CN116881624B - 复合型极端事件预报方法、装置、计算机设备和存储介质 - Google Patents
复合型极端事件预报方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116881624B CN116881624B CN202311141790.0A CN202311141790A CN116881624B CN 116881624 B CN116881624 B CN 116881624B CN 202311141790 A CN202311141790 A CN 202311141790A CN 116881624 B CN116881624 B CN 116881624B
- Authority
- CN
- China
- Prior art keywords
- extreme event
- target
- forecasting
- target compound
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 149
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000013277 forecasting method Methods 0.000 title abstract description 13
- 150000001875 compounds Chemical class 0.000 claims abstract description 368
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000012935 Averaging Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 102
- 238000009826 distribution Methods 0.000 claims description 31
- 238000005315 distribution function Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 238000002790 cross-validation Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 241000039077 Copula Species 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000002689 soil Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种复合型极端事件预报方法、装置、计算机设备和存储介质。所述方法包括:基于目标复合型极端事件的潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数,在潜在影响因子中,选择目标复合型极端事件的预报因子;将预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到目标复合型极端事件的多个预报结果;多个复合型极端事件预报模型采用不同的机器学习模型实现;对目标复合型极端事件的多个预报结果进行贝叶斯平均,得到目标复合型极端事件的目标预报结果;目标预报结果用于表征目标复合型极端事件在预见期发生的强度。采用本方法能够对复合型极端事件进行预报。
Description
技术领域
本申请涉及气象水文预报技术领域,特别是涉及一种复合型极端事件预报方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
极端天气事件和极端气候事件统称极端事件,它是指某个发生概率较低的异常天气或气候事件。复合型极端事件是指导致社会或环境风险的多种驱动因子和/或灾害的组合,包括时间上的复合事件,即同一地点同时或连续发生;以及空间上的复合事件,即多个地点同时发生。在全球气候变暖的背景下,极端事件多发且并发。近年来,多个地区遭受高温干旱等复合型极端事件影响,严重影响了供水安全、粮食生产、人体健康等,也对生态系统造成了深远的影响。因此对于复合型极端事件的分析和预报具有重要意义。
因此,亟需一种能够对复合型极端事件进行预报的方法。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对复合型极端事件进行预报的复合型极端事件预报方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种复合型极端事件预报方法。所述方法包括:
基于目标复合型极端事件的潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数,在所述潜在影响因子中,选择所述目标复合型极端事件的预报因子;
将所述预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到所述目标复合型极端事件的多个预报结果;所述多个复合型极端事件预报模型采用不同的机器学习模型实现;
对所述目标复合型极端事件的多个预报结果进行贝叶斯平均,得到所述目标复合型极端事件的目标预报结果;所述目标预报结果用于表征所述目标复合型极端事件在预见期发生的强度。
在其中一个实施例中,所述对所述目标复合型极端事件的多个预报结果进行贝叶斯平均,得到所述目标复合型极端事件的目标预报结果包括:
针对每一个复合型极端事件预报模型,基于所述目标复合型极端事件的训练数据集,确定所述复合型极端事件预报模型的预报结果的后验概率;
将所述复合型极端事件预报模型的预报结果的后验概率,作为所述复合型极端事件预报模型对应的权重;
根据各所述复合型极端事件预报模型的预报结果和各所述复合型极端事件预报模型对应的权重,加权计算所述目标复合型极端事件的目标预报结果。
在其中一个实施例中,所述基于目标复合型极端事件的潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数,在所述潜在影响因子中,选择所述目标复合型极端事件的预报因子包括:
针对目标复合型极端事件的每一个潜在影响因子,对所述潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数进行偏相关分析,得到所述潜在影响因子的偏相关系数;
若所述偏相关系数大于预设的偏相关系数阈值,则将所述潜在影响因子作为所述目标复合型极端事件的预报因子。
在其中一个实施例中,所述方法还包括:
确定目标复合型极端事件对应的多个指数因子;
基于所述多个指数因子和联合分布函数,构建所述目标复合型极端事件对应的目标复合指数。
在其中一个实施例中,所述目标复合型极端事件包括多个目标单一极端事件,所述确定目标复合型极端事件对应的多个指数因子包括:
针对每一个目标单一极端事件,在预设的影响因子中,确定所述目标单一极端事件对应的目标因子;
将各所述目标单一极端事件对应的目标因子,构成所述目标复合型极端事件对应的多个指数因子。
在其中一个实施例中,所述基于所述多个指数因子和联合分布函数,构建所述目标复合型极端事件对应的目标复合指数包括:
针对每一个指数因子,计算所述指数因子的边际分布结果;
基于各所述指数因子的边际分布结果和联合分布函数,计算所述目标复合型极端事件对应的多元联合概率;
对所述多元联合概率进行标准化处理,得到所述目标复合型极端事件对应的目标复合指数。
在其中一个实施例中,所述方法还包括:
获取评估数据集;所述评估数据集包括所述目标复合型极端事件的预报因子的历史值和所述目标复合型极端事件对应的目标复合指数的历史值;
基于所述评估数据集,采用留一交叉验证法,得到所述目标复合型极端事件的多个目标预报值;基于所述评估数据集和预设的自回归模型,采用留一交叉验证法,得到所述目标复合型极端事件的多个基准预报值;
基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个目标预报值和预设的模型评估指标,计算第一评估值;基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个基准预报值和预设的模型评估指标,计算第二评估值;
若所述第一评估值和所述第二评估值不满足预设的评估通过条件,则更新所述偏相关系数阈值,并返回所述基于目标复合型极端事件的潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数,在所述潜在影响因子中,选择所述目标复合型极端事件的预报因子步骤。
第二方面,本申请还提供了一种复合型极端事件预报装置。所述装置包括:
选取模块,用于基于目标复合型极端事件的潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数,在所述潜在影响因子中,选择所述目标复合型极端事件的预报因子;
第一预报模块,用于将所述预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到所述目标复合型极端事件的多个预报结果;所述多个复合型极端事件预报模型采用不同的机器学习模型实现;
第二预报模块,用于对所述目标复合型极端事件的多个预报结果进行贝叶斯平均,得到所述目标复合型极端事件的目标预报结果;所述目标预报结果用于表征所述目标复合型极端事件在预见期发生的强度。
在其中一个实施例中,所述第二预报模块,具体用于:
针对每一个复合型极端事件预报模型,基于所述目标复合型极端事件的训练数据集,确定所述复合型极端事件预报模型的预报结果的后验概率;
将所述复合型极端事件预报模型的预报结果的后验概率,作为所述复合型极端事件预报模型对应的权重;
根据各所述复合型极端事件预报模型的预报结果和各所述复合型极端事件预报模型对应的权重,加权计算所述目标复合型极端事件的目标预报结果。
在其中一个实施例中,所述选取模块,具体用于:
针对目标复合型极端事件的每一个潜在影响因子,对所述潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数进行偏相关分析,得到所述潜在影响因子的偏相关系数;
若所述偏相关系数大于预设的偏相关系数阈值,则将所述潜在影响因子作为所述目标复合型极端事件的预报因子。
在其中一个实施例中,所述装置还包括:
确定模块,用于确定目标复合型极端事件对应的多个指数因子;
构建模块,用于基于所述多个指数因子和联合分布函数,构建所述目标复合型极端事件对应的目标复合指数。
在其中一个实施例中,所述目标复合型极端事件包括多个目标单一极端事件,所述确定模块,具体用于:
针对每一个目标单一极端事件,在预设的影响因子中,确定所述目标单一极端事件对应的目标因子;
将各所述目标单一极端事件对应的目标因子,构成所述目标复合型极端事件对应的多个指数因子。
在其中一个实施例中,所述构建模块,具体用于:
针对每一个指数因子,计算所述指数因子的边际分布结果;
基于各所述指数因子的边际分布结果和联合分布函数,计算所述目标复合型极端事件对应的多元联合概率;
对所述多元联合概率进行标准化处理,得到所述目标复合型极端事件对应的目标复合指数。
在其中一个实施例中,所述装置还包括:
获取模块,用于获取评估数据集;所述评估数据集包括所述目标复合型极端事件的预报因子的历史值和所述目标复合型极端事件对应的目标复合指数的历史值;
验证模块,用于基于所述评估数据集,采用留一交叉验证法,得到所述目标复合型极端事件的多个目标预报值;基于所述评估数据集和预设的自回归模型,采用留一交叉验证法,得到所述目标复合型极端事件的多个基准预报值;
计算模块,用于基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个目标预报值和预设的模型评估指标,计算第一评估值;基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个基准预报值和预设的模型评估指标,计算第二评估值;
更新模块,用于若所述第一评估值和所述第二评估值不满足预设的评估通过条件,则更新所述偏相关系数阈值,并返回所述基于目标复合型极端事件的潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数,在所述潜在影响因子中,选择所述目标复合型极端事件的预报因子步骤。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述复合型极端事件预报方法、装置、计算机设备、存储介质和计算机程序产品,基于目标复合型极端事件的潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数,在所述潜在影响因子中,选择所述目标复合型极端事件的预报因子;将所述预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到所述目标复合型极端事件的多个预报结果;所述多个复合型极端事件预报模型采用不同的机器学习模型实现;对所述目标复合型极端事件的多个预报结果进行贝叶斯平均,得到所述目标复合型极端事件的目标预报结果;所述目标预报结果用于表征所述目标复合型极端事件在预见期发生的强度。这样,预先构建目标复合型极端事件对应的目标复合指数,并基于目标复合指数,在目标复合型极端事件对应的潜在影响因子中选择预报因子,将预报因子的当前值分别输入训练完成的多个机器学习模型,并对多个机器学习模型输出的多个预报结果进行贝叶斯平均,得到表征目标复合型极端事件在预见期发生的强度的目标预报结果,对复合型极端事件进行预报。
附图说明
图1为一个实施例中复合型极端事件预报方法的流程示意图;
图2为一个实施例中对目标复合型极端事件的多个预报结果进行贝叶斯平均步骤的流程示意图;
图3为一个实施例中选择目标复合型极端事件的预报因子步骤的流程示意图;
图4为一个实施例中构建目标复合指数的流程示意图;
图5为一个实施例中确定目标复合型极端事件对应的多个指数因子的流程示意图;
图6为一个实施例中基于多个指数因子和联合分布函数,构建目标复合型极端事件对应的目标复合指数步骤的流程示意图;
图7为另一个实施例中复合型极端事件预报方法的流程示意图;
图8为一个实施例中复合型极端事件预报装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种复合型极端事件预报方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤101,基于目标复合型极端事件的潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数,在潜在影响因子中,选择目标复合型极端事件的预报因子。
在本申请实施例中,目标复合型极端事件为待预报的复合型极端事件。极端天气事件和极端气候事件统称极端事件,它是指发生概率较低的某个异常天气或气候事件。复合型极端事件是指导致社会或环境风险的多种驱动因子和/或灾害的组合,包括时间上的复合事件,即同一地点同时或连续发生;以及空间上的复合事件,即多个地点同时发生。例如,极端事件可以为高温事件、干旱事件和大风事件,复合型极端事件可以为同时发生的高温、干旱和大风事件,即复合干热风事件。复合干热风可以导致粮食减产等影响。潜在影响因子为能够对目标复合型极端事件的发生概率产生影响的因素。潜在影响因子可以包括气象因子、陆面因子和海洋因子。例如,复合干热风事件的潜在影响因子可以包括气象因子、陆面因子(又称下垫面数据)和环流指数(又称大尺度环流因子),气象因子可以包括降水、气温和风速,陆面因子可以包括土壤湿度(或土壤水)、植被,环流指数可以包括厄尔尼诺-南方涛动(El Nino-Southern Oscillation,ENSO)、太平洋年代际振荡(Pacific DecadalOscillation,PDO)和北大西洋涛动(the North Atlantic Oscillation,NAO)。目标复合指数是目标复合型极端事件对应的指数,用于表征目标复合型极端事件在预见期发生的强度。预见期为预报目标复合型极端事件的时间段,可以为月尺度、周尺度和日尺度。例如,预见期可以为未来的1个月、2个月和3个月。例如,复合干热风事件对应的目标复合指数为复合干热风指数(standardized dry-hot-windindex,SDHWI),用于表征复合干热风事件在预见期发生的强度。这样建立一种复合高温干旱指数,能够用于评价农业生产条件以及沙源地的起沙条件。在气候变暖的背景下,对于农业生产管理以及沙尘暴、林火等自然灾害具有较好的指示作用。预报因子为对目标复合型极端事件进行预报基于的因素,可以为对目标复合型极端事件在预见期发生产生影响较大的潜在影响因子。
终端预先构建目标复合型极端事件对应的目标复合指数。然后,终端基于目标复合型极端事件的潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数,计算各潜在影响因子与目标复合指数之间的相关度。然后,终端基于各潜在影响因子与目标复合指数之间的相关度,在潜在影响因子中,选择目标复合型极端事件的预报因子。
步骤102,将预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到目标复合型极端事件的多个预报结果。
其中,多个复合型极端事件预报模型采用不同的机器学习模型实现。
在本申请实施例中,针对预先训练的每一个复合型极端事件预报模型,终端将预报因子的当前值输入至该复合型极端事件预报模型,得到目标复合型极端事件的预报结果。其中,目标复合型极端事件的多个预报结果包括各复合型极端事件预报模型的预报结果。预报结果包括目标复合指数的预报值。多个复合型极端事件预报模型采用多种机器学习模型实现。多个复合型极端事件预报模型可以采用线性回归模型、随机森林模型、支持向量机数模型和深度学习模型等实现。预报因子的当前值为预报因子当前的格点或站点数据。
步骤103,对目标复合型极端事件的多个预报结果进行贝叶斯平均,得到目标复合型极端事件的目标预报结果。
其中,目标预报结果用于表征目标复合型极端事件在预见期发生的强度。
在本申请实施例中,终端基于目标复合型极端事件的训练数据集,训练目标复合型极端事件的贝叶斯模型平均(BMA Bayesian model averaging,BMA)模型。然后,终端将目标复合型极端事件的多个预报结果输入至贝叶斯模型平均模型,得到目标复合型极端事件的目标预报结果。其中,目标预报结果包括目标复合指数的目标预报值。训练数据集用于训练贝叶斯模型平均模型,包括目标复合型极端事件的预报因子的历史值和目标复合型极端事件对应的目标复合指数的历史值。
上述复合型极端事件预报方法中,基于目标复合型极端事件的潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数,在潜在影响因子中,选择目标复合型极端事件的预报因子;将预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到目标复合型极端事件的多个预报结果;多个复合型极端事件预报模型采用不同的机器学习模型实现;对目标复合型极端事件的多个预报结果进行贝叶斯平均,得到目标复合型极端事件的目标预报结果;目标预报结果用于表征目标复合型极端事件在预见期发生的强度。这样,预先构建目标复合型极端事件对应的目标复合指数,并基于目标复合指数,在目标复合型极端事件对应的潜在影响因子中选择预报因子,将预报因子的当前值分别输入训练完成的多个机器学习模型,并对多个机器学习模型输出的多个预报结果进行贝叶斯平均,得到表征目标复合型极端事件在预见期发生的强度的目标预报结果,对复合型极端事件进行预报。并且,本方法并非依赖于单一机器学习模型进行预报,而是采用多种机器学习模型分别进行预报,并对各个模型进行贝叶斯加权平均,融合多种机器学习方法,集合多种机器学习模型的优势,建立集合预报方法,能够提高复合型极端事件预报的准确性。而且,本方法考虑了来自前期大气、陆面、海洋的多种预报信号,预报因子更加全面,能够进一步提高复合型极端事件预报的准确性。此外,本方法属于统计学方法,计算方便,能够有效利用多源数据,对复合型极端事件进行中长期预报,例如,复合干热风事件,为农业生产及沙尘暴等灾害提供预警信息,从而采取有效的预防措施,减轻其相关危害。
在一个实施例中,如图2所示,对目标复合型极端事件的多个预报结果进行贝叶斯平均,得到目标复合型极端事件的目标预报结果的具体过程包括:
步骤201,针对每一个复合型极端事件预报模型,基于目标复合型极端事件的训练数据集,确定该复合型极端事件预报模型的预报结果的后验概率。
在本申请实施例中,终端基于目标复合型极端事件的训练数据集贝叶斯概率预报公式,确定该复合型极端事件预报模型的预报结果的后验概率。其中,贝叶斯公式中的概率分布参数可通过期望最大化算法来估算。贝叶斯概率预报公式可以表示为:
其中,D为实测数据(包括预报因子和目标复合指数的实测值),为n个模型的预报结果的集合;/>是第k个模型预报fk的后验概率,反映了fk与目标复合指数的实测值的匹配程度,也就是该模型的权重wk,预报效果越好的模型得到的权重越高;/>是给定fk和D条件下目标复合指数的预报值。
步骤202,将复合型极端事件预报模型的预报结果的后验概率,作为复合型极端事件预报模型对应的权重。
在本申请实施例中,复合型极端事件预报模型对应的权重用于表征复合型极端事件预报模型的预报结果对目标复合型极端事件的目标预报结果的影响程度。可以理解的是,针对不同的预见期,终端可以分别确定在不同的预见期下各复合型极端事件预报模型对应的权重,确定的过程与步骤201-202类似。在不同的预见期下各复合型极端事件预报模型对应的权重可以相同,也可以不同。
步骤203,根据各复合型极端事件预报模型的预报结果和各复合型极端事件预报模型对应的权重,加权计算目标复合型极端事件的目标预报结果。
在本申请实施例中,针对每一个复合型极端事件预报模型,终端将该复合型极端事件预报模型的预报结果和该复合型极端事件预报模型对应的权重相乘,得到该复合型极端事件预报模型的目标积。然后,终端将各复合型极端事件预报模型的目标积相加,得到目标复合型极端事件的目标预报结果。
在一个实施例中,终端可以通过贝叶斯集合预报的后验分布均值公式,计算目标复合型极端事件的目标预报结果。贝叶斯集合预报的后验分布均值公式可以表示为:
其中,为贝叶斯集合预报的后验分布均值,也为目标复合型极端事件的目标预报结果,wk为第k个模型的权重,fk为第k个模型的预报结果。
上述复合型极端事件预报方法中,针对每一个复合型极端事件预报模型,基于目标复合型极端事件的训练数据集,确定该复合型极端事件预报模型的预报结果的后验概率;将复合型极端事件预报模型的预报结果的后验概率,作为复合型极端事件预报模型对应的权重;根据各复合型极端事件预报模型的预报结果和各复合型极端事件预报模型对应的权重,加权计算目标复合型极端事件的目标预报结果。这样,对多个复合型极端事件预报模型的预报结果进行贝叶斯加权平均,实现在各个模型的预报准确性未知,不确定哪个模型最佳的情况下,集合多种模型的优势,能够提高复合型极端事件预报的准确性。
在一个实施例中,如图3所示,基于目标复合型极端事件的潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数,在潜在影响因子中,选择目标复合型极端事件的预报因子的具体过程包括以下步骤:
步骤301,针对目标复合型极端事件的每一个潜在影响因子,对该潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数进行偏相关分析,得到该潜在影响因子的偏相关系数。
在本申请实施例中,当研究某一个潜在影响因子对预报对象(即目标复合指数)的影响或相关程度时,把其他潜在影响因子的影响视作常数或不变,即暂时不考虑其他潜在影响因子的影响,仅研究该潜在影响因子与预报对象之间的相互关系的密切程度,分析得到的数值结果即偏相关系数。
针对目标复合型极端事件的每一个潜在影响因子,终端基于该潜在影响因子的第一历史值和预先构建的目标复合型极端事件对应的目标复合指数的第二历史值,对该潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数进行偏相关分析,得到该潜在影响因子的偏相关系数。其中,第一历史值对应的第一历史时间早于第二历史值对应的第二历史时间,且第一历史时间与第二历史值之间相差预设的预见期。
步骤302,若偏相关系数大于预设的偏相关系数阈值,则将潜在影响因子作为目标复合型极端事件的预报因子。
可以理解的是,针对不同的预见期,终端可以分别确定在不同的预见期下目标复合型极端事件的预报因子,确定的过程与步骤301-302类似。在不同的预见期下目标复合型极端事件的预报因子可以相同,也可以不同。
上述复合型极端事件预报方法中,针对目标复合型极端事件的每一个潜在影响因子,对该潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数进行偏相关分析,得到该潜在影响因子的偏相关系数;若偏相关系数大于预设的偏相关系数阈值,则将潜在影响因子作为目标复合型极端事件的预报因子。这样,对预先构建的目标复合指数和目标复合型极端事件的各潜在影响因子进行偏相关分析,确定潜在影响因子与目标复合指数之间的相互关系的密切程度,仅将与目标复合指数密切程度高、显著相关的潜在影响因子作为进行复合型极端事件预报的预报因子,实现通过预报因子预报目标复合指数,能够提高复合型极端事件预报的准确性。
在一个实施例中,如图4所示,复合型极端事件预报方法还包括以下步骤:
步骤401,确定目标复合型极端事件对应的多个指数因子。
在本申请实施例中,指数因子为构建目标复合型极端事件对应的目标复合指数的影响因子,是对目标复合极端事件的产生,具有目标影响程度的影响因子,指数因子也可以由技术人员根据经验设定。
步骤402,基于多个指数因子和联合分布函数,构建目标复合型极端事件对应的目标复合指数。
在本申请实施例中,终端可以基于多个指数因子和联合分布函数,计算目标复合型极端事件的多元联合概率。然后,终端基于目标复合型极端事件的多元联合概率,构建目标复合型极端事件对应的目标复合指数。其中,联合分布函数可以为Copula函数。
上述复合型极端事件预报方法中,确定目标复合型极端事件对应的多个指数因子;基于多个指数因子和联合分布函数,构建目标复合型极端事件对应的目标复合指数。这样,基于对目标复合型极端事件的产生,具有目标影响程度的多个指数因子和联合分布函数构建目标复合指数,通过联合分布函数结合变量定义目标复合指数,进而实现复合型极端事件预报,这样构建目标复合指数也能够提高复合型极端事件预报的准确性。
在一个实施例中,如图5所示,目标复合型极端事件包括多个目标单一极端事件,确定目标复合型极端事件对应的多个指数因子的具体过程包括以下步骤:
步骤501,针对每一个目标单一极端事件,在预设的影响因子中,确定该目标单一极端事件对应的目标因子。
在本申请实施例中,目标复合型极端事件由多个目标单一极端事件构成。例如,复合干热风事件包括干旱、高温和大风这三个目标单一极端事件。目标因子为对目标单一极端事件的产生,具有目标影响程度的影响因子,目标因子也可以由技术人员根据经验设定。例如,干旱事件对应的目标因子为土壤湿度,高温事件对应的目标因子为气温,大风事件对应的目标因子为风速。一个目标单一极端事件对应一个目标因子。由于目标复合型极端事件由多个目标单一极端事件构成,一个目标复合型极端事件对应的多个指数因子。影响因子可以为影响极端事件的全部影响因子。
步骤502,将各目标单一极端事件对应的目标因子,构成目标复合型极端事件对应的多个指数因子。
在一个实施例中,干旱事件对应的目标因子为土壤湿度,高温事件对应的目标因子为气温,大风事件对应的目标因子为风速。终端将土壤湿度、气温和风速,构成复合干热风事件对应的多个指数因子。
上述复合型极端事件预报方法中,针对每一个目标单一极端事件,在预设的影响因子中,确定该目标单一极端事件对应的目标因子;将各目标单一极端事件对应的目标因子,构成目标复合型极端事件对应的多个指数因子。这样,将目标复合型极端事件包括的各单一极端事件对应的目标因子,构成该目标复合型极端事件对应的多个指数因子,进而实现目标复合指数的构建。
在一个实施例中,如图6所示,基于多个指数因子和联合分布函数,构建目标复合型极端事件对应的目标复合指数的具体过程包括以下步骤:
步骤601,针对每一个指数因子,计算该指数因子的边际分布结果。
在本申请实施例中,终端计算各指数因子的边际分布结果时,即对各变量拟合边缘分布时,可以采用非参数核密度估计法进行估计。这样不需要假设各变量的分布。
步骤602,基于各指数因子的边际分布结果和联合分布函数,计算目标复合型极端事件对应的多元联合概率。
在本申请实施例中,在目标复合型极端事件包括三个目标单一极端事件的情况下,终端基于各指数因子的边际分布结果和联合分布函数,计算目标复合型极端事件对应的二维联合分布结果和三维联合分布结果。然后,终端基于指数因子的边际分布结果、目标复合型极端事件对应的二维联合分布结果和三维联合分布结果,计算目标复合型极端事件对应的多元联合概率。其中,多元联合概率为非标准的变量。终端计算目标复合型极端事件对应的二维联合分布结果时,即模拟二维联合分布时,Copula函数从Gaussian、Student-t、Clayton、Gumbel、Frank和Joe Copula中选择,这些Copula族系已广泛用于水文气象研究中。在每个格点或站点上,Copula函数的参数通过极大似然估计法进行估计,并根据Akaike信息准则(Akaike information criterion,AIC)选择最适合的Copula函数。三维联合分布函数由Vine Copula函数构建。传统的多元Copula有一些局限性,例如对高维相关关系建模的灵活性较差,Vine Copula函数可以克服这些局限性,已广泛应用于多个领域。这里通过确定最优拟合二维Copula及其对应的参数构建C-Vine Copula,从而计算三维联合概率。
在一个实施例中,终端计算复合干热风事件对应的多元联合概率,可以表示为:
其中,X、Y、Z分别表示土壤湿度、气温和风速;u=FX(x)、v=FY(y)、w=FZ(z)分别是X、Y和Z的边际分布结果;C是Copula函数;C(u,v)和C(u,w)是复合干热风事件对应的二维联合分布结果,C(u,v,w)是复合干热风事件对应的三维联合分布结果。
步骤603,对多元联合概率进行标准化处理,得到目标复合型极端事件对应的目标复合指数。
在本申请实施例中,终端对多元联合概率进行标准化转换,将非标准的变量转换成标准的变量,得到目标复合型极端事件对应的目标复合指数。其中,目标复合指数为标准的变量。
在一个实施例中,终端对多元联合概率进行标准化处理,得到复合干热风事件对应的复合干热风指数,可以表示为:
其中,P为多元联合概率;N-1为标准正态分布的反函数。复合干热风指数值越低,意味着复合干热风事件越严重。
上述复合型极端事件预报方法中,针对每一个指数因子,计算该指数因子的边际分布结果;基于各指数因子的边际分布结果和联合分布函数,计算目标复合型极端事件对应的多元联合概率;对多元联合概率进行标准化处理,得到目标复合型极端事件对应的目标复合指数。这样,基于联合分布函数,计算目标复合型极端事件对应的多元联合概率,并对多元联合概率进行标准化转换,能够有效表征目标复合型极端事件在预见期发生的强度,提高复合型极端事件预报的准确性。
在一个实施例中,如图7所示,复合型极端事件预报方法还包括以下步骤:
步骤701,获取评估数据集。
其中,评估数据集包括目标复合型极端事件的预报因子的历史值和目标复合型极端事件对应的目标复合指数的历史值。
在本申请实施例中,评估数据集可以和目标复合型极端事件的训练数据集相同,也可以不同。
步骤702,基于评估数据集,采用留一交叉验证法,得到目标复合型极端事件的多个目标预报值。基于评估数据集和预设的自回归模型,采用留一交叉验证法,得到目标复合型极端事件的多个基准预报值。
在本申请实施例中,终端将评估数据集的数据分为N组,并在N组数据中是随机选取一组作为测试集,将剩下的N-1组作为训练集。然后,终端基于训练集数据训练各复合型极端事件预报模型。然后,终端将测试集包括的目标复合型极端事件的预报因子的历史值分别输入至训练完成的各复合型极端事件预报模型,得到各复合型极端事件预报模型对应的预报值。然后,终端选择测试集的下一组数据作为新的测试集,并返回将剩下的N-1组作为训练集步骤。直到循环次数为N次,终端得到目标复合型极端事件的N个目标预报值和多个复合型极端事件预报模型对应的N个预报值。由于季节尺度预报的样本量相对较少,这样可以充分利用数据。然后,终端采用上述复合型极端事件预报方法,对多组目标复合型极端事件的预报结果进行贝叶斯平均,得到目标复合型极端事件的多个目标预报值。同时,终端基于评估数据集和预设的自回归模型,采用留一交叉验证法,得到目标复合型极端事件的多个基准预报值。其中,自回归模型是基于训练集对应的复合指数序列的自身连续性构建的。
步骤703,基于目标复合型极端事件对应的目标复合指数的历史值、目标复合型极端事件的多个目标预报值和预设的模型评估指标,计算第一评估值。基于目标复合型极端事件对应的目标复合指数的历史值、目标复合型极端事件的多个基准预报值和预设的模型评估指标,计算第二评估值。
在本申请实施例中,模型评估指标为评估模型的准确性的指标,用于评价预报值和观测值(真实值)之间的差异程度。模型评估指标可以为纳什效率系数(Nash-Sutcliffeefficiency coefficient,NSE)和均方根误差(Root Mean SquaredError,RMSE)。第一评估值和第二评估值均为模型评估指标的值。纳什效率系数和均方根误差计算公式分别为:
其中,i为预报时期,即第i组测试集,n为预报的总周期数,即测试集的总组数;Sp和So是目标复合指数的预报值和观测值;是观测值的均值。NSE的取值范围从-∞到1。NSE=1表示完美的预报。NSE接近0表示预报结果近似于观测值的均值(但存在较大误差),NSE<0表示不可信的预报结果。RMSE取值范围从0到+∞,RMSE=0表示完美预测。NSE越高、RMSE越低表示预报性能较好。
步骤704,若第一评估值和第二评估值不满足预设的评估通过条件,则更新偏相关系数阈值,并返回基于目标复合型极端事件的潜在影响因子和预先构建的目标复合型极端事件对应的目标复合指数,在潜在影响因子中,选择目标复合型极端事件的预报因子步骤。
在本申请实施例中,终端将第二评估值与第一评估值比较。在模型评估指标为纳什效率系数的情况下,若第一评估值小于第二评估值,则终端确定第一评估值和第二评估值不满足预设的评估通过条件。在模型评估指标为均方根误差的情况下,若第一评估值大于第二评估值,则终端确定第一评估值和第二评估值不满足预设的评估通过条件。其中,评估通过条件可以为衡量采用当前预报因子的复合型极端事件预报方法是否优于预设的自回归模型的条件。评估通过条件与模型评估指标相对应。
在一个示例中,若第一评估值和第二评估值不满足预设的评估通过条件,则终端调低偏相关系数阈值。例如,终端用偏相关系数阈值减去预设的阈值变化量,得到更新后的偏相关系数阈值。还例如,终端用偏相关系数阈值于预设的阈值变化比例相乘,得到更新后的偏相关系数阈值。
上述复合型极端事件预报方法中,基于相同的评估数据集,通过计算预设的模型评估指标的评估值,对本方法这个集合评估模型和预设的自回归模型分别进行评估,该评估可以为实时进行,定期进行,也可以为触发评估条件时进行,在本方法这个集合评估模型的评估结果比自回归模型的评估结果差的情况下,及时更新偏相关系数阈值,从而及时更新预报因子,实现本方法这个集合评估模型的优化,能够进一步提高复合型极端事件预报的准确性,以应对不同预见期、不同地区或其他因素造成的对复合型极端事件预报的影响。并且,本方法采用留一交叉验证法对模型进行评估,能够充分利用数据,更加符合季节尺度预报的样本量相对较少的实际情况,能够提高复合型极端事件预报方法评估的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的复合型极端事件预报方法的复合型极端事件预报装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个复合型极端事件预报装置实施例中的具体限定可以参见上文中对于复合型极端事件预报方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种复合型极端事件预报装置800,包括:选取模块810、第一预报模块820和第二预报模块830,其中:
选取模块810,用于基于目标复合型极端事件的潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数,在所述潜在影响因子中,选择所述目标复合型极端事件的预报因子;
第一预报模块820,用于将所述预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到所述目标复合型极端事件的多个预报结果;所述多个复合型极端事件预报模型采用不同的机器学习模型实现;
第二预报模块830,用于对所述目标复合型极端事件的多个预报结果进行贝叶斯平均,得到所述目标复合型极端事件的目标预报结果;所述目标预报结果用于表征所述目标复合型极端事件在预见期发生的强度。
可选的,所述第二预报模块830,具体用于:
针对每一个复合型极端事件预报模型,基于所述目标复合型极端事件的训练数据集,确定所述复合型极端事件预报模型的预报结果的后验概率;
将所述复合型极端事件预报模型的预报结果的后验概率,作为所述复合型极端事件预报模型对应的权重;
根据各所述复合型极端事件预报模型的预报结果和各所述复合型极端事件预报模型对应的权重,加权计算所述目标复合型极端事件的目标预报结果。
可选的,所述选取模块810,具体用于:
针对目标复合型极端事件的每一个潜在影响因子,对所述潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数进行偏相关分析,得到所述潜在影响因子的偏相关系数;
若所述偏相关系数大于预设的偏相关系数阈值,则将所述潜在影响因子作为所述目标复合型极端事件的预报因子。
可选的,所述装置800还包括:
确定模块,用于确定目标复合型极端事件对应的多个指数因子;
构建模块,用于基于所述多个指数因子和联合分布函数,构建所述目标复合型极端事件对应的目标复合指数。
可选的,所述目标复合型极端事件包括多个目标单一极端事件,所述确定模块,具体用于:
针对每一个目标单一极端事件,在预设的影响因子中,确定所述目标单一极端事件对应的目标因子;
将各所述目标单一极端事件对应的目标因子,构成所述目标复合型极端事件对应的多个指数因子。
可选的,所述构建模块,具体用于:
针对每一个指数因子,计算所述指数因子的边际分布结果;
基于各所述指数因子的边际分布结果和联合分布函数,计算所述目标复合型极端事件对应的多元联合概率;
对所述多元联合概率进行标准化处理,得到所述目标复合型极端事件对应的目标复合指数。
可选的,所述装置800还包括:
获取模块,用于获取评估数据集;所述评估数据集包括所述目标复合型极端事件的预报因子的历史值和所述目标复合型极端事件对应的目标复合指数的历史值;
验证模块,用于基于所述评估数据集,采用留一交叉验证法,得到所述目标复合型极端事件的多个目标预报值;基于所述评估数据集和预设的自回归模型,采用留一交叉验证法,得到所述目标复合型极端事件的多个基准预报值;
计算模块,用于基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个目标预报值和预设的模型评估指标,计算第一评估值;基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个基准预报值和预设的模型评估指标,计算第二评估值;
更新模块,用于若所述第一评估值和所述第二评估值不满足预设的评估通过条件,则更新所述偏相关系数阈值,并返回所述基于目标复合型极端事件的潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数,在所述潜在影响因子中,选择所述目标复合型极端事件的预报因子步骤。
上述复合型极端事件预报装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种复合型极端事件预报方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种复合型极端事件预报方法,其特征在于,所述方法包括:
针对目标复合型极端事件的每一个潜在影响因子,对所述潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数进行偏相关分析,得到所述潜在影响因子的偏相关系数;所述潜在影响因子包括气象因子、陆面因子和海洋因子;
若所述偏相关系数大于预设的偏相关系数阈值,则将所述潜在影响因子作为所述目标复合型极端事件的预报因子;
将所述预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到所述目标复合型极端事件的多个预报结果;所述多个复合型极端事件预报模型采用不同的机器学习模型实现;
对所述目标复合型极端事件的多个预报结果进行贝叶斯平均,得到所述目标复合型极端事件的目标预报结果;所述目标预报结果用于表征所述目标复合型极端事件在预见期发生的强度;
其中,所述方法还包括:
获取评估数据集;所述评估数据集包括所述目标复合型极端事件的预报因子的历史值和所述目标复合型极端事件对应的目标复合指数的历史值;
基于所述评估数据集,采用留一交叉验证法,得到所述目标复合型极端事件的多个目标预报值;基于所述评估数据集和预设的自回归模型,采用留一交叉验证法,得到所述目标复合型极端事件的多个基准预报值;
基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个目标预报值和预设的模型评估指标,计算第一评估值;基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个基准预报值和预设的模型评估指标,计算第二评估值;
若所述第一评估值和所述第二评估值不满足预设的评估通过条件,则更新所述偏相关系数阈值,并返回所述若所述偏相关系数大于预设的偏相关系数阈值,则将所述潜在影响因子作为所述目标复合型极端事件的预报因子步骤。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标复合型极端事件的多个预报结果进行贝叶斯平均,得到所述目标复合型极端事件的目标预报结果包括:
针对每一个复合型极端事件预报模型,基于所述目标复合型极端事件的训练数据集,确定所述复合型极端事件预报模型的预报结果的后验概率;
将所述复合型极端事件预报模型的预报结果的后验概率,作为所述复合型极端事件预报模型对应的权重;
根据各所述复合型极端事件预报模型的预报结果和各所述复合型极端事件预报模型对应的权重,加权计算所述目标复合型极端事件的目标预报结果。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定目标复合型极端事件对应的多个指数因子;
基于所述多个指数因子和联合分布函数,构建所述目标复合型极端事件对应的目标复合指数。
4.根据权利要求3所述的方法,其特征在于,所述目标复合型极端事件包括多个目标单一极端事件,所述确定目标复合型极端事件对应的多个指数因子包括:
针对每一个目标单一极端事件,在预设的影响因子中,确定所述目标单一极端事件对应的目标影响因子;
将各所述目标单一极端事件对应的目标因子,构成所述目标复合型极端事件对应的多个指数因子。
5.根据权利要求3所述的方法,其特征在于,所述基于所述多个指数因子和联合分布函数,构建所述目标复合型极端事件对应的目标复合指数包括:
针对每一个指数因子,计算所述指数因子的边际分布结果;
基于各所述指数因子的边际分布结果和联合分布函数,计算所述目标复合型极端事件对应的多元联合概率;
对所述多元联合概率进行标准化处理,得到所述目标复合型极端事件对应的目标复合指数。
6.一种复合型极端事件预报装置,其特征在于,所述装置包括:
选取模块,用于针对目标复合型极端事件的每一个潜在影响因子,对所述潜在影响因子和预先构建的所述目标复合型极端事件对应的目标复合指数进行偏相关分析,得到所述潜在影响因子的偏相关系数;若所述偏相关系数大于预设的偏相关系数阈值,则将所述潜在影响因子作为所述目标复合型极端事件的预报因子;所述潜在影响因子包括气象因子、陆面因子和海洋因子;
第一预报模块,用于将所述预报因子的当前值分别输入至预先训练的多个复合型极端事件预报模型,得到所述目标复合型极端事件的多个预报结果;所述多个复合型极端事件预报模型采用不同的机器学习模型实现;
第二预报模块,用于对所述目标复合型极端事件的多个预报结果进行贝叶斯平均,得到所述目标复合型极端事件的目标预报结果;所述目标预报结果用于表征所述目标复合型极端事件在预见期发生的强度;
其中,所述装置还包括:
获取模块,用于获取评估数据集;所述评估数据集包括所述目标复合型极端事件的预报因子的历史值和所述目标复合型极端事件对应的目标复合指数的历史值;
验证模块,用于基于所述评估数据集,采用留一交叉验证法,得到所述目标复合型极端事件的多个目标预报值;基于所述评估数据集和预设的自回归模型,采用留一交叉验证法,得到所述目标复合型极端事件的多个基准预报值;
计算模块,用于基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个目标预报值和预设的模型评估指标,计算第一评估值;基于所述目标复合型极端事件对应的目标复合指数的历史值、所述目标复合型极端事件的多个基准预报值和预设的模型评估指标,计算第二评估值;
更新模块,用于若所述第一评估值和所述第二评估值不满足预设的评估通过条件,则更新所述偏相关系数阈值,并返回所述选取模块。
7.根据权利要求6所述的装置,其特征在于,所述第二预报模块,具体用于:
针对每一个复合型极端事件预报模型,基于所述目标复合型极端事件的训练数据集,确定所述复合型极端事件预报模型的预报结果的后验概率;
将所述复合型极端事件预报模型的预报结果的后验概率,作为所述复合型极端事件预报模型对应的权重;
根据各所述复合型极端事件预报模型的预报结果和各所述复合型极端事件预报模型对应的权重,加权计算所述目标复合型极端事件的目标预报结果。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
确定模块,用于确定目标复合型极端事件对应的多个指数因子;
构建模块,用于基于所述多个指数因子和联合分布函数,构建所述目标复合型极端事件对应的目标复合指数。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141790.0A CN116881624B (zh) | 2023-09-06 | 2023-09-06 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311141790.0A CN116881624B (zh) | 2023-09-06 | 2023-09-06 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881624A CN116881624A (zh) | 2023-10-13 |
CN116881624B true CN116881624B (zh) | 2023-11-17 |
Family
ID=88271945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311141790.0A Active CN116881624B (zh) | 2023-09-06 | 2023-09-06 | 复合型极端事件预报方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881624B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537600A (zh) * | 2021-07-20 | 2021-10-22 | 浙江省水利水电勘测设计院 | 一种全过程耦合机器学习的中长期降水预报建模方法 |
CN113592144A (zh) * | 2021-06-28 | 2021-11-02 | 清华大学 | 一种中长期径流概率预报方法及系统 |
CN113627690A (zh) * | 2021-09-03 | 2021-11-09 | 中国人民解放军国防科技大学 | 一种中国南方地区季节内降水预测方法 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
US11315046B1 (en) * | 2018-06-28 | 2022-04-26 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
CN115759445A (zh) * | 2022-11-24 | 2023-03-07 | 浙江大学 | 一种基于机器学习和云模型的分类洪水随机预报方法 |
-
2023
- 2023-09-06 CN CN202311141790.0A patent/CN116881624B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11315046B1 (en) * | 2018-06-28 | 2022-04-26 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
CN113592144A (zh) * | 2021-06-28 | 2021-11-02 | 清华大学 | 一种中长期径流概率预报方法及系统 |
CN113537600A (zh) * | 2021-07-20 | 2021-10-22 | 浙江省水利水电勘测设计院 | 一种全过程耦合机器学习的中长期降水预报建模方法 |
CN113627690A (zh) * | 2021-09-03 | 2021-11-09 | 中国人民解放军国防科技大学 | 一种中国南方地区季节内降水预测方法 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
CN115759445A (zh) * | 2022-11-24 | 2023-03-07 | 浙江大学 | 一种基于机器学习和云模型的分类洪水随机预报方法 |
Non-Patent Citations (1)
Title |
---|
compound events and associated impacts in China;Zengchao Hao等;《iScience》;第25卷(第8期);1-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116881624A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clark et al. | The Schaake shuffle: A method for reconstructing space–time variability in forecasted precipitation and temperature fields | |
Robertson et al. | A Bayesian approach to predictor selection for seasonal streamflow forecasting | |
Wu et al. | Agricultural drought prediction based on conditional distributions of vine copulas | |
Goly et al. | Development and evaluation of statistical downscaling models for monthly precipitation | |
Van Huijgevoort et al. | Global multimodel analysis of drought in runoff for the second half of the twentieth century | |
Della-Marta et al. | Improved estimates of the European winter windstorm climate and the risk of reinsurance loss using climate model data | |
Luomaranta et al. | Multimodel estimates of the changes in the Baltic Sea ice cover during the present century | |
Alamgir et al. | Downscaling and projection of spatiotemporal changes in temperature of Bangladesh | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
Mohanty et al. | Evaluation of performance of seasonal precipitation prediction at regional scale over India | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
Su et al. | Multi‐site bias correction of climate model outputs for hydro‐meteorological impact studies: An application over a watershed in China | |
Keller et al. | Downscaling approaches of climate change projections for watershed modeling: Review of theoretical and practical considerations | |
Gond et al. | Assessment of drought variability using SPEI under observed and projected climate scenarios over Uttar Pradesh, India | |
Chen et al. | Generative machine learning methods for multivariate ensemble postprocessing | |
Li et al. | Improvements in subseasonal forecasts of rainfall extremes by statistical postprocessing methods | |
KR102496876B1 (ko) | 산불 위험 계절 예보 장치 및 방법 | |
CN116186493B (zh) | 基于数值模式校正的气象预报方法、装置、设备和介质 | |
CN110520887A (zh) | 用于使用天气数据的统计分析预测经济趋势的系统和方法 | |
CN116881624B (zh) | 复合型极端事件预报方法、装置、计算机设备和存储介质 | |
CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
WO2023245399A1 (zh) | 基于土地系统和气候变化耦合的水稻生产潜力模拟方法 | |
Kaczmarska et al. | Local generalised method of moments: an application to point process‐based rainfall models | |
Ghaemi et al. | Uncertainty analysis of radar rainfall estimates over two different climates in Iran |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |