基于CNN-Attention-BP的降水发生预测研究

在综合分析降水统计预测模型特点的基础上，提出一种基于Attention机制、卷积神经网络(CNN)和BP神经网络的CNN-Attention-BP组合模型，并对1961—2020年不同气候类型的长春站、白城站、延吉站夏季降水进行实证分析.首先，运用卷积神经网络对6—8月20—次日20时降水量、平均气压、平均风速、平均气温和平均相对湿度进行特征学习，利用Attention机制来确定气象影响因素对降水预测的权重；然后，使用BP神经网络进行降水发生预测，选用准确率、交叉熵损失函数和F1-score来综合评价CNN-Attention-BP组合模型的性能.最后，将单一的支持向量机、多层感知机和卷积神经网络模型与组合模型进行比较分析.结果表明，CNN-Attention-BP组合模型具有自主学习和关注更重要信息的特征，能够有效提高吉林省夏季降水发生模型的预测能力，在样本越均衡、降水频率越接近于0.5的站点，预测精度越高，准确率最高可达88.4%.CNN-Attention-BP组合模型的准确率相较于其他单一模型最高可以提高近17个百分点.