[发明专利]基于符号回归的大风预报订正方法

说明书

本发明公开了基于符号回归的大风预报订正方法，涉及天气领域，包括S1获取多个城市的天气特征作为数据集，S2对数据集进行预处理，将每个特征缩放到0‑1之间，S3构建符号回归神经网络，S4预处理后的数据集分为训练集和验证集；S5训练集导入符号回归神经网络进行训练优化，得到订正方程；S6、获取需要订正的天气特征导入订正方程，完成订正；基于符号回归的方法能同基于统计的订正方法一样，能够找出数据的规律，展示输入特征与风要素的关系。同时，基于符号回归的方法没有人为因素的干扰，不会因为误判或者经验不起作用而导致误差变大，具有有效的抑制同质区域噪声，对强弱目标点能很好的保持，边缘保持清晰，消除边缘划痕以及块效应的优点。

技术领域

本发明涉及天气领域，尤其涉及一种基于符号回归的大风预报订正方法。

背景技术

数值天气预报已经成为现代天气预报的基础。特别是最近几十年，随着计算机和科学技术的发展，数值模式不断得到完善和改进。目前全球预报年平均可信预报时效(距平相关系数0.60)已经达到8d，全球模式月平均可用时效首次突破10d。数值天气预报发展的三个主要部分：物理过程、集合模拟和模式初始化，每一部分的发展都会使数值天气预报的准确率得到提高。

现有技术方案:

1、数值天气预报是根据大气实际情况,在一定初值和边值条件下,通过大型计算机进行数值计算，求解描述天气演变过程中的流体力学和热力学的方程组，预测未来一定时段大气运动状态和天气现象的方法，该方法存在的缺点是：由于模式初始场、动力和物理过程的不确定性等因素，可能导致数值天气预报与实况间存在较大的偏差。

2、基于统计的订正方法，该方法存在的缺点是：基于统计的订正方法对中短期数据进行线性回归、滑动平均等方法对天气数据进行处理，通过统计出来的数据规律，加上人工修正完成对预报的订正。但基于统计的方法由于所用数据量不够大，人为修正过于主观，从而导致订正误差较高。

3、基于机器学习的订正方法，该方法存在的缺点是：基于机器学习的订正方法需要大量的数据集进行模型训练，对于庞大训练集的选取和数据处理极为麻烦。但如果参与训练的数据集过小，就会出现预报订正不准确，模型过拟合的问题。并且，如果有新的站点加入训练，或者已有的站点获取到了新的数据，那机器学习的模型就需要加入新数据重新进行训练。频繁的重新训练会消耗很多计算机资源。机器学习模型通常被视为难以解释的黑箱模型，推断能力很差。

发明内容

本发明的目的就在于为了解决上述问题设计了一种基于符号回归的大风预报订正方法。

本发明通过以下技术方案来实现上述目的：

基于符号回归的大风预报订正方法，包括：

S1、获取多个城市的天气特征作为数据集，该数据集的时间分辨率为每小时，天气特征包括温度x₀、压力x₁、风速x₂和风向x₃，每个时间步长t由矩阵Mt∈R^FxC组成，其中F是特征数，C为城市数；

S2、对数据集进行预处理，将每个特征缩放到0-1之间；

S3、构建符号回归神经网络；

S4、预处理后的数据集分为训练集和验证集；

S5、训练集导入符号回归神经网络进行训练优化，并采用RMSProp算法优化正则化表达式作为训练的损失，得到订正方程；验证集导入优化后的符号回归神经网络进行验证；

S6、获取需要订正的天气特征导入订正方程，完成对大风预报的订正。