高质量的气象数据信息是开展各类气象服务、绿色建筑节能设计、经济建设和科学研究的重要依据。比如基于气象数据研究的智慧城市和绿色节能建筑这一全球化新概念的提出。国内外对于气象数据这种典型的时间序列的研究方向也涉及到很多领域,如气象数据的聚类、预测以及可视化研究,本文主要围绕气象数据预测建模展开。关于气象数据预测问题很多学者都进行了研究,然而目前仍然存在一些关键挑战。本文以多元气象数据研究为核心提出气象指标预测建模的三项关键挑战,并且针对每一项挑战设计解决方案,最后提出了 一套多元气象数据研究模型DA_GRU,该模型把气象数据研究分为数据预处理、群组气象站点和气象指标预测三个子算法模块。具体地,关键挑战以及解决方案为:(1)如何保证高质量的气象数据信息?由于高质量的数据信息是进行各类气象建模的研究基础,本文对传感器采集到的原始气象数据进行数据预处理操作,即基于克罗内克压缩感知技术进行多元气象数据缺失值填补以及基于变分自编码器进行多元气象数据异常值检测研究。将原始的气象数据经过上述数据预处理操作之后,本文得到完整的、没有异常数值的气象数据集,这为后期的气象建模奠定良好的数据基础。(2)如何解决地理差异对于气象数据预测的影响?考虑到我国地域辽阔,各地的气候条件具有地域差异性,在构建多元气象预测模型时,对各个气象站点的气候研究不能以固定不变的比重方式进行。因此,本文采用改进之后的层次聚类模型将我国的390个城市站点划分为气候条件最为相似的群组气象站点,该模型采用改进时间复杂度后的动态时间弯曲算法来度量不同气象站点之间的气候特征相似度。(3)如何在气象数据预测建模时映射不同历史采样时间点的权重占比以及局部季节周期性?在每一个群组气象站点簇中,本文充分考虑了气象指标的历史数据信息以及相关气象指标值对于当前目标指标值的影响程度不同,基于Attention双注意力机制模式设计多元气象指标预测模型。具体地,该预测模型在编码-解码阶段嵌入了输入注意力机制和时间注意力机制,使得模型可以自适应地提取气象数据特征,并且将输入信息表示为所有时间步长中编码器隐藏状态的加权和。此外,该模型还映射了气象数据的局部季节周期性关系以及含有AR自回归线性校准模块。本文基于Matlab、Tensorflow等技术实现了提出的多元气象数据研究模型DA_GRU。在第五部分中,本文对所提的多元气象数据预测模型中的子模块进行独立实验,并且与AR、LSTM、RNN等常用的气象数据算法进行模型性能对比,分析和讨论。实验结果表明本文设计的DA_GRU气象数据预测模型表现出了更好的竞争力,将气象指标预测误差RMSE,MAE以及MAPE分别降低了 3.83,1.99和0.52。值得强调的是,本文还分析、讨论了不同缺失情况下的缺失值填充算法的性能,异常检测模型的有效性以及不同气象站点相似度度量方法的性能比较。实验结果证明,本文所提出的缺失值处理方法具有较低的重构误差以及较强的普适性,异常检测模型和群组气象站点的设计也具有较为可观的模型性能,进而提高了预测模型的精度。这验证了本文设计数据预处理和群组气象站点构建两个子模块的设计对多元气象指标预测模型起到了正面作用。此外,本文还在交通流量、太阳能发电量、电力负荷以及金融汇率四个开源数据集上进行了实验,结果表明本文设计的DA_GRU模型对时间序列数据具有可以接受的通用性。