[發(fā)明專利]一種基于全連接神經(jīng)網(wǎng)絡(luò)日最高氣溫的預(yù)報(bào)方法

在審

• 申請?zhí)枺?/td>: 202211248299.3
• 申請日: 2022-10-12
• 公開（公告）號: CN115526413A
• 公開（公告）日: 2022-12-27
• 發(fā)明（設(shè)計(jì)）人: 趙琳娜;盧姝
• 申請（專利權(quán)）人: 中國氣象科學(xué)研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 北京天奇智新知識產(chǎn)權(quán)代理有限公司 11340
• 代理人: 肖會

1.一種基于全連接神經(jīng)網(wǎng)絡(luò)日最高氣溫的預(yù)報(bào)方法，其特征在于：所述預(yù)報(bào)方法包括：

步驟1、對觀測資料數(shù)據(jù)和數(shù)值預(yù)報(bào)數(shù)據(jù)進(jìn)行預(yù)處理；

步驟2、將完成預(yù)處理的數(shù)據(jù)劃分為訓(xùn)練集、驗(yàn)證集和測試集，并分別對訓(xùn)練集、驗(yàn)證集和測試集上的特征和目標(biāo)執(zhí)行數(shù)據(jù)進(jìn)行歸一化處理；

步驟3、構(gòu)建結(jié)合嵌入層的全連接神經(jīng)網(wǎng)絡(luò)模型，并對模型的超參數(shù)進(jìn)行設(shè)置以及對模型進(jìn)行訓(xùn)練；

步驟4、對訓(xùn)練結(jié)束的模型進(jìn)行評估，并通過模型對最高氣溫進(jìn)行預(yù)測。

2.根據(jù)權(quán)利要求1所述的一種基于全連接神經(jīng)網(wǎng)絡(luò)日最高氣溫的預(yù)報(bào)方法，其特征在于：所述對觀測資料數(shù)據(jù)和數(shù)值預(yù)報(bào)數(shù)據(jù)進(jìn)行預(yù)處理包括以下內(nèi)容：

S11、對觀測數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗并生成目標(biāo)文件：剔除錯(cuò)誤或者缺測的站點(diǎn)，挑選出具有完整時(shí)間序列的站點(diǎn)最高氣溫觀測資料，創(chuàng)建目標(biāo)數(shù)據(jù)集；

S12、讀取并轉(zhuǎn)換歷史數(shù)值模式數(shù)據(jù)格式：讀取數(shù)值預(yù)報(bào)模式GRIB格式數(shù)據(jù)，將地面層預(yù)報(bào)數(shù)據(jù)和高空層預(yù)報(bào)數(shù)據(jù)統(tǒng)一水平分辨率，對時(shí)間維度上少量的預(yù)報(bào)缺失值通過線性插補(bǔ)的方法進(jìn)行插補(bǔ)，將歷史數(shù)值預(yù)報(bào)數(shù)據(jù)以nc格式輸出；

S13、計(jì)算數(shù)值模式高空組合數(shù)據(jù)：基于數(shù)值模式高空層數(shù)據(jù)，通過計(jì)算公式計(jì)算渦度平流，通過計(jì)算公式計(jì)算溫度平流，其中，v代表風(fēng)速，是等壓面上的拉普拉斯算子，ζ是相對渦度，f是行星渦度，T為溫度；

S14、將數(shù)值模式網(wǎng)格點(diǎn)上的數(shù)據(jù)插值到氣象站站點(diǎn)上：采用雙線性插值法將數(shù)值模式格點(diǎn)上的地面數(shù)據(jù)、高空數(shù)據(jù)和高空組合數(shù)據(jù)插值到地面氣象站站點(diǎn)上，將插值后的數(shù)值模式數(shù)據(jù)與目標(biāo)數(shù)據(jù)以一個(gè)文件輸出；

S15、構(gòu)建模型輸入特征：根據(jù)預(yù)報(bào)經(jīng)驗(yàn)，選出地面層及高空層與日最高氣溫預(yù)報(bào)相關(guān)的預(yù)報(bào)因子，并通過相關(guān)分析法和互信息值法挑選出與預(yù)報(bào)量相關(guān)的預(yù)報(bào)因子作為模型特征。

3.根據(jù)權(quán)利要求2所述的一種基于全連接神經(jīng)網(wǎng)絡(luò)日最高氣溫的預(yù)報(bào)方法，其特征在于：所述通過相關(guān)分析法和互信息值法挑選出與預(yù)報(bào)量相關(guān)的預(yù)報(bào)因子作為模型特征包括：

相關(guān)分析法：通過相關(guān)系數(shù)公式選擇出與目標(biāo)相關(guān)系數(shù)大于0.3，且達(dá)到0.05顯著性水平的因子，其中，X是觀測值，代表目標(biāo)，Y是預(yù)報(bào)值，代表特征，cov(X，Y)為X，Y的協(xié)方差，σ_X是X的標(biāo)準(zhǔn)差，μ_X是X的期望E(X)；

互信息值法：通過計(jì)算目標(biāo)與特征間的互信息值，度量特征與目標(biāo)間的非線性相關(guān)性，設(shè)置兩個(gè)隨機(jī)變量(X，Y)的聯(lián)合分布為p(x，y)，邊緣分布分別為p(x)，p(y)，互信息I(X；Y)是聯(lián)合分布p(x，y)與邊緣分布p(x)，p(y)的相對熵，互信息值表示為

選擇時(shí)間滯后變量為滯后N天與N+i天的最高氣溫觀測數(shù)據(jù)，并選擇輔助變量以在數(shù)據(jù)集中標(biāo)識不同站點(diǎn)以及樣本的時(shí)間信息，完成創(chuàng)建特征數(shù)據(jù)集。

4.根據(jù)權(quán)利要求3所述的一種基于全連接神經(jīng)網(wǎng)絡(luò)日最高氣溫的預(yù)報(bào)方法，其特征在于：所述輔助變量包括季節(jié)、月份、氣象站站點(diǎn)編號、站點(diǎn)經(jīng)度、站點(diǎn)緯度和站點(diǎn)海拔；并且將輔助變量中的站點(diǎn)經(jīng)度、站點(diǎn)緯度和站點(diǎn)海拔作為數(shù)值型變量，將輔助變量中的氣象站站點(diǎn)編號、季節(jié)和月份作為分類變量。

5.根據(jù)權(quán)利要求4所述的一種基于全連接神經(jīng)網(wǎng)絡(luò)日最高氣溫的預(yù)報(bào)方法，其特征在于：構(gòu)建的結(jié)合嵌入層的全連接神經(jīng)網(wǎng)絡(luò)模型包括輸入層、嵌入層、連接層、隱藏層和輸出層；所述輸入層中包括標(biāo)簽編碼和獨(dú)熱編碼，分類變量中的氣象站站點(diǎn)編號和月份輸入到標(biāo)簽編碼中，分類變量中的季節(jié)輸入到獨(dú)熱編碼中；所述嵌入層用于處理由輸入層中標(biāo)簽編碼傳遞的分類變量；連接層用于連接經(jīng)由嵌入層處理后的特征、獨(dú)熱編碼處理后的特征和其它特征；隱藏層由多個(gè)神經(jīng)元組成，以進(jìn)行特征提取和學(xué)習(xí)；最后經(jīng)由輸出層輸出。