大规模云数据中心的高能耗不仅会产生高昂的电力成本,还会导致高碳排放。为了节能减排,云服务提供商开始利用可再生能源为云数据中心补充供电,风能已经成为云数据中心绿色电力的重要来源,因此对风能的可用量进行准确地预测具有重要意义。因为风速直接决定了风能的发电量,所以针对风能预测的课题,可以转化为风速预测,当前风能预测多以风速的时序序列预测为主,忽略了风速的空间相关性。针对这一问题,本文在充分考虑风速的时空特性的基础上,提出一种基于时空信息的风速预测方法。该方法根据历史的风速时序数据以及邻近地区的空间信息联合对未来时刻的风速进行预测,以获得风能发电量的发展趋势,从而指导云数据中心作业调度和能耗管理的优化。本文的主要贡献如下:首先,收集和处理多个风速监测站的风速数据。本文选取位于美国科罗拉多州的多个风速监测站的风速数据作为研究对象,在数据处理过程中对缺失值进行填充,并且进行数据标准化处理。另外,由于风速数据中存在异常值和噪声,使得模型不能得到风速的规律,所以采用适当的滤波器对数据进行一定的处理。其次,风速时空预测模型建立与训练。为了捕捉风速的时空特性,提出一种新型的时空图卷积网络预测模型,该模型通过图卷积网络学习空间上的拓扑结构来获得邻近风速的空间相关性,并利用门控循环单元捕获动态变化的时间特性。在此基础上,通过多组对比实验确定模型超参数的最优值,并对模型进行迭代训练和优化,得到最终的时空风速预测模型。最后,利用建立的时空预测模型对风速预测进行实验与分析。本文选取多个基线模型进行对比实验,并采用多个评价指标对模型的性能进行多维度评价。为了验证模型的鲁棒性,本文还加入随机噪声进行干扰实验的分析。综上所述,本文对风速数据进行Savitzky-Golay滤波器平滑处理,提出一种图卷积网络和门控循环单元相结合的时空预测模型,用于未来时刻的风速预测。实验结果表明,本文所提出的模型对未来时刻的风速预测性能优于其他基线模型。