时空预测任务在神经科学、交通、气象等领域应用广泛。气温预测作为典型的时空预测任务，需要挖掘气温数据中固有的时空特征。针对现有气温预测算法存在预测误差大、空间特征提取不充分的问题，提出一种基于图卷积网络和门控循环单元的气温预测（GCN-GRU）模型。首先，使用重新分配权重和多阶近邻连接方式修正图卷积网络（GCN），以有效挖掘气象数据独特的空间特征；然后，将门控循环单元（GRU）中每个循环单元的矩阵乘法替换成图卷积操作，并将所有的循环单元串联起来构成图卷积门控层；接着，使用图卷积门控层搭建网络主体结构来提取数据的时空特征；最后，通过一个全连接的输出层输出气温预测结果。通过与GRU和长短期记忆网络（LSTM）等单一模型对比，GCN-GRU模型的平均绝对误差（MAE）分别减小了0.67和0.83；与切比雪夫图卷积和长短期记忆网络结合的预测模型（Cheb-LSTM）、图卷积网络和长短期记忆网络结合的预测模型（GCN-LSTM）对比，平均绝对误差分别减小了0.36和0.23。
