基于深度图卷积网络的风速预测

风速预测和预报对于各种商业和管理部门都是重要的。本文介绍了一种新的基于图卷积网络(GCNs)的风速预测模型。根据从多个气象站获取的多个天气变量的每小时数据，风速值可提前多个时间步来预测。特别地，气象站被视为图的节点，其相关邻接矩阵是可学习的。通过这种方式，网络学习图的空间结构，并根据历史天气数据确定气象站之间的关系强度。我们在学习的邻接矩阵中加入一个自循环连接，并对邻接矩阵进行归一化。我们研究了使用自循环连接设置的两个场景(两个独立的模型)。在第一个场景中，自环连接是作为一个常数附加的。在第二种方案中，引入了一个可学习的参数，使网络能够决定自环连接强度。此外，我们将多个时间步长的数据进行时间卷积，时间卷积与空间图卷积构成时空图卷积。我们在丹麦和荷兰城市的气象站收集的真实数据集上进行实验。数值实验表明，我们提出的模型在参考数据集上优于以前开发的基线模型。通过可视化从模型的每一层学到的邻接矩阵，我们提供了更多的见解。 关键词:风速预测，深度学习，图卷积网络，时空卷积，邻接矩阵可视化