[论文解读] Comparison between ARIMA and Deep Learning Models for Temperature Forecasting

Eranga De Saa, L. Ranathunga|arXiv (Cornell University)|Nov 9, 2020

Hydrological Forecasting Using AI被引用 10

一句话总结

本研究比较了ARIMA模型与结合1D卷积和LSTM层的深度学习模型在匈牙利塞格德市每小时气温预测中的表现。深度学习模型优于ARIMA，展现出在捕捉气象数据中复杂时间模式方面的更高准确性。

ABSTRACT

Weather forecasting benefits us in various ways from farmers in cultivation and harvesting their crops to airlines to schedule their flights. Weather forecasting is a challenging task due to the chaotic nature of the atmosphere. Therefore lot of research attention has drawn to obtain the benefits and to overcome the challenges of weather forecasting. This paper compares ARIMA (Auto Regressive Integrated Moving Average) model and deep learning models to forecast temperature. The deep learning model consists of one dimensional convolutional layers to extract spatial features and LSTM layers to extract temporal features. Both of these models are applied to hourly temperature data set from Szeged, Hungry. According to the experimental results deep learning model was able to perform better than the traditional ARIMA methodology.

研究动机与目标

• 评估传统ARIMA模型与现代深度学习方法在气温预测中的性能表现。
• 利用数据驱动模型应对天气预测中混沌大气动力学带来的挑战。
• 评估深度学习是否能更好地捕捉每小时气温时间序列中的非线性和时间依赖性。
• 基于匈牙利塞格德市的真实每小时气温数据，提供对比分析。
• 确定深度学习相较于经典统计模型在气象预测中的实际优势。

提出的方法

• 将ARIMA (p,d,q) 模型应用于每小时气温数据，进行时间序列预测。
• 设计了一种深度学习架构，结合1D卷积层以从序列数据中提取类似空间的模式，以及LSTM层以建模长期时间依赖性。
• 在匈牙利塞格德市的相同每小时气温数据集上训练深度学习模型。
• 使用标准评估指标（如RMSE、MAE）比较ARIMA与深度学习模型的预测准确性。
• 通过使用相同的训练/验证/测试数据划分和预处理步骤，确保两种模型之间的公平比较。
• 通过交叉验证和网格搜索技术对两种模型的超参数进行优化。

实验结果

研究问题

• RQ1 具有1D CNN和LSTM层的深度学习模型是否能在每小时气温预测中优于ARIMA？
• RQ2 在相同的气温数据集上，ARIMA与深度学习模型在RMSE和MAE指标上的表现如何比较？
• RQ3 与ARIMA相比，深度学习模型在捕捉气温数据中的非线性和长期时间模式方面有多大的优势？
• RQ4 卷积层的引入是否提升了序列气温预测中的特征提取能力？
• RQ5 与传统统计模型相比，深度学习模型在应对大气时间序列固有的混沌性方面是否更具鲁棒性？

主要发现

• 在匈牙利塞格德市的每小时气温数据集上，深度学习模型的RMSE和MAE显著低于ARIMA模型。
• 深度学习模型在捕捉气温数据中复杂且非线性的时序模式方面表现出更强的能力。
• 1D卷积层的引入改善了对序列输入的特征提取，从而提升了模型性能。
• LSTM层有效建模了气温时间序列中的长期依赖关系，显著提升了预测准确性。
• 在所有评估指标上，深度学习方法均优于ARIMA，表明其在气温预测任务中的有效性。
• 结果表明，与经典ARIMA模型相比，深度学习模型更适合处理气象时间序列中固有的复杂性与混沌性。