結合RF 與1DCNN的多信息融合氣溫預報方法

李 晶，唐全莉

（1.昆明理工大學 管理與經濟學院，云南 昆明 650093；2.昆明理工大學 理學院，云南 昆明 650500）

0 引言

氣溫是影響氣候最主要的參數之一，近100 年來中國年均氣溫升高0.5～0.8℃，其中近50 年氣候變暖趨勢尤為明顯［1］，導致干旱、洪澇等極端氣象災害頻繁發生，進而對全球氣候產生影響［2］。中國水利部部長陳雷在2008 年第二屆中瑞防洪減災研討會上指出，自公元前206 年至公元1949 年的2 155 年間，中國共發生特大洪災1 092 次，較大旱災1 056 次，平均每兩年發生一次較大水災或嚴重干旱。因此，對氣溫進行精準預報有助于預防極端氣象災害，對人類經濟活動、地質災害防控、醫療實踐等眾多領域具有重要意義。

隨著社會的高速發展和人民生活水平的不斷提高，人們對氣溫預報的精準程度提出了更高要求，機器學習模型作為近年的研究熱點，為氣溫的精準預報提供了新思路［3-5］。Jallal 等［6］運用多層神經網絡構建了一種智能自回歸模型，對2014 年摩洛哥馬拉喀什記錄的氣溫值進行預報；門曉磊等［7］分別運用嶺回歸、隨機森林（Random Forest，RF）和深度學習（Deep Learning，DL）方法，對BABJ、ECMF、RJTD 以及KWBC 這4 種數值預報模式的氣溫預報結果進行訂正，以提高氣溫預報精度；Karimi 等［8］運用支持向量機和RF 模型，對伊朗30 個氣象站所記錄的1986-2000 年間的月氣溫值進行預報，實驗結果表明RF 模型氣溫預報效果更好。因此，機器學習模型在氣溫預報領域中得到應用，前期的研究成果對提高氣溫預報精度具有一定的參考價值。

一維卷積神經網絡（One-Dimensional Convolutional Neural Network，1DCNN）是一種特殊的機器學習模型，與傳統卷積神經網絡（Convolutional Neural Network，CNN）相似，具有強大的表征學習能力［9］，在氣象站觀測數據以及具有固定周期的信號數據分析預測中效果較好［10］。Shubhi等［11］基于一維單CNN 和一維多CNN 深度學習模型，分別對斯圖加特和荷蘭的風速風向進行預測，均取得了良好的預測效果；Liu 等［12］基于小波包分解、CNN 神經網絡和卷積長短記憶網絡，構建了一種風速預測模型。該模型能有效對一維風速時間序列數據進行預測，尤其在風速發生突變時，與傳統風速預測模型相比，該模型具有更好的預測性能；Huang 等［13］基于一維時間序列信號數據具有周期性和短時脈沖特性的特點，提出一種將三次樣條插值池法與1DCNN 神經網絡相結合的故障診斷方法，該方法能在保持信號連續性的前提下最大限度地保留原始信號的特征重構。因此，1DCNN 模型在時間序列數據處理領域得到應用，提高了氣溫預報精度。

由于原始氣象觀測數據大多是高維的，且存在大量物理噪音和與氣溫無關的冗余特征，導致傳統的1DCNN 模型在實際氣溫預報過程中對特征和特征值之間的理解減弱，加大了模型學習難度。鑒于此，本文運用RF 模型理論和1DCNN 神經網絡模型理論，對氣象觀測數據進行特征選擇，構建一種多信息融合氣溫預報模型RF-1DCNN。該模型具有較強的特征選擇和特征提取能力，能夠從海量氣象觀測數據中提取與氣溫高度相關的深層信息，有效避免了傳統氣溫預報模型受大量物理噪聲和與氣溫無關的冗余特征的誤導影響，提高模型的學習能力、泛化能力和擬合能力，更精準地對氣溫進行預報。

1 研究方法

1.1 隨機森林模型

RF 模型是Leo［14］于2001 年提出的一種用于提高分類精度的集群分類器，主要由Bagging 算法和Random Subspace 算法構成。基于集成學習思想，RF 模型能夠運用多棵決策樹從海量數據中提取有價值的隱藏信息，進而篩選出對影響模型預測精度相關性較大的指標，以提高數據分析效率。因此，RF 模型被廣泛應用于回歸問題和分類問題。隨機森林模型結構如圖1 所示。

Fig.1 Structure of random forest model圖1 隨機森林模型結構

由圖1 可以看出，RF 模型由多棵決策樹h1(x),h2(x),…,hnTree(x)集合而成，每棵決策樹之間通過共同作用挖掘出對影響模型預測精度相關性較大的指標，操作步驟如下：①分別度量出每棵決策樹對提高模型預測精度的貢獻值，進而計算出每個指標的特征重要性得分；②將每個指標的特征重要性得分由低到高進行排序；③根據特征重要性得分排序結果，剔除分值較低的特征，篩選出對提高模型預測精度貢獻較大的指標作為神經網絡模型的輸入變量。

1.2 1DCNN 神經網絡模型

1DCNN 神經網絡是CNN 神經網絡的一種特殊結構，具有強大的表征學習能力，能夠從輸入信息中提取高階特征［15-16］。一個典型的1DCNN 模型通常包括輸入層、若干個交替的卷積層和池化層、全連接層和輸出層。其中，卷積層和池化層是1DCNN 模型特有的網絡結構，可以對輸入數據進行特征提取。

（1）卷積層。卷積層通過卷積運算從輸入數據中提取子序列，以達到從局部輸入中提取高階特征，提高特征魯棒性的目的，卷積公式如式（1）所示。為了提高1DCNN 模型的稀疏性，減少參數之間的依存關系，通常采用線性整流函數（Rectified Linear Unit，ReLU）作為卷積層的激活函數，數學表達式如式（2）所示。

（2）池化層。池化層在卷積層之后，利用最大池化方法對卷積層的輸出執行池化操作，通常采用sigmoid 函數作為池化層的激活函數，如式（3）和式（4）所示。

2 多信息融合氣溫預報模型構建

2.1 研究區域

本文研究區域為云南省昆明市。昆明由于其獨特的地理位置，經常出現倒春寒、洪澇、干旱等多種氣象災害，以及由氣象災害引發的泥石流、山體滑坡等地質災害，造成經濟和人員等重大損失。因此，本文充分挖掘云南省昆明市氣象觀測數據間的隱藏特征，以提高氣溫預報精度，進而增強氣象災害預防能力。

2.2 預報時間范圍

氣溫變化易受各種不可控因素影響，隨著預報時間的增加，預報誤差逐漸累積，導致氣溫預報精度不斷降低。本文擬對云南省昆明市未來10 小時的氣溫進行預報，探究多信息融合氣溫預報模型RF-1DCNN 在未來10 小時中的氣溫預報效果，為后期對中長期氣溫預報研究提供理論依據。

2.3 數據收集

氣溫易受太陽輻射量、地形、海陸位置、洋流、氣壓、風向、風速以及相對濕度等各種不可控因素影響，為氣溫的精準預報增加了難度。基于此，本文將構建多信息融合的預報方法對氣溫變化進行深入研究。運用文獻分析法得到影響氣溫變化的主要因素有氣溫（T）［17］、氣象站氣壓（PO）［18］、海平面氣壓（P）［19］、相對濕度（RH）［20］、風向（WD）［21］、風速（WS）［22］以及水平能見度（VV）［23］等，單位分別為攝氏度（℃）、毫米汞柱（mmHg）、毫米汞柱（mmHg）、百分率（%）、羅盤方向、米/秒（m/s）、千米（km）。根據以上影響因素收集云南省昆明市地面氣象站2017 年1 月1 日0 時至2019 年12 月31 日23 時（共計1 095 天）的每小時氣象觀測數據（共計26 280 條）進行實證研究，同時運用差分法對氣象觀測數據進行預處理，將預處理后的數據集中前80%的數據作為訓練集，后20%作為測試集，并隨機抽取訓練集中的20%作為驗證集。

2.4 預報性能評價指標

通常情況下，用于評估機器學習模型預報性能所采用的評價指標主要包括均方根誤差［24］（Root Mean Square Error，RMSE）和皮爾遜相關系數［25］（Pearson correlation coefficient，PCCs）等。其中，RMSE 是預測誤差的衡量指標，指標值越小表明預測精度越高，即預測值越接近真實值。PCCs是度量相關性的衡量指標，常用r 表示。r 值越接近1，表明預測值與真實值之間的相關性越強，擬合度越高。訓練集上RMSE的值體現模型的學習能力，該值越小，表明模型的學習能力越強。驗證集上RMSE的值體現模型的泛化能力，該值越小，表明模型的泛化能力越強。測試集上RMSE和r的值體現模型的擬合能力，RMSE 值越小且r 值越接近1，表明模型的預報精度越高。因此，本文選取模型的學習能力、泛化能力以及擬合能力作為衡量多信息融合氣溫預報模型RF-1DCNN 預報性能的評價指標。RMSE 和r的計算公式分別如式（5）和式（6）所示：

2.5 RF-1DCNN 模型建立

隨著計算機技術和應用數學的發展，神經網絡模型在氣溫預報領域已取得一定的應用成果。傳統的氣溫預報方法主要包括1DCNN、LSTM 和BP 神經網絡。LSTM 神經網絡是經典的時間序列處理模型，能夠深度挖掘歷史氣象觀測數據間的時間相關性，進而有效解決梯度消失和梯度爆炸問題；1DCNN 神經網絡具有強大的表征學習能力，能夠從輸入信息中提取隱藏特征，進而挖掘出與氣溫高度相關的高階特征，在提高模型預報精度的同時減少訓練時間；BP 神經網絡具有較強的非線性映射能力，能夠利用誤差反向傳播算法自動調整權值和閾值，進而較好地對時間序列數據進行處理。

因此，本文運用特征選擇能力較強的RF 模型和表征學習能力較強的1DCNN 神經網絡模型理論，構建一種多信息融合氣溫預報模型RF-1DCNN。該模型能夠從海量氣象觀測數據中剔除大量物理噪聲和與氣溫無關的冗余特征，進而克服傳統單變量氣溫預報方法只考慮氣溫這一個氣象要素的局限性，提高氣溫預報精度。模型總體框架如圖2 所示。

Fig.2 Multi-information fusion temperature forecast method 1DCNN overall framework圖2 多信息融合氣溫預報方法RF-1DCNN 總體框架

由圖2 可以看出，多信息融合氣溫預報方法RF-1DCNN 主要由RF 和1DCNN 兩部分構成。①RF 模型對預處理后的氣象觀測數據進行特征選擇，挖掘出與氣溫高度相關的氣象要素作為1DCNN 神經網絡模型的輸入變量；②1DCNN 模型特有的卷積層和池化層，從輸入變量中提取與氣溫高度相關的隱藏特征，進而降低數據維度和時間復雜度，提高氣溫預報精度。

3 實驗結果與分析

本文基于RF-1DCNN 模型，運用Python 軟件進行程序編譯，挖掘出與氣溫變化高度相關的氣象要素作為神經網絡模型的輸入變量。同時選取LSTM、1DCNN 和BP 神經網絡作為基線模型，與所構建的RF-1DCNN 模型在總體預報效果、氣溫預報性能兩個方面進行對比分析。

3.1 RF 特征選擇

特征重要性得分是衡量指標對提高模型預測精度所作貢獻的標準，根據特征重要性得分排序結果能夠篩選出與氣溫變化高度相關的氣象要素。通常情況下，當指標的特征重要性得分低于0.1 時，表明該指標對提高模型預測精度所作的貢獻較小，即在對模型進行訓練時，該指標不僅增大了模型的訓練難度，還容易導致模型過擬合，進而降低氣溫預報精度。因此，本文選取0.1 作為衡量氣象要素對提高模型氣溫預報精度所作貢獻的基線，剔除特征重要性得分低于0.1的氣象要素，進而挖掘出與氣溫變化高度相關的氣象要素作為神經網絡模型的輸入變量。

在運用RF-1DCNN 模型進行氣溫預報之前，首先運用RF 模型對預處理后的氣象觀測數據進行特征選擇。通過Python 軟件進行程序編譯，分別計算出PO、P、RH、WD、WS以及VV 對氣溫變化的特征重要性得分，并由低到高進行排序，如圖3 所示。

由圖3 可以看出，特征重要性得分高于0.1的氣象要素有3 個，分別為PO、P 和RH。其中，PO 和P的特征重要性得分較高，分別為0.485 和0.223，說明氣溫變化與氣壓變化高度相關，氣壓越低氣溫就越高。RH的特征重要性得分為0.122，表明相對濕度對氣溫的變化影響較大，必須引起重視。同時，特征重要性得分低于0.1的氣象要素也有3 個，分別為WD、WS 和VV。其中，VV的特征重要性得分最低，僅為0.032，表明水平能見度與氣溫變化相關性較小，只能間接影響氣溫變化。WD 和WS的特征重要性得分分別為0.072 和0.067，表明風向和風速對氣溫變化的影響較小，不是影響氣溫變化的主要因素。影響氣溫變化的相關性程度從高到低依次為PO、P、RH、WD、WS 以及VV。

Fig.3 Results of feature selection in RF model圖3 RF 模型特征選擇結果

綜上所述，本文選取T、PO、P 以及RH 這4 個氣象要素作為神經網絡模型的輸入變量，克服傳統氣溫預報模型因特征提取能力不足而導致的氣溫預報精度較低的問題，有效提高氣溫預報精度。

3.2 模型預報效果比較分析

在進行氣溫預報性能比較之前，首先對模型的總體預報效果進行比較分析。通過Python 軟件進行程序編譯，分別繪制出RF-1DCNN、1DCNN、LSTM 和BP 模型的氣溫預測值與真實值比較曲線，如圖4 所示（彩圖掃OSID 碼可見，下同）。

Fig.4 Overall temperature forecast results of RF-1DCNN，1DCNN，LSTM and BP model圖4 RF-1DCNN、1DCNN、LSTM 和BP 模型整體氣溫預報結果

由圖4 可以看出，除了少數的波峰和波谷預報效果較差以外，RF-1DCNN、1DCNN、LSTM 和BP 模型的總體氣溫預報結果相似，具體表現為RF-1DCNN、1DCNN、LSTM 和BP 模型的氣溫預報曲線都十分貼近氣溫真實曲線，能較好地預測氣溫變化的總體走勢。這表明上述4 種模型都能較好地刻畫氣溫的動態變化。

為了更清晰地描述RF-1DCNN、1DCNN、LSTM 和BP模型的氣溫預報效果，本文隨機抽取圖4 中連續2 天共48個數據，分別繪制各模型的氣溫預測值與真實值對比曲線，如圖5 所示。

由圖5 可以看出，相較于傳統的1DCNN、LSTM 和BP 模型，本文所構建的多信息融合氣溫預報模型RF-1DCNN的氣溫預測值更接近真實值，氣溫預報結果較準確，表明RF-1DCNN 模型能夠從含有大量物理噪聲和與氣溫無關的冗余特征的氣象觀測數據中提取出與氣溫高度相關的潛在信息，進而在降低數據維度和時間復雜度的同時提高氣溫預報精度。

Fig.5 Temperature forecast results randomly selected by BP model圖5 BP 模型隨機抽取的氣溫預報結果

3.3 模型預報性能比較分析

本文選取模型的學習能力、泛化能力以及擬合能力作為衡量多信息融合氣溫預報模型RF-1DCNN的性能評價指標。首先針對訓練集中的數據，從RMSE的角度對RF-1DCNN、1DCNN、LSTM 和BP 模型的學習能力進行比較分析。模型的學習能力越強，表明該模型挖掘隱藏信息的能力越強，能夠從海量的氣象觀測數據中提取更多與氣溫相關的潛在信息，進而提高模型的學習能力；其次，針對驗證集中的數據，從RMSE的角度對RF-1DCNN、1DCNN、LSTM和BP 模型的泛化能力進行比較分析。模型的泛化能力越強，表明該模型的實際預測能力越強，理論上氣溫預報精度就越高，進而具有較好的擬合能力；最后，針對測試集中的數據，從RMSE、r 以及P 值的角度對RF-1DCNN、1DCNN、LSTM 和BP 模型的擬合能力進行比較分析。其中，P 值是統計學中應用最廣的假設檢驗指標之一，將其與給定的顯著性水平進行比較，可以確定是否具有統計學意義。本文將選定顯著性水平為0.05，當P≤0.05 時，模型的RMSE、MAE 和r 值均具有統計學意義。RMSE 值越小且r 值越接近1，表明該模型的擬合能力越強，氣溫預測值越接近真實值，進而預報精度越高。

3.3.1 模型學習能力比較分析

通過Python 軟件對驗證集中的數據進行程序編譯，分別繪制出RF-1DCNN 與1DCNN、LSTM 以及BP 模型在不同迭代次數下的RMSE 對比曲線，如圖6 所示。

Fig.6 RMSE comparison results of RF-1DCNN model and 1DCNN，LSTM，and BP models on the train set，respectively圖6 RF-1DCNN 模型分別與1DCNN、LSTM 和BP 模型在訓練集上的RMSE 比較結果

由圖6 可以看出，RF-1DCNN、1DCNN、LSTM 和BP 模型在訓練集上的RMSE 曲線均隨著迭代次數的增加而持續降低，最終趨于穩定，表明各模型在訓練集上都能有效收斂，具有良好的學習能力。同時，在圖6（a）、圖6（b）以及圖6（c）的總體迭代過程中，RF-1DCNN 模型的RMSE 曲線在0.355 附近趨于穩定。其中，由圖6（a）可以看出，1DCNN 模型的RMSE 曲線也在0.355 附近趨于穩定。對比1DCNN 模型，RF-1DCNN 模型在前100 次迭代過程中的RMSE 曲線較低，表明RF-1DCNN 模型的整體學習能力更強，能夠更有效地提高氣溫預報精度；由圖6（b）可以看出，LSTM 模型的RMSE 曲線在0.435 附近趨于穩定。對比LSTM 模型，RF-1DCNN 模型的RMSE 曲線明顯更低，表明RF-1DCNN模型能夠更有效地降低氣溫預報誤差；由圖6（c）可以看出，BP 模型的RMSE 曲線在0.485 附近趨于穩定。對比BP模型，RF-1DCNN 模型的降低幅度更加明顯，表明RF-1DCNN 模型能夠學習更多與氣溫相關的潛在信息，進而提高數據分析效率。

綜上所述，相較于1DCNN、LSTM和BP模型，RF-1DCNN模型在訓練集上的RMSE 曲線最低，具有較強的學習能力，表明該模型能充分學習氣象觀測數據中與氣溫高度相關的隱藏信息，進而提高氣溫預報精度。

3.3.2 模型泛化能力比較分析

針對驗證集中的數據，通過Python 軟件進行程序編譯，分別繪制出RF-1DCNN 與1DCNN、LSTM 以及BP 模型在不同迭代次數下的RMSE 比較曲線，如圖7 所示。

由圖7 可以看出，RF-1DCNN、1DCNN、LSTM 和BP 模型在驗證集上的RMSE 曲線均隨著迭代次數的增加而持續降低，最終趨于穩定，這表明各模型在驗證集上都達到有效收斂，具有良好的泛化能力。同時，在圖7（a）、圖7（b）及圖7（c）的總體迭代過程中，RF-1DCNN 模型的RMSE 曲線在0.285 附近趨于穩定。由圖7（a）可以看出，1DCNN 模型的RMSE 曲線在0.295 附近趨于穩定。對比1DCNN 模型，RF-1DCNN 模型的RMSE 曲線降低幅度明顯更大，表明RF-1DCNN 模型能夠更有效地提高氣溫預報精度；由圖7（b）可以看出，LSTM 模型的RMSE 曲線在0.295 附近趨于穩定。對比LSTM 模型，RF-1DCNN 模型的總體RMSE 曲線較低，表明RF-1DCNN 模型能夠有效緩解過擬合現象，具有更強的泛化能力；由圖7（c）可以看出，BP 模型的RMSE 曲線在0.335 附近趨于穩定。比較BP 模型，RF-1DCNN 模型的RMSE 曲線明顯更低，表明RF-1DCNN 模型具有更強的氣溫預報能力，能對氣溫進行精準預報。

Fig.7 RMSE comparison results of RF-1DCNN model and 1DCNN，LSTM，and BP models on the validation set，respectively圖7 RF-1DCNN 模型分別與1DCNN、LSTM 和BP 模型在驗證集上的RMSE 比較結果

綜上所述，相較于1DCNN、LSTM 和BP模型，RF-1DCNN模型在驗證集上的RMSE 曲線最低，具有較強的泛化能力。該模型不僅能較好地擬合驗證集中的數據，還能較好地擬合未學習過的其他氣象觀測數據，進而對氣溫進行精準預報。

3.3.3 模型擬合能力比較分析

針對測試集中的數據，通過Python 軟件進行程序編譯，分別計算得出未來10 小時的氣溫預報過程，RF-1DCNN 模型相較于LSTM、1DCNN 和BP 模型在RMSE 和r 上改進的百分比如表1 所示。

由表1 可以看出，RF-1DCNN、LSTM、1DCNN 和BP 模型的p 值均小于0.05，表明各模型的RMSE 和r 值均具有統計學意義。同時，在對未來10 小時的總體氣溫預報過程中，各模型每小時的RMSE 和r 值的百分比都大于0，且RMSE 值在第一小時內降低最多，r 值在第10 小時最接近1，表明相較于LSTM、1DCNN 和BP 模型，RF-1DCNN 模型的氣溫預報精度更高，能夠更好地對氣溫進行精準預報。其中，對比LSTM 模型，RF-1DCNN 模型的RMSE 值最大降低了13.110%，r值最大提高了0.240%，這是因為RF-1DCNN具有較強的特征選擇和特征提取能力，能夠有效避免傳統LSTM 模型受大量物理噪聲和與氣溫無關的冗余特征的誤導，進而改善LSTM 模型訓練時間較長、易過擬合的缺陷。對比1DCNN 模型，RF-1DCNN 模型的RMSE 值最大降低了26.176%，r 值最大提高了0.567%，這是因為RF-1DCNN 模型基于RF 能夠度量特征重要性，能夠從海量氣象觀測數據中提取與氣溫高度相關的深層信息，進而提高數據分析效率，提高模型預報精度。對比BP 模型，RF-1DCNN 模型的RMSE 值最大降低了17.612%，r 值最大提高了0.355%，這是因為BP 模型雖然具有較強的非線性映射能力，但與LSTM 模型無法進行特征提取和特征選擇的缺陷相似，BP模型無法避免物理噪聲和與氣溫無關的冗余特征對氣溫變化的影響，氣溫預報誤差略大。因此，4 種模型的氣溫擬合能力從優到劣依次為：RF-1DCNN 模型、LSTM 模型、1DCNN 模型、BP 模型。

Table 1 Percentage improvement of RMSE，r and P of RF-1DCNN compared with 1DCNN，LSTM and BP model表1 RF-1DCNN 相較于1DCNN、LSTM 和BP 模型在RMSE、r 和P 上改進的百分比

綜上所述，針對RMSE 指標，RF-1DCNN 模型較LSTM、1DCNN和BP模型最大降低了13.110%、26.176%和17.612%，氣溫預測值更接近真實值，具有較高的氣溫預報精度；針對r 指標，RF-1DCNN 模型較LSTM、1DCNN 和BP 模型最大提高了0.240%、0.567%和0.355%，氣溫預測值與真實值的相關性最高。因此，相較于LSTM、1DCNN 和BP 模型，本文所構建的多信息融合氣溫預報模型RF-1DCNN 能夠充分挖掘出與氣溫變化高度相關的氣象要素，提高模型的氣溫預報精度，進而對氣溫進行精準預報。

4 結語

為避免大量物理噪聲和與氣溫無關的冗余特征對氣溫預報產生的負面影響，本文運用特征選擇能力較強的RF模型和表征學習能力較強的1DCNN 神經網絡模型構建了一種多信息融合氣溫預報模型RF-1DCNN。該模型不僅能有效緩解傳統氣溫預報模型因關聯信息不足而導致的預報精度低、泛化能力較差的缺陷，還能從海量氣象觀測數據中提取出與氣溫變化高度相關的潛在特征，進一步提高模型的數據分析效率。實驗結果表明，在對未來10 小時的總體氣溫預報中，相較于傳統的1DCNN、LSTM 和BP 模型，本文所構建的多信息融合氣溫預報模型RF-1DCNN 在訓練集、驗證集和測試集上均具有更好的氣溫預報效果，氣溫預報值更接近真實值。特別是在對前6 小時的氣溫預報過程中，RF-1DCNN 模型的RMSE 值降低最多，相關性r值也更接近于1，表明相較于1DCNN、LSTM 和BP 模型，RF-1DCNN 模型具有更強的短時氣溫預報能力，能夠更好地對短時氣溫進行精準預報。為進一步提高中長期氣溫預報精度，將多信息融合氣溫預報模型RF-1DCNN 與滾動預測方法相結合是后續研究方向。