[发明专利]一种基于深度学习的天气预测方法及系统

说明书

技术领域

本发明涉及天气预测领域，尤其涉及一种基于深度学习的天气预测方法及系统。

背景技术

天气预测是我们生活中非常重要的一部分，一个良好的预测系统不仅有利于我们的出行，更会减少由于自然灾害对国家、人民造成的损失。

通常，在对天气情况进行预测时，可以根据卫星、雷达等大型设备采集到的天气数据进行预测，还可以根据专业采集人员实地采集到的天气数据进行预测。

由卫星、雷达等大型设备采集到的天气数据为宏观范围的天气数据，颗粒度很大，无法准确地采集局部地区的天气数据，且大型设备反馈天气数据较慢，时效性差，无法做到实时地天气预测，同时这种方法还需要大量的初期投入，维护费用很高，耗费了大量人力。而由专业采集人员实地采集信息，耗费了大量人力，且依赖于专业采集人员的专业性，很难实现宏观范围内天气数据的采集，覆盖率低。

现有专家系统一般通过应用知识进行逻辑推理，通过计算机编制程序模拟人们分析、解决问题的逻辑思维过程。现有专家系统做的更多的是替代人类的计算、建模过程，此种方法在利用先验知识通过人为数据筛选之后进行预测。

公开号为CN102622515A的专利提供了一种天气预测方法，该方法为，通过提供气温信息值，将气温信息值归一化，建立训练样本的输入输出矩阵，基于所述输出矩阵，利用神经网络进行天气预测等步骤实现天气预测。使用的改进算法可自动判别原始训练数据模式，并对其进行样本建立和归一化。该方法可适用于多种复杂情境，灵活性高，不需要提供辅助数据完成预测，预测结果可恢复至与原始训练数据相对应的数值范围。该发明是利用神经网络替代人类计算来预测天气，需要建模，通过人为数据筛选进行预测，预测准确率不高。

发明内容

本发明要解决的技术问题目的在于提供一种基于深度学习的天气预测方法及系统，用以解决现有技术是利用先验知识通过人为数据筛选进行天气预测的问题。

为了实现上述目的，本发明采用的技术方案为：

一种基于深度学习的天气预测方法，包括步骤：

S1、保存收集到的历史天气数据及实时天气数据；

S2、根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型；

S3、同步收集到的实时天气数据至所述深度学习模型中；

S4、根据导入所述实时天气数据后的所述深度学习模型得到输出结果。

进一步地，所述历史天气数据通过手动导入法保存，所述实时天气数据通过自动导入法保存。

进一步地，所述天气数据根据数据时间及数据地点分别存储在不同的数据库中。

进一步地，步骤S2具体包括：

采用降噪自动编码器构建所述深度学习模型；

采用支持向量机分类调整修正所述深度学习模型。

进一步地，步骤S4中，根据数据地域、时间跨度、类型、规模的不同构建出不同的深度学习模型以得到不同需求的输出结果。

一种基于深度学习的天气预测系统，包括：

数据库模块，用于保存收集到的历史天气数据及实时天气数据；

模型训练模块，用于根据所述天气数据建立逐层深度学习模型并不断修正所述深度学习模型；

信息实时采集模块，用于同步收集到的实时天气数据至所述深度学习模型中；

结果输出模块，用于根据导入所述实时天气数据后的所述深度学习模型得到输出结果。

进一步地，所述数据库模块包括：

手动导入单元，用于通过手动导入法获取历史天气数据；

自动导入单元，用于通过自动导入法获取实时天气数据。

进一步地，所述数据库模块还包括：

分类存储单元，用于将所述天气数据根据数据时间及数据地点分别存储在不同的数据库中。

进一步地，所述模型训练模块包括：

无监督学习单元，用于采用降噪自动编码器构建所述深度学习模型；

监督学习单元，用于采用支持向量机分类调整修正所述深度学习模型。

进一步地，所述结果输出模块包括：

分类输出单元，用于根据数据地域、时间跨度、类型、规模的不同构建出不同的深度学习模型以得到不同需求的输出结果。

本发明与传统的技术相比，有如下优点：

采用本发明，能够将数据存储在不同的数据库中，通过构建不同的深度学习模型得到不同需求的输出结果，并且通过深度学习预测天气能得到预测率较高的模型。

附图说明

图1是实施例一提供的一种基于深度学习的天气预测方法流程图；