一种简单而有效的融合时空特征嵌入的城区多变量长序列风速预测模型

准确可靠的城区风场预测有助于建筑设计和城市规划，从而缓解热岛效应和空气污染等环境问题。近年来，时空图神经网络凭借图卷积网络与序列模型相结合的优势，在该领域得到广泛应用。然而研究表明，尽管方法复杂度不断提升，预测性能的改善却十分有限。为此，本文提出一种面向城区的轻量化多变量长序列风速预测模型及其精度提升方法。具体而言，该模型采用一维卷积神经网络（CNN）高效提取风速时间序列的短期波动特征；通过嵌入附加空间特征并以低维形式表征空间关系，同时保留其物理意义；此外，通过添加时间特征嵌入层来捕捉风速变化的长期趋势和周期性规律。这种设计实现了时间序列数据与静态背景信息的互补联合建模。针对长序列预测中性能显著下降的问题，本文提出了一种基于预测数据的新型精度提升方法。使用实测数据和公开气象数据集验证表明：空间特征嵌入模型在剧烈波动条件下的风速预测平均绝对误差仅为0.051 m/s，较无空间特征嵌入模型降低27%；时间戳嵌入可使平均绝对误差减少0.145 m/s，精度提升14.5%；最终，基于预测数据实现的精度提升方法，无需额外输入即可有效缓解长序列预测的精度衰减问题。本文提出的风速预测新方法，在城区长序列风速预测中展现出显著的应用潜力。