[發(fā)明專利]基于集成學(xué)習(xí)的強(qiáng)對(duì)流天氣持續(xù)時(shí)間預(yù)報(bào)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911003227.0
• 申請(qǐng)日: 2019-10-22
• 公開（公告）號(hào): CN110794485A
• 公開（公告）日: 2020-02-14
• 發(fā)明（設(shè)計(jì)）人: 文立玉;羅飛;向元吉
• 申請(qǐng)（專利權(quán)）人: 成都信息工程大學(xué)
• 主分類號(hào): G01W1/10
• 分類號(hào): G01W1/10;G06N20/20
• 代理公司: 11308 北京元本知識(shí)產(chǎn)權(quán)代理事務(wù)所
• 代理人: 王紅霞

本發(fā)明公開了基于集成學(xué)習(xí)的強(qiáng)對(duì)流天氣持續(xù)時(shí)間預(yù)報(bào)方法，包括以下步驟：S1，數(shù)據(jù)源選取：選擇預(yù)報(bào)地區(qū)的地面氣象站資料以及離預(yù)報(bào)地區(qū)最近的兩個(gè)探空站資料；S2，數(shù)據(jù)預(yù)處理：剔除錯(cuò)誤及缺測資料，根據(jù)計(jì)算出的相關(guān)強(qiáng)對(duì)流預(yù)報(bào)參數(shù)作為輸入，選擇每次強(qiáng)隊(duì)流天氣持續(xù)的時(shí)間作為輸出，當(dāng)天沒有出現(xiàn)強(qiáng)對(duì)流天氣則認(rèn)為時(shí)間為0，對(duì)預(yù)報(bào)參數(shù)即輸入作歸一化處理；S3，機(jī)器學(xué)習(xí)算法選擇：選用K最近鄰算法、多項(xiàng)式回歸算法、決策樹算法、神經(jīng)網(wǎng)絡(luò)算法。本發(fā)明主要用強(qiáng)對(duì)流天氣發(fā)生當(dāng)天的各種氣象要素來推測強(qiáng)對(duì)流天氣可能會(huì)持續(xù)的時(shí)間，通過多機(jī)器學(xué)習(xí)算法比較策略，對(duì)目標(biāo)任務(wù)進(jìn)行訓(xùn)練測試，選出其中最優(yōu)的學(xué)習(xí)算法，用作實(shí)際的預(yù)報(bào)任務(wù)中。

技術(shù)領(lǐng)域

本發(fā)明涉及天氣預(yù)報(bào)技術(shù)領(lǐng)域，尤其涉及基于集成學(xué)習(xí)的強(qiáng)對(duì)流天氣持續(xù)時(shí)間預(yù)報(bào)方法。

背景技術(shù)

天氣預(yù)報(bào)(測)或氣象預(yù)報(bào)(測)是使用現(xiàn)代科學(xué)技術(shù)對(duì)未來某一地點(diǎn)地球大氣層的狀態(tài)進(jìn)行預(yù)測。從史前人類就已經(jīng)開始對(duì)天氣進(jìn)行預(yù)測來相應(yīng)地安排其工作與生活(比如農(nóng)業(yè)生產(chǎn)、軍事行動(dòng)等等)。今天的天氣預(yù)報(bào)主要是使用收集大量的數(shù)據(jù)(氣溫、濕度、風(fēng)向和風(fēng)速、氣壓等等)，然后使用目前對(duì)大氣過程的認(rèn)識(shí)(氣象學(xué))來確定未來空氣變化。由于大氣過程的混亂以及今天科學(xué)并沒有最終透徹地了解大氣過程，因此天氣預(yù)報(bào)總是有一定誤差的。

常規(guī)預(yù)報(bào)方法，預(yù)報(bào)員利用天氣學(xué)方法制作出來的，但準(zhǔn)確度不高。另外還有一些算法雖然從不同角度來提高強(qiáng)對(duì)流天氣預(yù)測準(zhǔn)確率，但往往采用單一預(yù)測算法。在實(shí)際應(yīng)用中，由于地域的不同，不同時(shí)空和不同季節(jié)對(duì)數(shù)據(jù)處理的要求也是不同的。這種單一的算法預(yù)報(bào)模型不能反映出數(shù)據(jù)的動(dòng)態(tài)變化特征，導(dǎo)致預(yù)報(bào)的穩(wěn)定性一般較差。

發(fā)明內(nèi)容

基于背景技術(shù)存在的技術(shù)問題，本發(fā)明提出了基于集成學(xué)習(xí)的強(qiáng)對(duì)流天氣持續(xù)時(shí)間預(yù)報(bào)方法。

本發(fā)明提出的基于集成學(xué)習(xí)的強(qiáng)對(duì)流天氣持續(xù)時(shí)間預(yù)報(bào)方法，包括以下步驟：

S1，數(shù)據(jù)源選取：選擇預(yù)報(bào)地區(qū)的地面氣象站資料以及離預(yù)報(bào)地區(qū)最近的兩個(gè)探空站資料；

S2，數(shù)據(jù)預(yù)處理：剔除錯(cuò)誤及缺測資料，根據(jù)計(jì)算出的相關(guān)強(qiáng)對(duì)流預(yù)報(bào)參數(shù)作為輸入，選擇每次強(qiáng)隊(duì)流天氣持續(xù)的時(shí)間作為輸出，當(dāng)天沒有出現(xiàn)強(qiáng)對(duì)流天氣則認(rèn)為時(shí)間為0，對(duì)預(yù)報(bào)參數(shù)即輸入作歸一化處理；

S3，機(jī)器學(xué)習(xí)算法選擇：選用K最近鄰算法、多項(xiàng)式回歸算法、決策樹算法、神經(jīng)網(wǎng)絡(luò)算法；

S4，集成學(xué)習(xí)執(zhí)行流程：將歸一化后的氣象特征數(shù)據(jù)作為輸入，采用交叉驗(yàn)證的方式來訓(xùn)練數(shù)據(jù)，將數(shù)據(jù)分為10份，對(duì)于每一個(gè)算法，將前9份用來訓(xùn)練和驗(yàn)證，最后一份用來測試和對(duì)模型評(píng)分，將前9份數(shù)據(jù)用來訓(xùn)練的過程中，每次取8份用來訓(xùn)練模型，取1份用來驗(yàn)證模型準(zhǔn)確率，根據(jù)此規(guī)則，每個(gè)算法開始都將得到9個(gè)模型和9個(gè)模型評(píng)分，選評(píng)分最高的，用來測試最后一份數(shù)據(jù)，并把測試得分作為此算法的最終得分；根據(jù)上述的模型訓(xùn)練方法和評(píng)分標(biāo)準(zhǔn)，對(duì)于每一個(gè)算法會(huì)訓(xùn)練出9個(gè)模型，根據(jù)每個(gè)模型得分，選出一個(gè)最優(yōu)模型；四個(gè)算法各有一個(gè)最優(yōu)模型，根據(jù)最開始劃分的最后一份測試數(shù)據(jù)，對(duì)四個(gè)算法的最優(yōu)模型進(jìn)行測試，根據(jù)測試得分，選最優(yōu)兩個(gè)的兩個(gè)算法作為最終算法，并結(jié)合這兩個(gè)算法，將它們預(yù)測結(jié)果求和再平均，得到集成學(xué)習(xí)的預(yù)報(bào)結(jié)果。

優(yōu)選地，所述相關(guān)強(qiáng)對(duì)流預(yù)報(bào)參數(shù)包括整層比濕積分、A指數(shù)、K指數(shù)、修正K指數(shù)、總指數(shù)、修正總指數(shù)、對(duì)流有效位能、對(duì)流凝結(jié)溫度、自由抬升對(duì)流溫度、0—3km垂直風(fēng)矢量差、強(qiáng)天氣威脅指數(shù)、700hPa比濕、700hPa相對(duì)濕度、850hPa比濕、850hPa相對(duì)濕度、地面露點(diǎn)溫度。

優(yōu)選地，所述歸一化處理采用均值方差歸一化，將所有用作輸入的數(shù)據(jù)歸一到均值為0方差為1的分布中。

優(yōu)選地，所述K最近鄰算法在氣象要素的變動(dòng)是在一個(gè)穩(wěn)定的范圍內(nèi)，即呈現(xiàn)出連續(xù)形態(tài)的情況下使用。

優(yōu)選地，所述多項(xiàng)式回歸算法在氣象預(yù)報(bào)涉及要素多，所有的要素和結(jié)果很難呈線性關(guān)系的情況下使用。