昔陽縣基于Autoformer模型氣溫預(yù)測探究

喬顯棟　史賀龍

關(guān)鍵詞： Autoformer 氣溫預(yù)測 模型評估 研究

中圖分類號： X52 文獻標(biāo)識碼： A 文章編號： 1672-3791（2023）15-0054-04

近年來，我國的天氣預(yù)報準(zhǔn)確率大幅度提升。對氣溫預(yù)報的再提升仍然是一個大的課題，隨著機器學(xué)習(xí)的日益發(fā)展，利用機器學(xué)習(xí)的數(shù)學(xué)統(tǒng)計模型進行氣溫預(yù)測也成為天氣預(yù)報的一個方向。目前，基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的氣溫預(yù)測日盛，例如：花凡、李莉的基于長短期記憶網(wǎng)絡(luò)（LSTM）對氣溫預(yù)測進行了研究；朱國棟等人基于隨機森林的方法對機場溫度進行了初步預(yù)測；馬司周基于GCN、RNN 等模型對氣溫時間序列預(yù)測進行了探究；還有許多研究者基于BP 神經(jīng)網(wǎng)絡(luò)、XGBoost、LightGBM 等模型為區(qū)域氣溫預(yù)測提供了多種方法。這些模型方法的應(yīng)用大大豐富了氣溫預(yù)測的方法，為提高氣溫預(yù)測的準(zhǔn)確率提升進行深入探討。

2017 年，谷歌發(fā)表了一篇“Attention is All YouNeed”的論文，本文提出了一個基于Self Attention（自注意力機制）結(jié)構(gòu)來處理序列相關(guān)問題的Transformer 模型，并且在時間序列數(shù)據(jù)處理上如機器翻譯、閱讀理解等方面獲得了成功。而后很多技術(shù)團隊對Transfomer模型進行了很大改進，并衍生出Informer、Reformer、Payformer 等變體模型。清華大學(xué)的吳海旭機器學(xué)習(xí)團隊的Autofomer 模型在Transformer 基礎(chǔ)上進行了革新，并為2022 年北京冬奧會的氣象監(jiān)控和預(yù)測提供了有效支撐，補齊了氣象實時預(yù)報的短板。本文利用該模型對昔陽縣2021 年小時氣溫數(shù)據(jù)進行訓(xùn)練，最后生成預(yù)測模型，從而為昔陽縣本地實時氣溫預(yù)報提供重要的科技支撐手段。

1 數(shù)據(jù)處理

模型采集的數(shù)據(jù)主要是昔陽縣國家氣象觀測站2021 年逐小時氣溫數(shù)據(jù)，運用Python 語言中requests 庫通過“天擎”系統(tǒng)提供的數(shù)據(jù)接口獲取氣溫數(shù)據(jù)并以CSV 文件的格式進行存儲。獲取的氣溫數(shù)據(jù)主要是DateTime（日期時間）/ TEM（平均氣溫）、TEM_Max（小時最高氣溫）、TEM_Min（小時最低氣溫）等4 列數(shù)據(jù)，同時用Pandas 庫對對其中缺測、異常的數(shù)據(jù)進行清洗剔除，同時對DateTime 列數(shù)據(jù)進行時間格式化處理，便于模型后續(xù)的讀取訓(xùn)練操作，保證數(shù)據(jù)使用的質(zhì)量，增強模型訓(xùn)練的正確性，最后對獲取的數(shù)據(jù)進行分割（70% 的數(shù)據(jù)進行訓(xùn)練，20% 的數(shù)據(jù)用于驗證，10% 的數(shù)據(jù)用于測試）。

2 模型原理

Autoformer 模型全面革新Transformer 為深度分解架構(gòu)，其內(nèi)部包括序列分解單元、自相關(guān)機制以及對應(yīng)的編-解碼器等，如圖1 所示。

2.1 深度分解架構(gòu)

Autoformer 模型將時間序列分解作為Autoformer的一個內(nèi)部單元，嵌入到編-解碼器中。在預(yù)測工程中，模型可以交替進行預(yù)測結(jié)果優(yōu)化和序列分解，從隱變量中逐步分離出趨勢項（trend-cylical）和周期項（seasonal），大大提升了分解效果，使預(yù)測結(jié)果更準(zhǔn)確，并且將未來各個趨勢項和周期項有效組合起來。

通過研究對比分析，Autoformer 模型的自注意力機制（Auto-Correlation Machanism）比Transformer 模型的自注意力機制（self-attention）及其變體模型注意力機制更好地實現(xiàn)了序列級的高效連接，從而可以更好的進行信息聚合，打破了信息利用的瓶頸[4-5]。

3 模型應(yīng)用

Autoformer 模型基于PyTorch 機器學(xué)習(xí)框架進行實現(xiàn)，SeriesDecomp（序列分解單單元）、編碼器、解碼器、自相關(guān)機制等模塊都繼承torch.nn.module 神經(jīng)網(wǎng)絡(luò)模塊進行實現(xiàn)，在Linux 主機預(yù)安裝Python 運行環(huán)境，在此基礎(chǔ)上安裝pandas、sklearn、torch、torchvision、numpy、matplotlib 等必需的運行模塊，將運行訓(xùn)練的數(shù)據(jù)weather.csv 存放在dataset 文件夾下，編寫運行腳本文件Autoformer.sh，其內(nèi)容如下：

python -u run.py ＼

--is_training 1 ＼

--root_path ./dataset/predata/ ＼

--data_path weather.csv ＼

--model_id weather_24_24 ＼

--model Autoformer ＼

--data custom ＼

--features M ＼

--seq_len 24 ＼

--label_len 12 ＼

--pred_len 24 ＼

--d_model 128 ＼

--e_layers 2 ＼

--d_layers 1 ＼

--factor 3 ＼

--enc_in 3 ＼

--dec_in 3 ＼

--c_out 3 ＼

--des 'Exp' ＼

--itr 1 ＼

--train_epoch 2

在運行環(huán)境中運行bash./Autoformer.sh 進行運行，在運行過程中，以12 h 數(shù)據(jù)為標(biāo)記組，在此基礎(chǔ)上要不斷改變pred_len 參數(shù)進行預(yù)測組時長，分別改24 h、48h、72 h、240 h 進行模型訓(xùn)練，最終測試結(jié)果存放在result.txt 文件中[6]。

4 模型對比分析

模型在訓(xùn)練過程中，在相同的輸入-輸出設(shè)置下，對比了自相關(guān)機制與其他自注意力機制，如Trans-former中Full Attention，Informer 的ProbSparse Attention?Attention。其運行對比結(jié)果如表1 所示。

從表1 中可以看出24 h、48 h、72 h、240 h 的MAE、MSE 誤差系數(shù)Autoformer 基本上是小于其他模型的，取得了最優(yōu)的結(jié)果，所以Autoformer 模型與其他模型相比在臨近、短期預(yù)報、長期預(yù)報中有很大的優(yōu)勢。

5 結(jié)論與討論

（1）基于Autoformer 模型訓(xùn)練氣溫數(shù)據(jù)進行預(yù)報，與其他Transformer 模型相比，誤差率較低，運行效率高，該模型的使用極大地豐富了基層氣象預(yù)報的手段，非常具有實用性，在將來可以將數(shù)值預(yù)報與Autoformer模型預(yù)報相結(jié)合，提高基層臺站的氣溫預(yù)報準(zhǔn)確率。

（2）與其他Transformer 模型對比來看，Autoformer模型有準(zhǔn)確率較高，但區(qū)域氣溫受外部因素（如地區(qū)地形、氣壓、日照）等影響較大，模型缺少內(nèi)在的大氣動力條件，將來可以考慮把氣壓、日照、變壓、變溫等因子加入到模型中氣溫預(yù)測，進一步提高模型預(yù)報的準(zhǔn)確率。

（3）在模型訓(xùn)練中只對2021 年的逐小時數(shù)據(jù)進行訓(xùn)練，今后將把30 年或者50 年的氣象數(shù)據(jù)資料加入到模型中進行訓(xùn)練，從而提高模型的預(yù)報準(zhǔn)確率，充分提高基層預(yù)報員的預(yù)報分析能力。