基于深度時空網絡的區域氣溫預測方法與流程
1.本發明屬于氣溫預測領域，特別是涉及一種基于深度時空網絡的區域氣溫預測方法。
背景技術：
2.短期氣溫預報對工程的實施與管理具有重要意義，例如，這將有助于在建筑中開發供暖、通風和空調(hvac)系統的全局優化控制設置；然而以往的研究主要集中在單一位置的預測，很少將任務擴展到整個區域。
技術實現要素：
3.本發明的目的在于克服現有技術的不足，提供一種基于深度時空網絡的區域氣溫預測方法。
4.本發明的目的是通過以下技術方案來實現的：基于深度時空網絡的區域氣溫預測方法，包括：獲取目標區域內氣溫監測點在多個時刻的氣溫檢測結果；根據所述氣溫檢測結果生成目標區域在每個時刻的氣溫分布圖；根據所述目標區域在多個時刻的氣溫分布圖生成所述目標區域的時空圖，所述時空圖用于表征所述目標區域隨時間的氣溫變化情況；基于融入了注意力機制模塊的convlstm模型構建氣溫預測模型；將所述目標區域的時空圖輸入所述氣溫預測模型，得到目標區域的氣溫預測結果。
5.進一步地，根據所述氣溫檢測結果生成目標區域在每個時刻的氣溫分布圖，包括：獲取目標區域的矢量圖；基于地理坐標將所述氣溫監測點投影至所述矢量圖中；對所述目標區域進行網格化；根據一個時刻的氣溫檢測結果生成所述矢量圖中每個網格對應的氣溫值，得到該時刻目標區域的氣溫分布圖。
6.進一步地，根據一個時刻的氣溫檢測結果生成所述矢量圖中每個網格對應的氣溫值，包括：判斷所述網格中是否有氣溫監測點；若所述網格內有氣溫監測點，則判斷所述網格內氣溫監測點的數量；若所述網格內只有一個氣溫監測點，則該網格對應的氣溫值為該氣溫監測點的氣溫檢測結果；若所述網格內有兩個及以上的氣溫監測點，則該網格對應的氣溫值為該網格內所氣溫監測點的氣溫檢測結果的平均值；若所述網格內沒有氣溫監測點，則利用空間插值法得到該網格對應的氣溫值。
7.進一步地，若所述網格內沒有氣溫監測點，則該網格對應的氣溫值的計算公式為：地，若所述網格內沒有氣溫監測點，則該網格對應的氣溫值的計算公式為：式中，z為目標網格的插值結果，m為樣本點的個數，zi為第i (i = 1, 2, . . . m)個樣本點的實際值，n為距離的權重，di為第i個樣本點到目標網格的距離，xi和yi為第i個樣本點的空間坐標，xa和ya為目標網格的空間坐標。
8.進一步地，所述氣溫預測模型包括：st-lstm單元，由多層卷積和lstm結構共同構成，用于處理輸入圖像中的時空特征。
9.注意力機制模塊，用于捕獲目標區域中的極端氣溫變化情況，所述極端氣溫為超出預設溫度范圍的溫度。
10.進一步地，所述多層卷積由一個卷積核大小為3
?×?
3的卷積層、一個卷積核大小為5
?×?
5的卷積層和一個卷積核大小為7
?×?
7的卷積層組成，用于通過不同大小的卷積來捕獲目標區域中各網格對應的氣溫值的空間鄰域相關性。
11.進一步地，所述注意力機制模塊由通道注意力單元和空間注意力單元組成；所述通道注意力單元的描述方程為：式中， c表示通道(channel)，f為輸入的特征， 表示通道注意力圖，是sigmod激活函數，mlp為多層感知機網絡；avgpool表示平均池化操作，maxpool為最大池化操作； 和分別為mlp對于不同特征圖的權重，f
cavg
表示通道平均池化特征，f
cmax
表示通道最大池化特征；所述空間注意力單元的描述方程為：式中，s表示空間(spatial)，f為輸入的特征，表示空間注意力圖；是sigmod激活函數，f為濾波器；avgpool表示平均池化操作，maxpool為最大池化操作；f
savg
表示空間平均池化特征，f
smax
表示空間最大池化特征。
12.本發明的有益效果是：（1）本發明提出了一種基于深度時空網絡的氣溫預測方法，通過時空信息處理組件來將點分布的氣溫監測數據轉換為時空圖序列，然后利用深度學習模型來學習時空圖圖
序列中復雜的非線性時空變化，最終得到目標區域的氣溫預測結果，實現了對整個目標區域氣溫變化的預測，能夠為現實中的工程管理提供重要的決策支持；（2）本發明中在對目標區域的氣溫數據進行處理時，利用空間插值的方法對空白網格的氣溫數據進行填充，避免了后續卷積操作時遺漏大量的空間信息的情況，提高了最終預測結果的準確性；（3）本發明中采用由多個不同大小的卷積層組成的多層卷積來提取空間相關性，可以捕獲到不同范圍的空間相關性，從而獲得了更好的預測效果；（4）本發明中引入了注意力機制來捕獲目標區域的極端氣溫情況，從而擁有更好的對極端氣溫的預測能力。
附圖說明
13.圖1為本發明中區域氣溫預測方法的一個實施例的流程圖；圖2為時空圖的構建總體過程；圖3為st-net對于區域氣溫的預測過程；圖4為研究期間整個研究區域平均氣溫的變化情況；圖5為各模型的rmse隨著時間的變化情況；圖6為各模型的acc隨著時間的變化情況；圖7為傳統convlstm模型的單個站點預測結果；圖8為mim模型的單個站點預測結果；圖9為本實施例的氣溫預測模型的單個站點預測結果；圖10為區域氣溫預測結果可視化圖像。
具體實施方式
14.下面將結合實施例，對本發明的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域技術人員在沒有付出創造性勞動的前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
15.參閱圖1-圖10，本實施例提供了一種基于深度時空網絡的區域氣溫預測方法：如圖1所示，基于深度時空網絡的區域氣溫預測方法，包括：s100.獲取目標區域內氣溫監測點在多個時刻檢測到的溫度值。
16.所述氣溫監測點用于進行溫度值的檢測。
17.s200. 根據所述氣溫監測點檢測到的溫度值生成目標區域在多個時刻的氣溫分布圖。
18.具體的，根據s100中每個時刻的溫度值生成一幅氣溫分布圖；由于s100中獲取了多個時刻的溫度值，因而本步驟中會生成多幅氣溫分布圖。
19.在一個實施例中，目標區域在給定時刻的氣溫分布圖的生成方法包括：s210.獲取目標區域的矢量圖。
20.在一些實施例中，利用gis技術對目標區域的地圖進行矢量化得到目標區域的矢量圖。
21.s220.基于地理坐標將所述氣溫監測點投影至所述矢量圖中。
22.s230.將矢量圖所示的目標區域劃分為若干網格。
23.例如，將目標區域劃分為m
×
n個網格。一般的，根據目標區域的大小以及目標區域內氣溫監測點的分布密度確定網格的劃分數量。
24.s240.根據氣溫監測點在給定時刻檢測到的溫度值生成該時刻每個網格的溫度值，得到該時刻目標區域的氣溫分布圖。
25.在一些實施例中，每個網格在給定時刻的溫度值的生成方法包括：s241.判斷所述網格中是否有氣溫監測點，若所述網格內有氣溫監測點，則執行s242；s242.判斷所述網格內氣溫監測點的數量，若所述網格內只有一個氣溫監測點，則執行s243，若所述網格內有兩個及以上的氣溫監測點，則執行s244；s243將該氣溫監測點在給定時刻檢測到的溫度值作為該網格的溫度值，然后結束該網格的溫度值的計算。
26.s244.將該網格內所有氣溫監測點在給定時刻檢測到的溫度值的平均值作為該網格的溫度值，然后結束該網格的溫度值的計算。
27.s245.若所述網格內沒有氣溫監測點，則利用空間插值法得到該網格的溫度值。
28.本實施例中，對于目標區域中不存在氣溫監測點的空白網格，利用空間插值法來將其他具有氣溫監測點的網格的溫度值轉換為這些空白網格的溫度值，從而提高了后續氣溫預測結果的可靠性和準確性。
29.本實施例中利用空間插值法得到網格對應的氣溫值的過程為：輸入所有樣本點的值及各樣本點所在的網格矩陣坐標(x,y)，所述樣本點為由氣溫監測點測得的其他網格的溫度值；確定插值點a的網格矩陣坐標；確定最大搜索半徑，最大樣本點個數；在搜索半徑內搜索出樣本點pi，同時按照公式（2）依次求出第i個樣本點pi與插值點a的距離di；根據公式（1）計算出插值點a的估計值z；重復上述步驟求出所有插值點的值（即空白網格對應的氣溫值）。其中，公式（1）為：式中，z為目標網格的插值結果，m為樣本點的個數，zi為第i (i = 1, 2, . . . m)個樣本點的實際值，n為距離的權重，di為第i個樣本點到目標網格的距離。
30.公式（2）為：式中， xi和yi為第i個樣本點的空間坐標，xa和ya為目標網格的空間坐標。
31.s300.根據所述目標區域在多個時刻的氣溫分布圖生成所述目標區域的時空圖，所述時空圖用于表征所述目標區域隨時間的氣溫變化情況。
32.本實施例將目標區域劃分為m
×
n個網格，目標區域的氣溫分布圖中，每個網格代表目標區域內對應地點的氣溫情況，因此將一個時刻目標區域的氣溫分布圖其定義為一個m
×
n的二維矩陣。對于m x n大小的二維矩陣所代表的空間區域上的動態系統，隨著時間的
推移，每個網格中都有不同的溫度值，將時間序列t上的圖組合，便得到了(m x n) x t大小的時空圖集合r。因此，任何時刻t的目標區域內的氣溫監測都可以用一個二維矩陣x
t
∈r來表示。時空圖的構建總體過程如圖2所示，圖2中m表示矩陣的寬度，n表示矩陣的高度；t為輸入的時間序列長度，即輸入圖片的個數。
33.s400. 基于融入了注意力機制模塊的convlstm模型構建氣溫預測模型。
34.在一些實施例中，所述氣溫預測模型（記為st-net模型）包括st-lstm單元和注意力機制模塊。
35.所述st-lstm單元由多層卷積和lstm（long-short term memory,長短期記憶網絡）結構共同構成，用于處理輸入圖像中的時空特征。所述多層卷積由一個卷積核大小為3
?×?
3的卷積層、一個卷積核大小為5
?×?
5的卷積層和一個卷積核大小為7
?×?
7的卷積層組成，用于通過不同大小的卷積來捕獲區域各個地點氣溫在局部甚至整個區域范圍的空間鄰域相關性。所述lstm結構總的全連接門被卷積層取代，從而實現對時空特征的編碼。描述st-net的方程如下：式中， 是sigmod激活函數，tanh是tanh激活函數；w是針對不同信息的可訓練的權重參數，其中為st-ne模型對當前輸入的記憶權重，為st-net模型對上一時刻輸出狀態的記憶權重，為st-net模型對上一時刻單元狀態的遺忘權重， 為st-net模型對當前輸入的遺忘權重，為st-net模型對上一時刻輸出狀態的遺忘權重， 為st-net模型中的輸出狀態與單元狀態的相乘權重， 為st-net模型中輸入與輸出的相乘權重，為st-net模型中當前輸出狀態與輸出的相乘權重， 為st-net模型中當前單元狀態與輸出的相乘權重；x
t
表示st-net模型在t時刻的輸入；h
t-1
表示st-net網絡t-1時刻時刻輸出的隱藏狀態；h
t
表示st-net模型在t時刻的隱藏狀態；i的含義為記住，f的含義為遺忘；表示記憶機制，即記住當前t時刻多少信息； 表示遺忘機制，即遺忘當前t時刻多少信息；表示st-net模型在t時刻的單元狀態；表示st-net模型在t-1時刻的單元狀態；表示st-net模型在t時刻的輸出。
36.st-net模型對于區域氣溫的預測過程如圖3所示，圖3中cbam為注意力機制模塊，tanh為損失函數，loss為真實值與預測值之間的誤差；spatial interpolation model意為空間插值模型，refine feature意為經過cbam后得到的加強特征。
37.所述注意力機制模塊用于捕獲目標區域中的極端氣溫變化情況，所述極端氣溫為
超出預設溫度范圍的溫度。所述注意力機制模塊由通道注意力單元和空間注意力單元組成。
38.所述通道注意力單元用于聚焦“什么”是有意義的輸入圖像，其描述方程為：式中，c表示通道(channel)，f為輸入的特征， 表示通道注意力圖，是sigmod激活函數，mlp為多層感知機網絡；avgpool表示平均池化操作，maxpool為最大池化操作； 和分別為mlp對于不同特征圖的權重，f
cavg
表示通道平均池化特征，f
cmax
表示通道最大池化特征。
39.為了有效計算通道注意力，需要對輸入特征圖的空間維度進行壓縮，對于空間信息的聚合，常用的方法是平均池化。但最大池化收集了另一個重要線索，關于獨特的物體特征，可以推斷更細的通道上的注意力。因此，平均池化和最大池化的特征是同時使用的。將平均池化特征和最大池化特征轉發到一個共享網絡，從而產生通道注意力圖。所述共享網絡由一個多層感知機網絡(mlp)組成，其中有一個隱藏層；為減少參數開銷，隱藏層的激活大小設為r/c=r
×1×
1，其中r為下降率。將共享網絡應用到每個描述符后，輸出的特征向量使用element-wise求和進行合并。
40.所述空間注意力單元用于聚焦“哪里”是最具信息量的部分，是對通道注意力的補充，其描述方程為：式中，s表示空間(spatial)，f為輸入的特征，表示空間注意力圖； 是sigmod激活函數，f為濾波器；avgpool表示平均池化操作，maxpool為最大池化操作；f
savg
表示空間平均池化特征，f
smax
表示空間最大池化特征。
41.為了計算空間注意力，沿著通道軸應用平均池化和最大池操作，然后將它們連接起來生成一個有效的特征描述符。然后應用卷積層生成大小為r
×h×
w 的空間注意力圖ms(f)，如公式（9）所示，該空間注意圖編碼了需要關注或壓制的位置。具體來說，使用兩個池化(pooling)操作聚合成一個特征圖(feature map)的通道信息，生成兩個二維圖: f
savg
大小為1
×h×
w，f
smax
大小為1
×h×
w。其中， f 7
×7表示一個濾波器大小為7
×
7的卷積運算。
42.s500.將所述目標區域的時空圖輸入所述氣溫預測模型，得到目標區域的氣溫預測結果。
43.時空圖輸入氣溫預測模型后，首先由多層卷積層用不同大小的卷積核提取時空圖中氣溫的空間分布特征，在提取空間分布特征的過程中，注意力機制模塊用來突出圖中氣溫的突變特征（例如區域的極端氣溫）。在經過多層卷積層和注意力機制模塊后，得到時間序列上的特征圖序列，將特征圖序列輸入至lstm結構中進行時序相關性建模，由lstm結構中的記憶機制來記住重要特征，遺忘機制來忘記不重要的特征，最后將綜合后的剩余特征輸入tanh激活函數來獲得溫度的未來預測值。
44.下面基于一個實例對本實施例的方法和現有方法進行比較說明。以白鶴灘水電站壩區為研究區域，該區域共分布有多個氣象監測站，以小時為單位采集區域內的氣象數據，包括氣溫，風速等。氣溫數據集來自研究區域內多個氣象監測站在2018年至2020年期間所提供的多個月份的小時氣溫觀測數據，包括最低氣溫、最高氣溫、平均氣溫、位置和時間戳，共計220429條。圖4顯示了研究期間整個研究區域平均氣溫的變化情況，最低溫出現在冬季，而最高溫出現在夏季。
45.將13個月的空氣質量觀測數據轉換為22240張圖，其中前90%的數據作為訓練集，后10%作為測試集。然后，使用12小時寬的滑動窗口分別對訓練集和測試集進行切片。因此，總共生成了22218個序列，每個序列由12張圖組成(6個用于輸入，6個用于預測)。最后得到20005個圖序列用于訓練，2213個圖序列用于測試。
46.本實施例使用兩種方法來評價氣溫預測的性能，以整張圖像為單位，給定任意真實圖x與預測圖y。
47.均方根誤差（rmse）用來評價預測圖y與真實圖x之間的誤差以及穩定性，公式定義如下:式中，m為溫度圖的寬度，n為溫度圖的高度，i為溫度圖的橫坐標，j為溫度圖的縱坐標。
48.預測準確性（acc）公式定義如下:式中，m為溫度圖的寬度，n為溫度圖的高度，i為溫度圖的橫坐標，j為溫度圖的縱坐標。
49.單步時長預測性能比較，即利用歷史氣溫監測數據對未來1小時的氣溫變化進行預測。表1展示了本實施例提出的預測模型（st-net模型）的在測試集上的預測性能表現，并與現有的時空預測模型convlstm，memory in memory (mim模型)進行比較。本實施例提出的st-net模型與mim模型擁有相似的性能。值得注意是，st-net模型從兩方面做了模型輕量化工作：一方面，st-net模型采用多尺度卷積大小，即3
×
3, 5
×
5, 7
×
7的卷積大小變化，相較于convlstm，mim固定為7
×
7的卷積大小能夠減少模型大小；另一方面， 相較于convlstm模型和mim模型，st-net模型僅采用了3層網絡層，并簡化了lstm的結構。因此，st-net擁有最低的模型參數量，約為convlstm模型的63%，mim模型的29%，這意味著對設備內存的需求更低，可以適用于缺乏足夠計算能力的場景。此外，由于輕量化的模型結構，st-net模型擁有最快的模型收斂速度，耗時僅為mim模型的40%，預測時間消耗也僅為mim模型的47%，這些優點將十分有利于現實中模型的部署。
50.表1 單步時長預測性能
多步時長預測性能比較，比較這些模型在連續6小時內的預測性能，即利用歷史觀測對第(t, t+1,
?…?
,t+5)時刻的區域氣溫變化進行預測。如圖5和圖6所示，可以看到所有模型的預測性能隨著時間步長的增加都逐漸降低，但是本實施例提出的模型始終表現出最好的性能；圖5和圖6中，proposed為本方法提出的氣溫預測模型（st-net模型），convlstm和mim是與st-net模型進行對比的模型。convlstm模型在前2個小時的預測性能高于mim模型，說明mim模型相較于convlstm模型雖然提高了對于長期數據的預測能力，卻降低了對于最近時間點的預測性能。值得注意的是，在持續6個小時的時間跨度中，st-net模型的預測性能始終優于convlstm模型和mim模型，這證明了本實施例所提出的模型能夠更好地捕捉到氣溫的時空變化，從而擁有更好的多時間步長的預測能力。
51.除了對區域氣溫預測性能進行評估外，還測試了st-net模型對于單一位置的預測能力，并與其它模型進行比較。在這里，以某個氣象監測站為例針對本實施例的模型對未來1小時的預測能力進行進一步的分析研究，預測結果如圖7、圖8和圖9所示，其中convlstm模型取得了rmse=0.83的預測性能，mim模型取得了rmse=0.99的預測性能，本實施例提出的st-net模型取得了rmse=0.75的預測性能。從對于單個站點的預測結果來看，st-net模型仍然能夠表現出最好的預測能力，同時mim模型對于最近1小時氣溫的預測能力仍然弱于convlstm模型，這與之前的區域氣溫預測結果相符。
52.區域氣溫預測的目的在于給出區域中任何地點的未來氣溫狀況以及變化趨勢，這可以為現實中的工程施工及人員安全、工程質量安全、風險管理和成本控制提供重要的決策支持。圖10展示了由各個方法給出的一個連續6小時的區域氣溫預測圖序列，并與真實氣溫分布圖序列進行比較。可以看出，本實施例提出的方法可以很好地預測出未來第1小時研究區域西部的高溫情況，以及接下來5小時溫度逐漸降低的趨勢。convlstm模型對于未來1小時的區域氣溫具有一定的預測能力，而mim模型相對而言對于未來1小時的預測能力最弱，但是mim模型對于多步時長的區域氣溫的預測能力要強于convlstm模型。
53.基于上述多個氣象監測站的氣溫采集數據來實施短期氣溫預測，本實施例的方法在未來第1小時取得了rmse = 0.62的預測性能，在未來第6小時取得了rmse = 2.51的預測性能。因此，本實施例提出的區域氣溫預測方法可以對區域尺度的氣溫變化進行預測，從而為現實中的工程管理提供重要的決策支持。
54.以上所述僅是本發明的優選實施方式，應當理解本發明并非局限于本文所披露的形式，不應看作是對其他實施例的排除，而可用于各種其他組合、修改和環境，并能夠在本文所述構想范圍內，通過上述教導或相關領域的技術或知識進行改動。而本領域人員所進行的改動和變化不脫離本發明的精神和范圍，則都應在本發明所附權利要求的保護范圍內。
技術特征：
1.基于深度時空網絡的區域氣溫預測方法，其特征在于，包括：獲取目標區域內氣溫監測點在多個時刻檢測到的溫度值；根據所述氣溫監測點檢測到的溫度值生成目標區域在多個時刻的氣溫分布圖；根據所述目標區域在多個時刻的氣溫分布圖生成所述目標區域的時空圖，所述時空圖用于表征所述目標區域隨時間的氣溫變化情況；基于融入了注意力機制模塊的convlstm模型構建氣溫預測模型；將所述目標區域的時空圖輸入所述氣溫預測模型，得到目標區域的氣溫預測結果。2.根據權利要求1所述的基于深度時空網絡的區域氣溫預測方法，其特征在于，目標區域在給定時刻的氣溫分布圖的生成方法包括：獲取目標區域的矢量圖；基于地理坐標將所述氣溫監測點投影至所述矢量圖中；將矢量圖所示的目標區域劃分為若干網格；根據氣溫監測點在給定時刻檢測到的溫度值生成該時刻每個網格的溫度值，得到該時刻目標區域的氣溫分布圖。3.根據權利要求2所述的基于深度時空網絡的區域氣溫預測方法，其特征在于，所述網格在給定時刻的溫度值的生成方法包括：判斷所述網格中是否有氣溫監測點；若所述網格內有氣溫監測點，則判斷所述網格內氣溫監測點的數量；若所述網格內只有一個氣溫監測點，則該網格的溫度值為該氣溫監測點在給定時刻檢測到的溫度值；若所述網格內有兩個及以上的氣溫監測點，則該網格的溫度值為該網格內所有氣溫監測點在給定時刻檢測到的溫度值的平均值；若所述網格內沒有氣溫監測點，則利用空間插值法得到該網格的溫度值。4.根據權利要求3所述的基于深度時空網絡的區域氣溫預測方法，其特征在于，對于沒有氣溫監測點的網格，其溫度值的計算公式為：有氣溫監測點的網格，其溫度值的計算公式為：式中，z為目標網格的插值結果，m為樣本點的個數，z
i
為第i (i = 1, 2, . . . m)個樣本點的實際值，n為距離的權重，d
i
為第i個樣本點到目標網格的距離，x
i
和y
i
為第i個樣本點的空間坐標，x
a
和y
a
為目標網格的空間坐標。5.根據權利要求1所述的基于深度時空網絡的區域氣溫預測方法，其特征在于，所述氣溫預測模型包括：st-lstm單元，由多層卷積和lstm結構共同構成，用于處理輸入圖像中的時空特征；注意力機制模塊，用于捕獲目標區域中的極端氣溫變化情況，所述極端氣溫為超出預設溫度范圍的溫度。
6.根據權利要求5所述的基于深度時空網絡的區域氣溫預測方法，其特征在于，所述多層卷積由一個卷積核大小為3
?×?
3的卷積層、一個卷積核大小為5
?×?
5的卷積層和一個卷積核大小為7
?×?
7的卷積層組成，用于通過不同大小的卷積來捕獲目標區域中各網格對應的氣溫值的空間鄰域相關性。7.根據權利要求5所述的基于深度時空網絡的區域氣溫預測方法，其特征在于，所述注意力機制模塊由通道注意力單元和空間注意力單元組成；所述通道注意力單元的描述方程為：式中， c表示通道(channel)，f為輸入的特征，表示通道注意力圖，是sigmod激活函數，mlp為多層感知機網絡；avgpool表示平均池化操作，maxpool為最大池化操作； 和分別為mlp對于不同特征圖的權重，f
cavg
表示通道平均池化特征，f
cmax
表示通道最大池化特征；所述空間注意力單元的描述方程為：式中，s表示空間(spatial)，f為輸入的特征，表示空間注意力圖；是sigmod激活函數，f為濾波器；avgpool表示平均池化操作，maxpool為最大池化操作；f
savg
表示空間平均池化特征，f
smax
表示空間最大池化特征。
技術總結
本發明公開了一種基于深度時空網絡的區域氣溫預測方法，屬于氣溫預測領域。所述區域氣溫預測方法包括：獲取目標區域內氣溫監測點在多個時刻檢測到的溫度值；根據所述氣溫監測點檢測到的溫度值生成目標區域在多個時刻的氣溫分布圖；根據所述目標區域在多個時刻的氣溫分布圖生成所述目標區域的時空圖，所述時空圖用于表征所述目標區域隨時間的氣溫變化情況；基于融入了注意力機制模塊的ConvLSTM模型構建氣溫預測模型；將所述目標區域的時空圖輸入所述氣溫預測模型，得到目標區域的氣溫預測結果。本發明實現了對整個目標區域氣溫變化的預測，能夠為現實中的工程管理提供重要的決策支持。支持。支持。
