基于XGBoost和改进LSTNet的气温预测设计

气温变化与人类的生产生活密切相关，对人类出行计划、农林生产以及军事作战等方面都有着重要影响，因此对于大气温度更加精准的预测具有一定现实意义。针对传统预测模型对气温预测精度不佳的问题，提出了一种融合极端梯度提升树(Extreme Gradient Boosting, XGBoost)和改进长短期时序网络(Long and Short-Term Temporal Patterns with Deep Neural Network, LSTNet)的气温预测模型。利用XGBoost进行特征筛选，降低数据维度；利用LSTNet进行改进，在其卷积层嵌入通道注意力(Channel Attention, CA)机制，强化显著特征；把循环神经网络层中的循环门单元(Gate Recurrent Unit, GRU)改为双向长短时记忆网络(Bidirectional Long Short-Term Memory, BiLSTM),并加入了时序注意力(Temporal Attention, TA)机制，使模型拥有同时提取正反向信息的能力且突出了重要时间步的信息；用建立好的模型进行预测实验和对比实验。实验结果...