[发明专利]一种气象要素预报方法和系统

权利要求书

1.一种气象要素预报方法，其特征在于，包括以下步骤：

步骤1：获取自动气象站数据，对数据进行站点插值和预处理，形成时序匹配的站点数据信息；

步骤2：通过归一化标准化模块对站点数据信息进行归一化和标准化处理；

步骤3：针对气象因子分别构建基础训练器，所述气象因子包括日最高温、日最低温、风速和降水；

步骤4：在根据气象因子构建的基础训练器基础上，集成嵌套强度自适应训练器和随机森林训练器两种回归算法分类器，构建时间序列训练器和降水训练器；

步骤5：通过学习机制训练模型对模式预报进行实时建模订正，根据输入的模式预报数据和实时观测数据进行预报；

站点数据信息基于强度自适应训练器和随机森林训练器嵌套的分类器，得到预估结果，对预估结果进行平均值和标准化计算处理，针对处理后的结果构建新的要素分布数据，进行二次处理，同时构建时间序列训练器和降水训练器，输入模型进行训练；

所述预报方法使用管道机制方法，所述管道机制包括转换器和估计器，输入的数据集经过转换器的处理后，输出的结果作为下一步的输入，最后一步的估计器对数据进行预估。

2.根据权利要求1所述的一种气象要素预报方法，其特征在于，步骤4的随机森林训练器中假设训练集中有n个样本，每个样本有d个特征，需要训练一个包含T棵数的随机森林，n、d和T均为自然数，算法如下所示：

(1)、对于T棵决策树，分别重复如下操作：使用有放回的抽样，重复N次，每次抽取m个特征，N和m均为自然数，m值随机选取；

(2)、如果预测是回归问题，则最后的输出是每个树输出的均值；

(3)、如果预测是分类问题，则根据投票原则，确定最终的类别。

3.根据权利要求1所述的一种气象要素预报方法，其特征在于，步骤4的强度自适应训练器训练流程如下：

(a)先通过对M个训练样本的学习得到第一弱分类器，M为自然数；

(b)将分错的样本和其他的新数据构成一个新的M个的训练样本，通过对这个样本的学习得到第二弱分类器；

(c)将(a)步骤和(b)步骤中都分错的样本加上其他的新样本构成另一个新的M个的训练样本，通过对这个样本的学习得到第三弱分类器；

(d)最终经过提升的强分类器，即某个数据被分为哪一类要由各分类器权值决定。

4.根据权利要求2或3所述的一种气象要素预报方法，其特征在于，根据随机森林训练器参数中的最大的弱学习器个数和最大特征数，增强对降水不连续因子的预测效果；根据强度自适应训练器对降水因子进行细化训练。

5.根据权利要求1所述的一种气象要素预报方法，其特征在于，步骤1中自动气象站数据包括历史模式预报数据和历史观测数据。

6.根据权利要求5所述的一种气象要素预报方法，其特征在于，数据经插值后在缺省预处理器进行预处理，将输入的无效值用相邻的平均值进行替代。

7.根据权利要求6所述的一种气象要素预报方法，其特征在于，站点插值使用双线性插值方法。

8.一种气象要素预报系统，其特征在于，使用如权利要求1-7任意一项所述的一种气象要素预报方法，所述系统包括气象要素预报系统模型，该模型使用管道预测机制，管道预测机制包括缺省预处理器、归一化标准化模块、综合训练器和学习机制训练模型；缺省预处理器对数据进行预处理，归一化标准化模块对数据进行归一化、标准化处理，综合训练器用于训练数据，学习机制训练模型用于对数据实时建模订正。

9.根据权利要求8所述的一种气象要素预报系统，其特征在于，所述综合训练器包括随机森林训练器、强度自适应训练器、多输出回归分类器、时间序列训练器和降水训练器。