気温および相対湿度の時間別予測における機械学習モデルの比較研究

概要: 中国の重慶のような地形的に複雑な都市では、気温および相対湿度の正確な短期予測が都市の管理にとって極めて重要です。本研究では、現実世界のオープンデータを用いた1時間ごとの予測において、eXtreme Gradient Boosting（XGBoost）、ランダムフォレスト、サポートベクタ回帰（SVR）、多層パーセプトロン（MLP）、決定木、長短期記憶（LSTM）ネットワーク、および畳み込みニューラルネットワーク（CNN）-LSTM（CNN-LSTM）の7つの機械学習モデルを比較します。データ前処理、ラグ特徴量の構築、移動（ロ－リング）統計特徴量、時系列検証から成る統一された枠組みに基づき、モデルは予測精度と頑健性の観点から体系的に評価されます。その結果、XGBoostが全体として最良の性能を示し、気温に対するテストの平均絶対誤差（MAE）が0.302 {}Cであるのに対し、相対湿度では1.271%であり、さらに2つの予測タスクにまたがる平均R2が0.989でした。これらの知見は、構造化された気象時系列の予測に対して、木ベースのアンサンブル学習が強力に有効であることを示しており、山岳都市における知能的な気象予測のための実践的な指針を提供します。