Duct data time series forecast

本次数据处理的数据集来自南海区域2017年1月至三月的气象数据，其中各项气象参数所代表的含义如下表所示。

nx	ny	nl	nt	xlong	xlat	hgt	height
东西格点数	南北格点数	层数	时序数	经度	纬度	高度	海拔高度

z	e	pressure	Tem	QVAPOR	MM	NN
实际高度	水汽压	气压	温度	水汽混合比	大气折射率	修正大气折射率

由于原始数据使用气象专用格式存储，我这里已使用getWRFData.py程序提取到了1-3月nx=1的模拟数据，你可以在这里（提取码：sk23）下载。下载后将模拟数据放入当前文件夹。

usage

python timeData.py

提取nx=1、ny=1、nl=1的时序数据，当然也可更改提取数据的位置坐标。将提取到的数据放入时序数据文件夹下。

1. 滑动时间窗口观察预测效果

python timeSeries.py

• 数据预处理部分可以观察原始数据波动情况.

使用LSTM训练时序数据

• 输入为[当前小时数，水汽压，气压，温度，水汽混合比],输出为下一时刻的[水汽压，气压，温度，水汽混合比]，不断滑动窗口。

• 使用75%的数据作为训练集，25%数据作为测试集，训练效果如图lstm_reg_long_term.png所示。

• LSTM网络参数为：

  inp_dim = 5
  out_dim = 4
  mid_dim = 8
  mid_layers = 1
  batch_size = 48
  效果：L1(最小绝对值偏差): 1.474    L2(最小均方值偏差): 3.118
  

使用GRU训练时序数据

• 输入同上。

• 使用75%的数据作为训练集，25%数据作为测试集，训练效果如图GRU_reg_long_term.png所示。

• LSTM网络参数为：

  inp_dim = 5
  out_dim = 4
  mid_dim = 12
  mid_layers = 1
  batch_size = 48
  效果：L1(最小绝对值偏差): 1.197    L2(最小均方值偏差): 2.053
  

• 结论：气象参数长期预报情况不佳。但GRU较LSTM效果较好。

2. 模拟WRF预报场原理，使用传统全连接神经网络直接预报

python timeSeries_24h.py

预报场原理：预报场、初始场是相对于数值预报积分而言，比如3月19日00时刻的气象要素值作为数值模式的初始场（即初值），数值模式积分积分12小时到19日12时，得到预报场（即数值预报的结果）。 仿照WRF模式的运转过程，由于与序列无关，因此拿CNN训练模型。

输入为每天前1h/13h的气象参数数据，输出为后24h/12h的气象数据。 训练结果如NN_1-24h.png和NN_12-13h.png所示，误差较大,具体可见文件夹文件，缺乏相关先验动力学条件。

3. 补充实验：短期48h气象参数预报

利用1月1日-3月29日的数据，预报3月30-31日数据。由1知，GRU效果较LSTM来说更好，因此使用GRU进行预测。程序中调整训练集和测试集的比例即可。

预测结果：L1(最小绝对值偏差): 0.859 L2(最小均方值偏差): 1.101