[发明专利]一种基于机器学习算法的集合预报方法、系统及介质

权利要求书

1.一种基于机器学习算法的集合预报方法，其特征在于，所述方法包括：

步骤1：依据污染物浓度以及气象预报在内的相关数据，构建模型的训练数据；

步骤2：利用多种机器学习方法耦合优化模型搭建；

步骤3：将得到的训练数据作为多种机器学习方法耦合优化模型的输入，得到未来时间段空气质量预报。

2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

污染物浓度预报数据：选取一段时间H1内，有M1个不同空气质量模式分别使用N1种空间分辨率下的污染物浓度预报数据，得到M1*N1个成员的时序数据；

气象预报数据：选取一段时间H1内气象模式对M2种气象要素分别使用N2种空间分辨率下的气象预报数据，得到M2*N2个成员的时序数据；

污染物浓度观测数据：选取一段时间H1内污染物浓度的实际观测数据。

3.根据权利要求2所述的方法，其特征在于，所述步骤2包括：

单模式优化模型搭建：对于污染物浓度预报数据中的每一个成员的数据，分别构建第一优化模型，对其进行优化；具体方法为：

选取污染物浓度预报数据中某个成员的时序数据，同时选取气象预报数据中M2*N2个成员的气象预报数据，以及污染物浓度观测数据中污染物浓度的观测数据，共同作为第一机器学习算法的训练集，训练得到第一优化模型；通过第一优化模型，得到污染物浓度预报数据中每个成员优化后的污染物浓度的预报数据；

基于多模式集合的优化模型搭建：选取单模式优化模型输出的每个成员优化后的污染物浓度的预报数据，同时选取污染物浓度观测数据，作为第二机器学习算法的训练集，构建第二优化模型，得到M1*N1个成员中每个成员的与真实观测值最为接近的概率；

最终结果输出：将单模式优化模型中输出的每个成员优化后的预报数据，与基于多模式集合的优化模型中输出的每个成员的与真实观测值最为接近的概率进行加权平均，得到最终输出。

4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

实际进行业务预报时，根据步骤1中的数据结构，得到未来一段时间H2内，不同空气质量模式对于污染物浓度的预报数据，以及得到同时间段内气象模式关于各种气象要素的预报数据，作为步骤2中搭建的多种机器学习方法耦合优化模型的输入，得到最终优化后的污染物浓度的预报数据。

5.一种基于机器学习算法的集合预报系统，其特征在于，所述系统包括：

模块1：依据污染物浓度以及气象预报在内的相关数据，构建模型的训练数据；

模块2：利用多种机器学习方法耦合优化模型搭建；

模块3：将得到的训练数据作为多种机器学习方法耦合优化模型的输入，得到未来时间段空气质量预报。

6.根据权利要求5所述的系统，其特征在于，所述模块1包括：

污染物浓度预报数据模块：选取一段时间H1内，有M1个不同空气质量模式分别使用N1种空间分辨率下的污染物浓度预报数据，得到M1*N1个成员的时序数据；

气象预报数据模块：选取一段时间H1内气象模式对M2种气象要素分别使用N2种空间分辨率下的气象预报数据，得到M2*N2个成员的时序数据；

污染物浓度观测数据模块：选取一段时间H1内污染物浓度的实际观测数据。