[发明专利]一种基于分级TS气象评分的模型训练方法

说明书

本发明提供了一种基于分级TS气象评分的模型训练方法，步骤包括：S1按照时间顺序计算模型中每张预测样本的分级TS气象评分；S2计算预设时刻下的各级别TS气象评分的平均值；S3根据损失函数计算损失值；其中loss为n个样本的损失平均值，n为样本个数，m为级别数，L为级别数值，G(1)为级别与阈值的对应关系函数，TS为在预设阈值下的预兆评分的函数；S4根据损失值修正模型训练方向。籍此满足对短临气象中各种强度的降水的预测能力的评估，从而提高模型对各种强度的降水的预测的准确度。

技术领域

本发明涉及人工智能技术领域，尤其涉及基于分级TS气象评分的模型训练方法。

背景技术

预兆评分(Threat Score/TS)用于衡量气象预测模型的预测结果的优劣。通过不同的阈值设定，可以得到分级降水的预兆评分。评分越高数说明真实和预测结果的差距越小，反之则越大。

损失函数是人工智能领域中，有关机器学习里最为重要的部分，其作用就是计算实际结果和预测结果的偏差，从而反映模型的学习效果。因此随着人工智能技术的发展，机器学习方法已经广泛地应用于短临预测领域当中，尤其是对雷达回波图预测。

目前针对短临的模型在损失函数的设计上，通常采用机器学习平台自带的损失函数，这种损失函数只能反映模型对整体样本的晴雨的判断能力，无法很好地满足对短临气象中各种强度的降水的判断能力。

发明内容

因此本发明的主要目的在于提供一种基于分级TS气象评分的模型训练方法，以满足对短临气象中各种强度的降水的预测能力的评估，从而提高模型对各种强度降水预测的准确度。

为了实现上述目的，本发明提供的该基于分级TS气象评分的模型训练方法，其步骤包括：

S1按照时间顺序计算模型中每张预测样本的分级TS气象评分；

S2计算预设时刻下的各级别TS气象评分的平均值；

S3根据损失函数计算损失值；其中loss为n个样本的损失平均值，n为样本个数，m为级别数，L为级别个数，G(l) 为级别与阈值的对应关系函数，l为所处级别，TS是以G(l)为变量的函数，即TS为在预设阈值下的预兆评分的函数，Z是整数集合；

S4根据损失值修正模型训练方向。

在可能的优选实施方式中，该G(l)包括：降水、毛毛细雨/零星小雪、小雨/雪、中雨/雪、大雨/雪、豪雨/雪、超大豪雨/雪、暴雨/雪8个级别，降水阈值单位为毫米。

在可能的优选实施方式中，所述在预设阈值下的预兆评分的函数为：

其中，H为降水预报正确次数，即验证样本和预测结果均有大于等于预设阈值g的降水；F为空报次数，即验证样本无大于等于预设阈值g的降水而预测结果有；M为漏报次数，即验证样本有大于等于预设阈值g的降水而预测结果无。

在可能的优选实施方式中，所述预测样本包括：雷达回波强度数据。

在可能的优选实施方式中，预设时刻下的各级别TS气象评分的平均值的计算公式为：

其中m为级别数，L为级别个数，G(l)为级别与阈值的对应关系函数，l为所处级别，TS是以G(l)为变量的函数，即TS为在预设阈值下的预兆评分的函数，Z是整数集合，且ts的值域为[0,1]。

通过本发明提供的该基于分级TS气象评分的模型训练方法，能够满足对短临气象中各种强度的降水的预测能力的评估，从而提高模型对各种强度的降水的预测的准确度，籍此以综合地反映现有预测模型对不同等级降水的预测水平，从而指导现有预测模型的训练方向，以修正出能够平衡地满足各等级的降水预测模型，来提高现有预测模型的预测水平。

具体实施方式