[发明专利]基于北斗信号及地面无线信号的天气预测方法

说明书

本发明公开的于北斗信号及地面无线信号的天气预测方法，涉及天气预报技术领域，结合北斗定位信号与地面无线信号，通过采用训练后的数据融合模型和神经网络预测模型进行天气预测，使得神经网络预测模型易于训练，提高了现有天气预测方法的准确度，解决了现有现有天气预测方法存在的循环神经网络模型难以训练及预报的准确度不高的缺陷。

技术领域

本发明涉及天气预报技术领域，具体涉及一种基于北斗信号及地面无线信号的天气预测方法。

背景技术

随着近年来人工智能技术的发展，基于数据挖掘和机器学习的智能算法的应用覆盖了几乎整个工商业领域，在无线通信方面，其在信道估计与预测、智能发射与接收、干扰信号识别等方面有着重要作用，具有十分广泛的应用价值和前景。

天气预测是通过对现有的大量气象数据(温度、湿度、气压等)，并对结合气象学认知对未来大气状态的预测。由于大气状态的复杂性与不稳定性，往往会产生一定的预测误差。在北斗定位中，信号会受到传输路径上电离层电子浓度与对流层大气状态的影响，产生一定的延迟与衰落，结合相关的气象学理论知识，经过统计分析，便可获知接收信号与天气状况的关系。

基于模式识别的分类算法除了近邻、决策树、贝叶斯决策、支持向量机SVM(Support Vector Machine，SVM)、误差反向传播BP(Error Back Propagation Training，BP)神经网络分类器等等外，还可以采用组合的多个个体学习器，以达到比个体学习器更优的性能。

传统的机器学习方法往往无法对带有时间序列的数据进行预测，上世纪80年代末神经网络专家如Jordan，Pineda.Williams，Elman等提出的一种循环神经网络模型，该模型能够通过内部状态机的转移可有效地展示数据的时序行为，但是该循环神经网络模型包含了大量参数，导致难以对其进行训练且天气预测的准确度不高。

发明内容

为解决现有技术的不足，本发明实施例提供了一种基于北斗信号及地面无线信号的天气预测方法，该方法包括以下步骤：

Step1：在基站BS处及设定的时间段内，持续接收北斗信号和地面无线信号并分别提取北斗信号的延迟与信噪比及地面无线信号的信噪比；

Step2：在时间段内，以小时为单位，抽取北斗信号的延迟与信噪比、地面无线信号的信噪比及时段内的天气状况，计算时段内所述北斗信号的延迟与信噪比的均值与方差及地面无线信号的信噪比的均值与方差并对北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差进行预处理，对天气状况进行编码，生成与天气状况对应的天气编码；

Step3：将北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码作为训练样本，根据训练样本，对学习器进行训练，生成数据分类模型，数据分类模型根据贝叶斯融合算法，生成数据融合模型，数据融合模型对经学习器分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码进行融合；

Step4：将融合后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码按照时间序列划分为若干个窗口大小为M的数据集合，将前K组数据作为训练样本进行输入、后M-K组数据作为验证数据，采用前K组数据，对神经网络进行训练，生成预测神经网络模型，其中，M、K均为自然数，K≤M；

Step5：从数据集合中，选取时间序列为N-(K+1)～N的数据作为预测神经网络模型的输入数据，将预测神经网络模型输出的数据作为数据融合模型的输入数据，将数据融合模型输出的数据与天气编码相比较，确定最终预测的天气状况，其中，N为自然数；

Step6：发布天气状况。

优选地，对北斗信号的延迟与信噪比、无线信号的信噪比进行预处理包括：