《Natural Resource Modeling》：A Sequence-to-Sequence Approach for Short-Term Temperature Prediction With Data Decomposition and Reconstruction
编辑推荐：
温度是影响日常生活的重要因素，精确的多步温度预测能够为天气预报、能源管理、农业规划及灾害缓解提供关键支持。然而，随着预测时域的延长，温度数据的非线性特征愈发显著，使得对其时间变化模式进行精确建模变得更加困难。针对这一问题，本文提出了一种多步温度预测系统，该系统
温度是影响日常生活的重要因素，精确的多步温度预测能够为天气预报、能源管理、农业规划及灾害缓解提供关键支持。然而，随着预测时域的延长，温度数据的非线性特征愈发显著，使得对其时间变化模式进行精确建模变得更加困难。针对这一问题，本文提出了一种多步温度预测系统，该系统由多频信息提取子系统和高精度预测子系统构成。多频信息提取子系统采用分解-聚类-重构策略，从原始温度数据中获取高频、中频和低频数据。在高精度预测子系统中，研究人员采用带有自适应加权机制的编码器-解码器（encoder-decoder）架构，从多频数据中提取特征并生成预测结果。此外，为进一步提升预测精度，训练过程中引入时频域融合（time-frequency domain fusion），以从多个角度捕捉预测值与真实值之间的差异。为评估该预测系统的性能，研究人员在4个数据集上开展了3组对比实验，结果表明，所提出的系统优于其他基准模型。
该文发表于《Natural Resource Modeling》，围绕短期与超短期多步温度预测问题，提出了一种融合信号分解、特征重构与深度时序建模的组合式预测系统。研究背景在于，温度预测不仅服务于天气预报，还直接关系到能源调度、农业生产与极端天气风险防控。已有研究从统计模型到深度学习模型均取得一定进展，例如自回归积分滑动平均模型（ARIMA）、季节性自回归积分滑动平均模型（SARIMA）、卷积神经网络（CNN，局部特征提取网络）、长短期记忆网络（LSTM，长程依赖建模网络）、Transformer等均被用于温度时间序列预测。然而，现有方法在多步预测场景中仍面临明显不足：其一，温度序列具有非平稳性、非线性、周期重叠和突发扰动，传统经验模态分解（EMD）、集合经验模态分解（EEMD）和完全集合经验模态分解并自适应噪声（CEEMDAN）易出现模态混叠、端点效应与稳定性不足；其二，许多方法采用“先分解、再分别预测、后聚合”的非端到端范式，预测目标与整体优化目标之间存在偏离；其三，多数模型仅在时域上定义损失函数，忽略了温度序列在频域中的周期结构，限制了预测精度的进一步提升。基于此，研究人员提出一种新型多步温度预测系统，以期在更长预测步长下维持稳定且高精度的预测性能。
研究人员构建的系统由两个核心子系统组成。首先，多频信息提取子系统使用变分模态分解（VMD，Variational Mode Decomposition）对原始温度序列进行自适应分解。通过网格搜索优化分解层数K和正则化参数α，在训练集上依据包络熵最小化原则确定最优参数。分解后，将最高频分量视为噪声并剔除，再依据各模态包络熵的相似性采用K-means聚类，将剩余模态聚合重构为高频、中频、低频三类序列。其次，高精度预测子系统采用编码器-解码器架构，其中3个编码器分别接收高频、中频和低频输入，各编码器内部由CNN与双向门控循环单元（Bi-GRU，Bidirectional Gated Recurrent Unit）组成，用于提取局部时序结构和双向依赖特征。随后，系统通过可学习的自适应权重对三路编码特征进行融合，再送入由Bi-GRU构成的解码器，一次性输出完整预测序列。训练阶段进一步引入时频域融合损失，将时域均方误差（MSE）与频域快速傅里叶变换（FFT）后的平均绝对误差（MAE）联合起来，使模型同时约束数值偏差和频谱偏差。
方法概括而言，论文主要采用了4项关键技术：一是基于VMD的多模态分解，并通过网格搜索在训练集上优化K与α，避免测试集信息泄漏；二是基于包络熵的K-means聚类与重构，将分解分量归并为高、中、低频信息；三是由CNN与Bi-GRU组成的三编码器单解码器结构，并通过自适应加权实现多频信息融合；四是采用时频域融合损失，在时域与频域联合优化预测结果。实验数据来自4个地区的30 min间隔温度序列，包括澳大利亚Queensland（QLD）、New South Wales（NSW），以及东亚的长春与首尔，每个数据集训练集为1689个样本，测试集为100个样本。
研究结果部分可按原文小标题进行概括。
3.1 Overall System Architecture
该部分给出了整体系统设计。研究人员指出，系统包含多频信息提取子系统和高精度预测子系统，并采用多输出解码器策略一次性生成整个预测序列，因此训练中无需教师强制（teacher forcing）机制。虽然论文将该方法表述为“端到端”地从原始温度输入映射到最终输出，但同时明确说明VMD分解作为固定预处理步骤，并不与后续深度学习模块联合优化。该架构为后续多步预测实验奠定了统一框架。
3.2 Multi-Frequency Information Extraction Subsystem
3.2.1 The Principle of the Subsystem
该部分说明了多频信息提取机制。研究人员通过VMD将原始温度序列分解为多个固有模态函数（IMFs，Intrinsic Mode Functions），剔除最高频模态后，依据包络熵进行聚类重构。结果表明，该策略能够从复杂温度序列中分离出具有不同动态特征的频率成分，为后续预测提供结构化输入。论文还特别强调，VMD参数优化和聚类中心确定均仅在训练集完成，从而保证测试评估的独立性。
3.2.2 The Output of the Subsystem
该部分通过可视化结果展示多频信息提取子系统的运行输出，说明原始温度数据能够被有效转换为高频、中频和低频三类序列。虽然正文未对图中每一细节作进一步定量展开，但从整体叙述可知，该步骤实现了温度信号的分层表达。
3.3 High-Precision Prediction Subsystem
3.3.1 The Principle of the Subsystem
该部分介绍高精度预测机制。研究人员将三类多频数据分别输入3个编码器，每个编码器利用CNN抽取局部模式，再由Bi-GRU捕获时序依赖。之后，通过3个可学习权重参数进行特征加权融合，融合结果输入解码器生成最终预测序列。与此同时，训练阶段采用时频域融合损失，在时域中使用MSE衡量预测值与真实值的偏差，在频域中通过FFT后计算谱差异的MAE。该设计使模型能够同时学习时间变化规律与周期结构信息。
3.3.2 The Output of the Subsystem
该部分展示了高精度预测子系统在48步预测任务中的表现。系统在NSW、QLD、长春和首尔数据集上的48步预测分别达到MAPE 1.2584、1.2622、24462826.5625、7410842.1875，MAE分别为0.3162、0.3364、2.5073、1.4574，MSE分别为0.1892、0.1877、8.9879、4.2047，R
2分别为0.9448、0.9331、0.8657、0.8302。结果表明，该系统在不同气候条件与不同温度区间下均具有较强的多步预测能力，但MAPE在温度接近0的长春与首尔数据上显著偏大，这与百分比误差指标对接近零值敏感的特性相一致。
5.1 Performance Comparison of Models
该部分通过与Random Forest、MLP、SVM、LSTM、TCN、PatchTST、N-BEATS等7种基线模型比较，验证所提系统的整体优势。结果显示，在4个数据集的1步、24步和48步任务中，所提系统总体均取得最优或显著更优结果。以NSW为例，1步预测MAPE为0.2108，24步为1.2418，48步为1.2584，均明显优于基线模型；在QLD数据上亦呈现类似趋势。长春与首尔数据上，系统在MSE与MAE等指标上同样表现最佳。论文据此认为，该系统在不同预测步长下具有稳定性与优越性，特别是在48步长预测时改进最为显著。
5.2 Comparative Analysis and Ablation Study of Decomposition Strategy
该部分重点考察分解策略的贡献。研究人员将VMD与EMD、CEEMDAN进行比较，并通过是否去除最高频分量开展消融分析。结果表明，VMD在4个数据集、多个预测步长上均优于EMD和CEEMDAN。例如在NSW数据的48步任务中，VMD的MSE为0.1892，显著低于EMD的1.2870和CEEMDAN的1.0912。消融结果进一步表明，去除最高频分量后，各分解方法的误差普遍下降，且VMD受益最为明显，说明将最高频模态视作噪声并剔除具有经验支持。
5.3 Accuracy Enhancement via Time–Frequency Fusion Loss
该部分验证时频域融合损失的有效性。研究人员将其与仅时域损失、仅频域损失进行比较。结果显示，融合损失在全部4个数据集和各预测步长下均获得更优结果。例如在NSW数据上，48步预测的MAE由仅时域损失的0.5423和仅频域损失的0.4786下降至0.3162；在首尔数据上，48步预测MSE由14.3149和6.1226下降至4.2048。由此可见，联合约束时间误差与频谱误差可显著提升模型训练效果和预测稳定性。
5.4 Analysis of Sensitivity
该部分分析超参数敏感性。研究人员采用控制变量法，分别改变时间步长（TS）、最大训练轮数（ME）、批大小（BS）和损失权重（LW），并计算MAPE、MSE、MAE和R
2的标准差。结果表明，系统对时间步长和批大小更为敏感，而对最大训练轮数和损失权重相对稳健。这意味着在实际部署与调参中，TS与BS是影响模型输出的关键超参数。
5.5 Models Overhead Calculation
该部分比较模型开销，以评估实际应用可行性。研究人员从训练时间、参数量、推理时间、峰值内存和浮点运算量（FLOPs）等维度进行量化。结果显示，所提系统训练时间为63.97 s，参数量为495.024 K，推理时间为0.002043529 s，内存占用59.738 MB，FLOPs为0.035705000 G。其复杂度高于传统机器学习模型和部分轻量神经网络，但明显低于PatchTST和N-BEATS等较重架构。论文据此认为，该方法在精度与开销之间实现了较为实用的折中。
讨论部分表明，该研究的核心意义在于通过“分解-聚类-重构+多编码器特征融合+时频域联合优化”的统一框架，增强了多步温度预测对非线性、非平稳及多尺度周期特征的建模能力。VMD较传统经验模态分解方法具有更稳定的频率分离能力，自适应加权机制提升了多频信息整合效率，而时频域融合损失则从训练目标层面弥补了仅依赖时域误差的不足。实验覆盖南、北半球4个气候差异明显的地区，使得结论具有较好的跨区域适用性。与此同时，论文也指出，当前系统虽已支持48步预测，但更长时域预测能力仍有待拓展；此外，模型仍存在一定计算复杂度，后续工作将朝着更轻量、更高效的方向发展。
研究结论可翻译为：本文提出了一种由多频信息提取子系统和高精度预测子系统组成的多步温度预测系统。该系统采用VMD分解算法进行数据分解与重构，将提取的多频信息输入编码器-解码器架构，并利用时频融合技术计算损失函数。该系统被应用于澳大利亚Queensland（QLD）、New South Wales（NSW）以及东亚长春和首尔的温度预测任务，相较现有模型取得了更优性能。此外，所获得的精度提升具有直接的实际运行价值。在能源资源管理场景中，更高的预测精度可降低负荷调度规划中的不确定性，促进电力供需更紧密匹配，从而减少过量备用容量和资源浪费带来的经济与环境成本；在环境决策场景中，模型对剧烈气候波动的可靠预测能力对于极端事件管理具有关键意义，高保真预测有助于相关部门提前开展灾害准备、优化应急资源配置并有效降低严重天气事件带来的社会风险。尽管该多步温度预测系统已表现出较好的结果与稳定性，研究人员仍指出两个后续方向：一是将当前支持48步的预测能力扩展至更长预测范围；二是针对当前系统的计算复杂度，开发更轻量且更高效的模型架构。
