[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

说明书

本发明提供了一种基于机器学习算法的集合预报方法、系统及介质，涉及空气质量预报技术领域，该方法包括：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。本发明能够引入气象条件如温度、湿度、风速、风向、降水和气压等要素对污染物浓度的影响，同时耦合了多种机器学习算法，提高空气质量模式的预报准确率。

技术领域

本发明涉及空气质量预报技术领域，具体地，涉及一种基于机器学习算法的集合预报方法、系统及介质。

背景技术

近年来，空气污染问题严峻，引起了广泛的关注。合理的空气质量预报能够帮助有关部门制定相应决策，以限制人为排放，同时引导公众规避污染峰值期。目前区域空气质量数值模式已经成为短时临近和中期预报的主要手段。数值预报的不确定性主要来源于大气初始状态的不确定性和预报模式的不确定性，大气运动的非线性特征决定了无论来自于初始场还是来自模式本身极小的误差在模式积分过程中将被放大，导致模式在一定时间后失去可预报性。因此相对于单模式预报，集合预报能够能体现模式初始条件和输入参数的不确定性在模式积分中的传播，从而可以了解由这些不确定性导致的预报不确定性，提供预报的可靠性和可预报性信息，此外，集合预报可以提供不同事件发生的概率，预报不再过分依赖某一个初始条件和参数值，预报信息更加丰富和全面。

目前的集合预报方法主要是将不同模式、不同区域、不同时效的预报均看做不同的模式，由于各单模式在给定站点的预报性能存差异，为了区别对待不同的模式预报结果，基于单模式在历史一段时间内的表现，评估模式对未来预报值的可信度或权重，得出集合模式的预报结果。

针对上述现有技术，目前主流的集合模式算法能够集合不同单模式的优缺点，但难以考虑气象条件如温度、湿度、风速、风向、降水和气压等要素对污染物浓度的影响，同时对单个模式的历史表现的评估难以做到全面和精准。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于机器学习算法的集合预报方法、系统及介质，能够引入气象条件如温度、湿度、风速、风向、降水和气压等要素对污染物浓度的影响，同时耦合了多种机器学习算法，提高空气质量模式的预报准确率。

根据本发明提供的一种基于机器学习算法的集合预报方法、系统及介质，所述方案如下：

第一方面，提供了一种基于机器学习算法的集合预报方法，所述方法包括：

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；

利用多种机器学习方法耦合优化模型搭建；

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。

优选的，所述构建模型的训练数据包括：

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。

优选的，所述利用多种机器学习方法耦合优化模型搭建包括：

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：