[发明专利]一种基于分层表示学习的能见度预报方法

权利要求书

1.一种基于分层表示学习的能见度预报方法，其特征在于，具体包含如下步骤：

步骤1，气象要素的相关性分析及因子提取；

步骤2，建立历史数据库；

步骤3，分层表示学习，预报能见度。

2.根据权利要求1所述的基于分层表示学习的能见度预报方法，其特征在于，步骤1的具体步骤为：

步骤1.1，选取京津冀地区海拔高度均低于1km的139个气象站点，采集2002-2016年逐年10月至次年1月的常规地面全要素数据和高空全要素数据，采集2016-2017年逐年10月至次年1月模式气象预报场的数据；

步骤1.2，将采集的气象要素与能见度做相关性分析，确定影响能见度的18个因子；

步骤1.3，将步骤1.2处理得到的18个因子按照日期组合成每天的气象要素x_i＝[a_i1,a_i2,…,a_i18]^T，并对应每天的能见度z_i，i表示气象要素的条数，并将每条气象要素看作一个训练样本。

3.根据权利要求2所述的基于分层表示学习的能见度预报方法，其特征在于，在步骤1.2中，18个因子包括：08时气压、24小时地面变压、08时气温、24小时地面变温、08时地面湿度、08时850百帕湿度、08时700百帕湿度、14时地面湿度、上干下湿、08时u分量地面风速、08时v分量地面风速、08时850百帕u分量风速、08时850百帕v分量风速、风切变、08时850百帕与地面变温、Wrh、08时温度露点差、08时温度14时露点差。

4.根据权利要求1所述的基于分层表示学习的能见度预报方法，其特征在于，步骤2的具体步骤为：

步骤2.1，将步骤1.1中2002-2016年的所有训练样本按照能见度＜1km，1km≤能见度＜2km，……，能见度≥30km的原则分为31类，每类训练样本分别有num₁，num₂，……，num₃₁条；

步骤2.2，对步骤2.1中每类训练样本再用FCM聚类算法分m类，每类tnum_j条，并从每类中按比例随机挑选TNum_j条数据，最终挑选出5000条训练样本；

其中j＝1,2,…,m，i＝1,2,…,31，Num_i表示31类中每类需要挑选的训练样本数量；

步骤2.3，将步骤2.2挑选的5000条训练样本组合成历史数据库D₁，并将D₁按照能见度<10km、能见度≥10km分为两类X₁、X₂，即D₁＝[X₁,X₂]；

步骤2.4，将步骤2.3中能见度小于10km的部分X₁提取形成历史数据库D₂，并将D₂按照能见度<1km、1km≤能见度<5km、5km≤能见度<10km的原则分为三类X'₁、X'₂、X'₃，即D₂＝[X'₁,X'₂,X'₃]。

5.根据权利要求3所述的基于分层表示学习的能见度预报方法，其特征在于，步骤3的具体步骤为：

步骤3.1，将步骤1所得模式预报场数据按时间组合成测试集f_预i，即f_预i＝[a_i1,a_i2,…,a_i18]，其中，i表示测试集中测试样本的个数，a₁,a₂,…,a₁₈表示某天预报出的18个因子；

步骤3.2，选用历史数据库D₁，根据稀疏表示理论f_预＝D₁α，解出α＝[α₁₁,…,α_1m,α₂₁,…,α_2n]，α_1m、α_2n分别表示第一、二类训练样本对应的稀疏矢量，m、n分别表示第一、二类训练样本的个数，通过重构误差e_预d＝||f_预d-D_dα_d||₂判断f_预类别，选择误差最小的那一类为测试样本类别，进而将测试样本分为两类，其中d表示类别，取值1和2；

步骤3.3，将步骤3.2中分类结果分离成测试样本f_预A、f_预B，f_预A表示分类结果为第一类的测试样本，且f_预A＝X₁α₁＝α₁₁x₁₁+α₁₂x₁₂+…+α_1mx_1m，f_预B表示分类结果为第二类的测试样本，且f_预B＝X₂α₂＝α₂₁x₂₁+α₂₂x₂₂+…+α_2nx_2n，利用公式y_预B＝α₂₁z₂₁+α₂₂z₂₂+…+α_2nz_2n预报出测试样本f_预B对应的能见度y_预B，其中z_2n表示第二类训练样本对应的能见度；

步骤3.4，选用历史数据库D₂，用稀疏表示法对步骤3.3中测试样本f_预A再分三类，由公式f_预A＝D₂α'求出对应的系数矢量α'，并且通过重构误差判断测试样本f_预A的类别，选择误差最小的那一类为测试样本类别，最终将测试样本分为三类，其中c表示类别，取值1、2和3；

步骤3.5，由步骤3.4可知利用公式分类别预报出每类测试样本对应的能见度即测试集f_预A对应的能见度为其中z_cm表示c类训练样本对应的能见度，m表示每类训练样本数量；

步骤3.6，将所有预报结果组合，得到测试集f_预对应的能见度y_预，即可得y_预＝[y_预A,y_预B]。