Apadana موسسه آموزش عالی آپادانا New Researches in the Smart City فصلنامه پژوهش های نوین در شهرهوشمند 2980-8936 Evaluation and Comparison of Various Recurrent Neural Network Architectures for Daily Air Temperature Forecasting: A Case Study of Shiraz ارزیابی و مقایسه معماری های مختلف شبکه های عصبی بازگشتی در پیش بینی روزانه دمای هوا: مطالعه موردی شهر شیراز FA Mahdi Mehrabi Department of Computer Engineering, Faculty of Engineering, Shiraz Branch, Islamic Azad University, Shiraz, Iran مهدی محرابی گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران Mohammadjavad Mohammadi Department of Computer Engineering, Faculty of Engineering, Shiraz Branch, Islamic Azad University, Shiraz, Iran محمدجواد محمدی گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران Accurate air temperature forecasting is a key issue in climate studies, urban management, energy planning, and smart agriculture. In recent years, deep learning models, particularly recurrent neural networks (RNNs), have attracted considerable attention as effective tools for analyzing and forecasting climate time-series data. This study aims to evaluate and compare the performance of various recurrent neural network architectures for daily air temperature forecasting using long-term climatic data from the city of Shiraz, Iran. Daily meteorological data, including mean temperature, maximum and minimum temperature, relative humidity, and precipitation, were collected for the period from 1971 to 2025 (1350–1404 in the Iranian calendar). Following data preprocessing and normalization, four deep learning architectures, namely SimpleRNN, Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Bidirectional Long Short-Term Memory (BiLSTM), were implemented and trained using a sliding-window approach. To evaluate model performance, the dataset was divided into training, validation, and testing subsets, and the Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and coefficient of determination (R²) were employed as evaluation metrics. To assess the stability and robustness of the results, the models were trained over multiple independent runs, and their performance was compared with that of a baseline model. The results demonstrated that all recurrent architectures achieved satisfactory performance in daily air temperature forecasting. However, the GRU model achieved the best overall performance, yielding the lowest RMSE of … °C and MAE of … °C, and recorded the lowest prediction error (MAE ≈ …, RMSE ≈ …, R² ≈ …). Converting the error metrics back to the original temperature scale indicated that the daily temperature forecasting error was approximately 2–3 °C, which can be considered acceptable for climate-related and urban management applications. Furthermore, the results showed that gated recurrent architectures outperformed the conventional SimpleRNN in terms of forecasting accuracy, while incorporating multivariate climatic variables improved the overall performance of the models. The main contribution of this study lies in providing a comprehensive comparison of four major recurrent neural network architectures based on a long-term daily dataset spanning more than five decades for the city of Shiraz, together with an assessment of the stability of the results across multiple independent runs. The findings of this study can contribute to the development of intelligent temperature forecasting systems and support energy management and urban resource planning. Among the four evaluated architectures—SimpleRNN, LSTM, GRU, and BiLSTM—the GRU model demonstrated the best overall forecasting performance. پیش بینی دقیق دمای هوا یکی از مسائل کلیدی در مطالعات اقلیمی، مدیریت شهری، برنامه ریزی انرژی و کشاورزی هوشمند محسوب می شود. در سال های اخیر، مدل های یادگیری عمیق به ویژه شبکه های عصبی بازگشتی به عنوان ابزارهایی کارآمد برای تحلیل و پیش بینی داده های سری زمانی اقلیمی مورد توجه قرار گرفته اند. هدف پژوهش حاضر، ارزیابی و مقایسه عملکرد معماری های مختلف شبکه های عصبی بازگشتی در پیش بینی دمای روزانه هوا با استفاده از داده های بلندمدت اقلیمی شهر شیراز است.در این پژوهش از داده های روزانه هواشناسی شامل دمای متوسط، حداکثر و حداقل دما، رطوبت نسبی و بارش در بازه زمانی ۱۳۵۰ تا ۱۴۰۴ استفاده شد. پس از انجام پیش پردازش و نرمال سازی، چهار معماری یادگیری عمیق شامل SimpleRNN، LSTM، GRU و BiLSTM پیاده سازی و با استفاده از روش پنجره زمانی لغزان آموزش داده شدند. به منظور ارزیابی عملکرد مدل ها، داده ها به سه بخش آموزش، اعتبارسنجی و آزمون تقسیم شده و از معیارهای MAE، RMSE و ضریب تعیین استفاده گردید. همچنین به منظور بررسی پایداری نتایج، مدل ها در چند اجرای مستقل آموزش داده شده و عملکرد آن ها با یک مدل مبنا مقایسه شد. نتایج نشان داد که تمامی مدل های بازگشتی عملکرد مناسبی در پیش بینی دمای روزانه دارند، با این حال مدل GRU با ثبت کمترین مقدار RMSE برابر با … °C و MAE برابر با … °C بهترین عملکرد را ارائه داد و کمترین میزان خطا را ثبت کرد (MAE≈… ، RMSE≈… ، R²≈…). تبدیل مقادیر خطا به مقیاس واقعی نشان داد که خطای پیش بینی دمای روزانه در حدود ۲ تا ۳ درجه سانتی گراد است که برای کاربردهای اقلیمی و مدیریتی قابل قبول محسوب می شود. همچنین نتایج نشان داد که معماری های دروازه دار نسبت به RNN ساده دقت بالاتری داشته و استفاده از داده های چندمتغیره اقلیمی موجب بهبود عملکرد مدل ها شده است. نوآوری پژوهش حاضر در ارائه یک مقایسه جامع میان چهار معماری اصلی شبکه های عصبی بازگشتی بر پایه یک مجموعه داده روزانه بلندمدت بیش از پنج دهه برای شهر شیراز و بررسی پایداری نتایج در اجرای چندباره است. یافته های این پژوهش می تواند در توسعه سامانه های هوشمند پیش بینی دما و مدیریت انرژی و منابع شهری مورد استفاده قرار گیرد. در این پژوهش چهار معماری Simple RNN، LSTM، GRU و BiLSTM مقایسه شدند و GRU بهترین عملکرد را نشان داد. https://nrsc.apadana.ac.ir/downloadfilepdf/162602