ARIMA和LSTM方法长时间温度观测数据缺失值插补的比较

针对野外小气象观测站点半小时温度观测长时间数据缺失问题，结合较低频次的人工温度观测数据，采用时间序列分析和深度学习等方法，对缺失的半小时温度观测数据进行高精度插补。首先，选用深度学习数据插补中的序列-序列（Seq2Seq）方法，建立了适合高精度温度数据插补需求的编码-解码深度学习模型BiLSTM-I；然后，选用了传统的代表性方法，从时间序列回归分析——差分整合移动平均自回归模型（ARIMA）状态方程形式中，获取卡尔曼平滑状态估计方程的各项参数，由卡尔曼平滑估计实现对温度观测数据缺失值的插补。实验分析结果表明，所设计的BiLSTM-I深度学习气温插补方法要优于时间序列的双向递归插补方法（BRITS-I）。对缺失值时间窗口为30 d的测试集，测试结果中均方根误差（RMSE）为0.47℃，相较于BRITS-I得到的RMSE，精度提升了0.90；对缺失值时间窗口为60 d的测试集，RMSE为0.49℃，相较于BRITS-I得到的RMSE，精度提升了0.90；基于ARIMA状态模型的插补方法也有较高的精度，RMSE为0.75℃。最后，还分析了BiLSTM-I深度学习插补方法对不同温度缺失时间长度...