSTPCD

针对传统方法在捕捉气象序列长期依赖关系及泛化性能上的不足,提出了一种基于稀疏注意力与自适应时序分解的气温预报模型(ATFSAS)。该模型整体采用编码器解码器架构,结合稀疏注意力机制以有效捕捉气象观测数据间的长期依赖性。为减少编码过程中造成的冗余,提出了一种信息蒸馏方法。通过结合多层解码器与自适应时序分解单元,逐步细化预报信号中的周期性和趋势性分量,实现了较为精准的气温预报。基于德国耶拿气象数据集,进行24h精细化气温预报,其平均绝对误差为1.7108℃。基于中国地面气候资料日值数据集,进行中短期日平均气温预报和多地区单日平均气温预报,相比传统模型LSTM,ATFSAS模型的预报性能分别提升了35.56%和23.66%。