Высокоточное прогнозирование температуры с высокой разрешающей способностью с использованием декомпозиции функционального временного ряда и продвинутых предсказательных моделей

Почему более точные прогнозы температуры важны для повседневной жизни

Температура воздуха формирует практически всё вокруг нас: электроэнергию, которую мы используем, продукты, которые мы выращиваем, комфорт и безопасность людей во время волн жары или резких похолоданий. По мере того как погода становится более изменчивой, городские планировщики, фермеры, врачи и операторы энергосетей нуждаются в надёжных краткосрочных прогнозах температуры — с точностью до часа. В этом исследовании предлагается новый способ превращать плотные потоки измерений температуры в более гладкие и точные суточные прогнозы, что может улучшить планирование в условиях жары, холода и энергетического спроса.

От «рваных» чисел к гладким суточным кривым

Большинство метеостанций фиксируют температуру ежечасно, создавая длинные списки чисел. Традиционные инструменты прогнозирования рассматривают каждое значение отдельно, как бусины на нитке. Авторы же рассматривают 24 часовых значения каждого дня как одну гладкую кривую, которая поднимается и опускается в течение дня. Такой кривойный взгляд улавливает знакомый суточный ритм с холодными ночами и тёплыми днями, а также более длинные сезонные колебания в пределах месяцев и лет. Представляя температуру в виде непрерывных кривых, а не разрозненных точек, метод лучше отслеживает скрытые в шумных данных закономерности.

Разделение регулярных паттернов и неожиданностей

Чтобы разобраться в этих кривых, исследование сначала разделяет температурный сигнал на две части. Одна часть фиксирует предсказуемую структуру: долгосрочные тренды потепления или похолодания, годовые сезоны и недельные привычки, такие как рабочие и выходные дни. Этот гладкий каркас оценивается с помощью гибких математических инструментов, которые следуют за данными, не переусердствуя при кратковременных всплесках. Вторая часть отражает оставшиеся более случайные ежедневные флуктуации — погодные сюрпризы, которые всё ещё важны для завтрашнего прогноза. Отделив регулярные циклы, модель может сосредоточиться на более точном предсказании этих краткосрочных изменений.

Давая целым дням «взаимодействовать» между собой

Вместо того чтобы предсказывать следующий час только по предыдущему часу, основная модель в этой работе — так называемая функциональная авторегрессионная модель — позволяет целым суточным кривым влиять друг на друга во времени. Проще говоря, профиль температуры вчерашнего дня помогает формировать сегодняшний, а сегодняшний — завтрашний. Метод сжимает каждую гладкую кривую в небольшой набор ключевых форм, затем изучает, как эти формы эволюционируют изо дня в день. Это позволяет модели уважать непрерывность температурного сигнала, улавливая, как прохладные утры обычно переходят в тёплые дни, и как похожие погодные паттерны повторяются, при этом допуская естественные вариации.

Превосходство над стандартными и ИИ-соперниками

Исследователи протестировали свой подход на семилетнем наборе ежечасных данных по температуре из Табука, города в Саудовской Аравии, используя первые шесть лет для обучения модели и последний год для тестирования в реалистичных скользящих суточных прогнозах. Они сравнили их метод, основанный на кривых, с классическими статистическими моделями, широко используемыми в прогнозировании, а также с популярными подходами искусственного интеллекта на базе нейронных сетей. Во всех сравнениях — по часам, по месяцам и за весь год — функциональная модель показывала наименьшие ошибки прогноза и наиболее стабильную работу, особенно в хитрые ранние утренние и поздние вечерние часы, когда температура может быстро меняться.

Что это значит для людей и планирования

Для неспециалиста сообщение просто: рассматривая температуру не как отдельные числа, а как гладкие суточные истории, мы можем надежнее прогнозировать завтрашнюю жару и холод. В этом исследовании метод, основанный на кривых, постоянно превосходил как традиционные статистические подходы, так и более сложные инструменты ИИ, что говорит о том, что уважительное отношение к естественной форме и ритму температуры приносит пользу. Хотя работа сосредоточена на одном городе и одном типе модели, она указывает на практический путь к улучшению высокоразрешённых прогнозов. Более точные почасовые прогнозы помогают поставщикам энергии балансировать предложение и спрос, фермерам защищать посевы от внезапных заморозков или теплового стресса, а сообществам — эффективнее готовиться к погодным рискам.

Цитирование: Alshanbari, H.M., Aldhabani, M.S., Iqbal, N. et al. High resolution temperature forecasting using functional time series decomposition and advanced predictive models. Sci Rep 16, 8906 (2026). https://doi.org/10.1038/s41598-026-40796-w

Ключевые слова: прогнозирование температуры воздуха, анализ функциональных данных, модели временных рядов, планирование в области климата и энергетики, сравнение нейронных сетей