基于温度与单位自回归移动平均(unit ARMA)模型的相对湿度预测

《Environmental and Ecological Statistics》:Relative humidity prediction using temperature and unit autoregressive moving average models

【字体: 大 中 小 】 时间:2026年06月27日 来源:Environmental and Ecological Statistics 2.2

编辑推荐:

  摘要:本研究基于意大利某葡萄园中物联网(IoT)气象站采集的高频环境数据,以温度(temperature)作为外生变量(exogenous variable),探讨利用小时级相对湿度(relative humidity, RH)进行预测的方法。为此,研究人员拟

  
摘要:本研究基于意大利某葡萄园中物联网(IoT)气象站采集的高频环境数据,以温度(temperature)作为外生变量(exogenous variable),探讨利用小时级相对湿度(relative humidity, RH)进行预测的方法。为此,研究人员拟合并比较了专为取值在单位区间(0,1)内有界随机变量设计的经典自回归移动平均(autoregressive moving average, ARMA)模型——即单位ARMA(unit ARMA)模型,与经典的自回归综合移动平均(autoregressive integrated moving average, ARIMA)模型的预测性能。单位ARMA模型的新近进展包括βARMA(Beta ARMA)、KARMA(Kumaraswamy ARMA)、UBXII-ARMA(unit Burr XII ARMA)及UWARMA(unit Weibull ARMA)模型。所有模型均以温度为协变量进行拟合,温度在各模型类别中均显示显著——主要为负向——影响。在拟合的各模型中,引入温度的UWARMA模型最具竞争力,兼具较强的预测性能与对有界变量建模的理论一致性。上述结果表明单位ARMA模型适用于环境监测应用中RH的精确预测。
论文解读:基于温度与单位自回归移动平均(unit ARMA)模型的相对湿度预测
一、研究背景与意义
相对湿度(relative humidity, RH)是农业微气候监测、无线传感器网络(wireless sensor networks, WSN)信号衰减分析及气象预报中的核心变量。传统RH预测多采用经典自回归综合移动平均(autoregressive integrated moving average, ARIMA)类模型,但其基于正态误差假设且未考虑RH天然约束于单位区间(0,1)的特性,可能导致预测值越界或理论不适配。已有单位ARMA(unit ARMA)模型——如βARMA(Beta ARMA)、KARMA(Kumaraswamy ARMA)等——多用于月尺度RH或水电存储比例数据,鲜见应用于小时级高频RH且纳入温度作为外生变量的比较研究。本研究利用意大利葡萄园IoT气象站的小时级RH与温度数据,比较经典ARIMA与四类单位ARMA(βARMA、KARMA、UBXII-ARMA、UWARMA(unit Weibull ARMA))在有无温度协变量下的表现,验证单位ARMA尤其UWARMA对小时级有界RH预测的适用性及温度外生变量的作用。本文发表于Environmental and Ecological Statistics。
二、主要关键技术方法
研究人员采用意大利Rio Saliceto葡萄园Davis Vantage Pro2气象站2020年12月21日至2021年2月2日共1041条小时级RH与温度(Temp)数据(冬季子集),剔除缺失值后按8:2划分为训练集(n=833)与测试集(n=208)。经典模型拟合ARIMA/SARIMA(seasonal ARIMA)及带外生变量的ARIMAX/SARIMAX(seasonal ARIMA with exogenous regressors),通过ADF与KPSS检验判定差分阶数d=1使序列平稳,auto.arima按AIC选定阶数(s=24考虑日季节性)。单位ARMA模型直接拟合水平序列,链接函数取logit,条件极大似然估计,遍历p,q∈{1,2,3}选最小AIC,含βARMA(BTSR包)、KARMA(BTSR包)、UWARMA(BTSR包)及UBXII-ARMA(自定义实现)。所有模型分"无协变量"与"含Temp协变量"( contemporaneous)两组拟合,预测性能以一步向前(one-step-ahead)测试的MAE、MAPE、RMSE评价,残差通过ACF/PACF及分位数残差(quantile residuals)诊断。缺失值填补实验模拟1%、5%、10%连续缺失,对比UWARMAX、ARIMAX与滑动平均(moving average, MA)插补效果。
三、研究结果
3.1 Fitting the models(模型拟合)
经ADF与KPSS检验,RH水平序列非平稳、一阶差分后平稳,故ARIMA类用一阶差分序列拟合,单位ARMA类直接用水平值。auto.arima选出SARIMA(不含Temp)具显著季节MA项;加入Temp后季节项不显著,选用ARIMAX。单位ARMA各类取最小AIC对应(p,q)。参数估计显示温度系数β在所有模型中显著为负,符合物理意义;除KARMA与UBXII-ARMA外,加Temp不改变模型阶数。含Temp协变量模型预测误差全面低于无协变量对应模型,证明Temp提升RH预测能力。KARMA类表现最差,βARMA居中,UBXII-ARMA与UWARMAX接近最优。UWARMAX(带Temp,即UWARMAX)获最低RMSE与MAE,UBXII-ARMA次之但其分位数残差ACF/PACF存显著自相关,UWARMAX残差无显著自相关,模型充分捕获RH动态。因此UWARMAX被视为最优竞争模型,ARIMAX为经典模型中最优。
3.2 Missing values experiment(缺失值实验)
模拟测试集产生1%、5%、10%连续缺失缺口(k=2,10,21),分别用UWARMAX预测插补、ARIMAX预测插补及滑动平均(MA)窗口插补。随缺口增大三类方法误差均上升;UWARMAX与ARIMAX均明显优于MA插补,二者互比RMSE差异约1%,UWARMAX略优。结合UWARMAX天然保证预测落于(0,1)区间之理论优势,判定其为缺失值插补更合适方法。
四、讨论与结论总结
研究人员指出:(1)温度作为同期外生变量对各模型RH预测均有显著负向贡献,加入后可吸收部分季节依赖使ARIMAX无需季节项;(2)单位ARMA尤其UWARMAX较经典ARIMAX更契合有界RH数据结构,预测精度相当或更优且杜绝越界预测;(3)KARMA不适于本研究的小时级意大利葡萄园RH数据,与既往南美月度RH结论不同,暗示数据时间分辨率与地域微气候影响分布选择;(4)单位ARMA类中尚无理论依据指定最优分布,需实证检验,本研究提供小时RH场景实证支持UWARMA优越性;(5)未来可发展单位ARMA季节扩展以捕捉日/年周期。最终结论为:引入温度的UWARMAX模型是小时级相对湿度预测与环境监测数据插补中最具竞争力且理论适宜的方法,单位ARMA框架整体优于经典ARIMA类用于单位区间有界气象变量建模。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号