CN117235445B - 一种基于多模型及时间序列的气象预测系统及其方法 - Google Patents
一种基于多模型及时间序列的气象预测系统及其方法 Download PDFInfo
- Publication number
- CN117235445B CN117235445B CN202311485332.9A CN202311485332A CN117235445B CN 117235445 B CN117235445 B CN 117235445B CN 202311485332 A CN202311485332 A CN 202311485332A CN 117235445 B CN117235445 B CN 117235445B
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- models
- parameters
- integrated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000010354 integration Effects 0.000 claims abstract description 84
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 230000006978 adaptation Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 7
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000005381 potential energy Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 150000003464 sulfur compounds Chemical class 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 239000007789 gas Substances 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 239000000926 atmospheric chemistry Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- WWVKQTNONPWVEL-UHFFFAOYSA-N caffeic acid phenethyl ester Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCC1=CC=CC=C1 WWVKQTNONPWVEL-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- SWUARLUWKZWEBQ-UHFFFAOYSA-N phenylethyl ester of caffeic acid Natural products C1=C(O)C(O)=CC=C1C=CC(=O)OCCC1=CC=CC=C1 SWUARLUWKZWEBQ-UHFFFAOYSA-N 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及气象预测分析的技术领域，提供一种基于多模型及时间序列的气象预测系统及其方法，系统包括用于收集基于时间序列的原始气象数据的数据收集模块、用于对收集得到的原始气象数据进行预处理的数据处理模块、用于创建除时间序列外其他能够提高模型预测性能的新特征、剔除无用或冗余特征的特征工程模块、求取集成预测模型的多模型集成模块、用于对集成预测模型的综合性进行监控的系统性能监控模块、用于对集成预测模型进行更新调整的自学习适应模块；本发明可提高气象预测的准确性，降低过拟合风险，并增加对不同数据分布的鲁棒性，从而为气象领域的决策制定提供可靠支持。
Description
技术领域
本发明涉及气象预测分析的技术领域，尤其涉及到一种基于多模型及时间序列的气象预测系统及其方法。
背景技术
在当前数据驱动的社会中，时间序列数据的准确预测对于决策制定和资源分配至关重要。传统时间序列预测方法通常依赖于单一模型，难以捕捉多样性和复杂性的时间序列数据模式。机器学习等模型集成方法已被广泛采用，但仍存在模型选择和权重分配的挑战。
传统的气象预测方法通常基于物理模型，但这些方法受到气象系统复杂性和 数据不确定性的限制，因此，需要一种更为灵活和精确的气象预测方法，能够综 合多种模型和数据源的信息，提高预测的准确性和可靠性。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于多模型及时间序列的气象预测系统，以应对气象领域中的时间序列数据分析和预测需求，该系统旨在提高气象预测的准确性，降低过拟合风险，并增加对不同数据分布的鲁棒性，从而为气象领域的决策制定提供可靠支持。
为实现上述目的，本发明所提供的技术方案为：
一种基于多模型及时间序列的气象预测系统，包括数据收集模块、数据处理模块、特征工程模块、多模型集成模块、系统性能监控模块、自学习适应模块；
其中，
所述数据收集模块，用于收集基于时间序列的原始气象数据；
所述数据处理模块，用于对收集得到的原始气象数据进行预处理；
所述特征工程模块，用于创建除时间序列外其他能够提高模型预测性能的新特征，以及剔除无用或冗余的特征；
所述多模型集成模块，用于预测模型的选择、训练以及集成，得到集成预测模型；
所述系统性能监控模块，用于对集成预测模型的综合性进行监控；
所述自学习适应模块，用于对集成预测模型进行更新调整；
所述系统性能监控模块通过综合性能评估函数对集成预测模型进行评估；
综合性能评估函数为：
=++++
:
;
上式中，为总综合评估值，,,,,为权重，为集成预测模
型中包括的模型数，系统实时更新记录；为初始根据模型特点选择
的第个模型的性能指标，对应评估该模型性能，使用每个选定模型的均方误差MSE来度量
误差并作为性能衡量参数，此参数越小代表各模型预测越准确，系统实时计算
各模型在不同时间序列段下的均方误差；为集成预
测模型的性能参数，对应评估集成方法的性能，使用集成方法预测结果的均方误差作为衡
量参数，此参数越小代表集成模型预测越准确，系统实时计算集成预测模型的均方误差；为第个模型在不同气象情景下的适用性参数，对应评
估该模型的适应性，将该模型在连续相同间隔的不同时间序列段下的误差差值的绝对
值 作为指标。（需要根据具体预测的气象
时间序列来做出规定，例如对于长达数年的时间序列，可以取为15—30天），此参数越
小代表各模型的适应性越强，系统实时计算各模型在不同时间序列段下的适应性参数；为模型集成方法的动态权重调整参数，此参数越小代表集成
方法的权重分配更为合理准确。为气象特殊指标综
合参数。
进一步地，所述多模型集成模块包括多模型选择单元、模型训练单元、模型集成单元；
其中，
供多模型选择单元选择的模型包括用于自相关性和季节性的时间序列数据分析和预测的ARIMA模型、用于分析多个气象因素之间相互影响关系的VAR模型、基于时间相关性的气象预测的LSTM模型、用于气候变化趋势预测和气象灾害预警的GaussianNB和NeuralNetwork模型、用于具有季节性和趋势性的序列预测的Prophet模型；
所述模型训练单元用于对多模型选择单元选择得到的模型进行训练；
所述模型集成单元基于设定的权重对多个已完成训练的模型进行融合，得到集成预测模型。
进一步地，所述自学习适应模块包括参数搜索调优单元、权重分配调整单元、集成方法调整单元、模型调整单元、气象特殊指标综合参数调整单元；
其中，
所述参数搜索调优单元，用于使用包括贝叶斯优化、遗传算法在内的搜索算法寻找最优的模型和参数组合；
所述权重分配调整单元，用于动态调整集成预测模型中多个模型的权重；
所述集成方法调整单元，用于对多个模型的集成方法进行调整；
所述模型调整单元，用于对组成集成预测模型的多个模型进行调整；
所述气象特殊指标综合参数调整单元，用于对气象特殊指标综合参数进行调整。
为实现上述目的，本发明另外提供一种基于多模型及时间序列的气象预测方法，该方法采用上述基于多模型及时间序列的气象预测系统实现，具体包括：
通过数据收集模块收集基于时间序列的原始气象数据；
通过数据处理模块对收集得到的原始气象数据进行预处理；
通过特征工程模块创建除时间序列外其他能够提高模型预测性能的新特征，以及剔除无用或冗余的特征；
通过多模型集成模块进行预测模型的选择、训练以及集成，得到集成预测模型；
通过系统性能监控模块对集成预测模型的综合性能进行监控；
通过自学习适应模块对集成预测模型进行更新调整。
进一步地，通过数据处理模块对收集得到的原始气象数据进行预处理，包括：
数据分解：按时间序列对原始气象数据进行分解；
数据清洗：去除或填充原始气象数据的缺失值，处理异常值；
数据转换：将原始气象数据转换为适合建模的形式。
进一步地，系统性能监控模块通过综合性能评估函数对集成预测模型进行评估，
总综合评估值越小，表示集成预测模型整体的性能越好，越准确；
综合性能评估函数中，气象特殊指标综合参数的计算公式如下：
=++；
其中，
为大气稳定性参数，=，为大气位
能指数；
为大气化学参数，=，为二氧化碳浓度，
为臭氧浓度，为硫化合物浓度；
为垂直风切变参数，=+,为风速差异值，为风向变化值。
进一步地，通过自学习适应模块对集成预测模型进行更新调整，包括：
通过参数搜索调优单元使用包括贝叶斯优化、遗传算法在内的搜索算法寻找最优的模型和参数组合；
通过权重分配调整单元动态调整集成预测模型中多个模型的权重；
通过集成方法调整单元对多个模型的集成方法进行调整；
通过模型调整单元对组成集成预测模型的多个模型进行调整；
通过气象特殊指标综合参数调整单元对气象特殊指标综合参数进行调整。
进一步地，通过权重分配调整单元动态调整集成预测模型中多个模型的权重，包括：
在设定时间段下，若集成预测模型中模型的误差小于或等于设定阈
值，则按照改变率的大小提高其权重,计算方式如下：
= ；
误差等于对应模型的均方误差；
反之，若集成预测模型中模型的误差大于设定阈值，则按照改变率
的大小降低其权重,计算方式如下：
=
对新权重进行归一化，公式如下：
=
为归一化权重，为集成预测模型中包括的模
型的个数；
将每个模型的归一化权重用于动态权重调整参
数的计算，计算公式如下：
=
求取权重调整后的总综合评估值与权重调整前的总综合评估值之
间的差值，若-<0，则进行此次动态化权重调整，否则，保持原有权重分配；
=++++；
=++++；
,,,,各参数对应的权重，为集成预测模型中包括的模型
数；为初始根据模型特点选择的第个模型的性能指标，对应评估
该模型性能；为集成预测模型的性能参数，对应评
估集成方法的性能；为第个模型在不同气象情景下的
适用性参数，对应评估该模型的适应性；为调整后的权重
调整参数；为调整前的权重调整参数；为气象特殊指标综合参数。
进一步地，通过集成方法调整单元对多个模型的集成方法进行调整，包括：
设定初值参数=0；
在各时间段对多种集成方法进行比较，其中，计算两种集成方法的总综合评估
值的差值绝对值是否超过设定阈值，即是否：
- >；
=/>+/>++/>+；
=/>+/>++/>+；
若 - >，则改变参数=
1，选择表现更为良好的集成方法进行调整替换，调整替换后参数=0恢复初始
值以保持系统动态调整的正常运行；
若否，则保持=0，继续沿用当前集成方法；
为替换决策中替换的集成方法的误差性能指标，为替换决策中被替换的集成方法的误差性能指标；,,,,为各参数对应的权重；为初始根据模型特点选择的第个模型
的性能指标，对应评估该模型性能；为第个模型在不同
气象情景下的适用性参数，对应评估该模型的适应性；为模型
集成方法的动态权重调整参数，为气象特殊指标综
合参数；
通过模型调整单元，结合模型适应性和预测误差两大性能参数对组成集成预测模型的多个模型进行调整，包括：
设定初值参数=0；
在当前季节下对集成预测模型中的不同模型进行比较，其中，计算集成预测模型
中两种模型的总综合评估值的差值绝对值是否超过设定阈值，即是否：
-/> >/>；
=/>++/>++/>；
=/>；
=/>；
为被替换模型的误差指标；/>为被替换模型在系统性能监控模块中实时记录的模型适应性衡量参数；
=/>++/>++/>；
=/>；
=/>；
为替换模型的误差指标；/>为替换模型在系统性能监控模块中实时记录的模型适应性衡量参数；为集成预测模型的性能参数，对应评估集成方法的性能；
若 - >，则更改参数=1，切换掉表现
不好的模型，以确保系统在不同情境下都能够使用最合适的模型进行预测；切换后参数=0恢复初始值以保持系统动态调整的正常运行；
若否，则保持=0，无需替换，只考虑增加或减少当前模型在当前季节时
间段的使用频率。
进一步地，通过气象特殊指标综合参数调整单元对气象特殊指标综合参数进行调整，包括：
设定阈值；
=/>++/>++/>；
=/>++/>++/>；
其中，为变化前的特殊综合指标，为变化后的特殊综合指标；为特殊综合指标变化前代入计算出来的总综合评估值；为特殊综合指标变化后代入计算出来的总综合评估值；,,,,为各参数对应的权重；为初始根据模型特点
选择的第个模型的性能指标，对应评估该模型性能；为集成预测模型的性能参数，对应评估集成方法的
性能；为第个模型在不同气象情景下的适用性参数，对
应评估该模型的适应性；为模型集成方法的动态权重调整参
数；
当->时,
触发反馈控制机制，通过比例积分微分算法对气象特殊指标综合参数进行调整。
与现有技术相比，本方案原理及优点如下：
采用多模型集成策略，引入多个时间序列预测模型，包括ARIMA、VAR、LSTM、GaussianNB、Prophet等，以应对气象领域的复杂性。通过多模型集成有助于捕捉不同模型的优势，提高气象预测的准确性，减小过拟合风险，提高预测的稳健性。
通过自学习适应模块，系统具备了自动化和自适应性能力，可以根据实际数据情况自动选择和调整预测模型和集成策略。这意味着系统可以不断优化自身，以适应不同气象事件和情境，提高了系统的鲁棒性和灵活性。
通过特征工程模块创建除时间序列外其他能够提高模型预测性能的新特征，以及剔除无用或冗余的特征，有助于提高模型的泛化能力、预测效率以及精度。
系统性能监控模块的应用可以实现对每个模型的实时监测和调整，以及对气象特殊指标数据的实时监测，有助于提高系统的自适应性，确保最佳的整体预测性能。
可根据不同数据分布和性质进行定制化的模型选择和集成策略，从而提高系统的灵活性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于多模型及时间序列的气象预测系统中各模块的连接框图；
图2为多模型集成模块中各单元的连接框图；
图3为自学习适应模块中各单元的连接框图；
图4为本发明一种基于多模型及时间序列的气象预测方法的原理流程图；
图5为通过自学习适应模块对集成预测模型进行更新调整的原理流程图。
附图标记：
附图 1-数据收集模块；2-数据处理模块；3-特征工程模块；4-多模型集成模块；5-系统性能监控模块；6-自学习适应模块；7-多模型选择单元；8-模型训练单元；9-模型集成单元；10-参数搜索调优单元；11-权重分配调整单元；12-集成方法调整单元；13-模型调整单元；14-气象特殊指标综合参数调整单元。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1至图3所示，本实施例所述的一种基于多模型及时间序列的气象预测系统，包括数据收集模块1、数据处理模块2、特征工程模块3、多模型集成模块4、系统性能监控模块5、自学习适应模块6；
其中，
数据收集模块1，用于收集基于时间序列的原始气象数据，如空气质量、温度、湿度、风速、风向、气压等各种气象领域相关指标以及衡量参数，比如：气流相关数据有垂直风切变、风向变化值等，空气质量相关数据，有大气化学成分及其变化值等。
数据处理模块2，用于对收集得到的原始气象数据进行预处理；
特征工程模块3，用于创建除时间序列外其他能够提高模型预测性能的新特征，以及剔除无用或冗余的特征；
多模型集成模块4，用于预测模型的选择、训练以及集成，得到集成预测模型；
系统性能监控模块5，用于对集成预测模型的综合性进行监控；
自学习适应模块6，用于对集成预测模型进行更新调整。
具体地，本实施例中，多模型集成模块4包括多模型选择单元7、模型训练单元8、模型集成单元9；
其中，
供多模型选择单元7选择的模型包括用于自相关性和季节性的时间序列数据分析和预测的ARIMA模型、用于分析多个气象因素（如气温、降水、风速等）之间相互影响关系的VAR模型、基于时间相关性的气象预测的LSTM模型（如天气预报）、用于气候变化趋势预测和气象灾害预警的GaussianNB和Neural Network模型、用于具有季节性和趋势性的序列预测的Prophet模型；
每个模型具有不同的预测能力和适应性，以覆盖各种时间序列数据的不同特征。这个单元的关键在于多样性，根据预测目标和数据特性选择引入适用的多个模型，使得能够更好地捕捉数据中的复杂模式和潜在规律。这些模型在不同的气象领域数据中都有一定的适用性。例如：如果要进行短期天气预测，可以考虑使用ARIMA、LSTM等时间序列模型。如果要进行气候预测，可以考虑使用VAR模型、GaussianNB和Neural Network神经网络模型等；
模型训练单元8用于对多模型选择单元7选择得到的模型进行训练；具体为：分解时间序列，按照时间序列的比例划分训练集和测试集，使用给定初始化的参数训练每个模型。选定的模型需要在历史气象数据上进行训练并进行测试。模型的参数使用常规的优化算法（如梯度下降）进行学习；
模型集成单元9基于设定的权重对多个已完成训练的模型进行融合，得到集成预测模型。使用的融合集成方式包括简单平均、加权平均、误差平方、倒数法和Stacking等。不同模型的预测结果会被组合起来，以提高整体的预测性能。在综合考虑模型拟合度、预测误差等因素并在测试集上使得最终的集成组合效果表现良好时，才完成系统的学习并开始预测气象领域目标值。
具体地，本实施例中，自学习适应模块6包括参数搜索调优单元10、权重分配调整单元11、集成方法调整单元12、模型调整单元13、气象特殊指标综合参数调整单元14；
其中，
参数搜索调优单元10，用于使用包括贝叶斯优化、遗传算法在内的搜索算法寻找最优的模型和参数组合；例如：ARIMA模型的阶数、LSTM模型的隐藏层数量和Prophet模型的季节性参数等，然后进行调参，根据搜索结果自动调整每个模型的参数，以提高每个模型在气象领域预测下的拟合性能。
权重分配调整单元11，用于动态调整集成预测模型中多个模型的权重；
集成方法调整单元12，用于对多个模型的集成方法进行调整，其中包括评估不同的集成方法（例如简单投票法、加权平均法或Stacking法等）对系统整体预测性能的影响；
模型调整单元13，用于对组成集成预测模型的多个模型进行调整；
气象特殊指标综合参数调整单元14，用于对气象特殊指标综合参数进行调整。
具体地，如图4所示，本实施例的工作原理如下：用于对气象特殊指标综合参数进行调整
通过数据收集模块1收集基于时间序列的原始气象数据；
通过数据处理模块2对收集得到的原始气象数据进行预处理，过程包括：
数据分解：按时间序列对原始气象数据进行分解；
数据清洗：去除或填充原始气象数据的缺失值，处理异常值；
数据转换：将原始气象数据转换为适合建模的形式；具体涉及到对数据的归一化、标准化或者对数变换等。对时间序列数据还可能需要进行差分操作以处理季节性和趋势性。例如：对温度和湿度进行对数转换，或对时间序列数据进行季节性调整。
通过特征工程模块3创建除时间序列外其他能够提高模型预测性能的新特征，以及剔除无用或冗余的特征；
通过多模型集成模块4进行预测模型的选择、训练以及集成，得到集成预测模型；
系统性能监控模块5通过综合性能评估函数对集成预测模型进行评估，总综合评
估值越小，表示集成预测模型整体的性能越好，越准确；
综合性能评估函数为：
=/>++/>++/>；
:
；
上式中，为总综合评估值，,,,,为权重，为集成预测模
型中包括的模型数，系统实时更新记录；为初始根据模型特点选择
的第个模型的性能指标，对应评估该模型性能，使用每个选定模型的均方误差MSE来度量
误差并作为性能衡量参数，此参数越小代表各模型预测越准确，系统实时计算
各模型在不同时间序列段下的均方误差；为集成预
测模型的性能参数，对应评估集成方法的性能，使用集成方法预测结果的均方误差作为衡
量参数，此参数越小代表集成模型预测越准确，系统实时计算集成预测模型的均方误差；为第个模型在不同气象情景下的适用性参数，对应评
估该模型的适应性，将该模型在连续相同间隔的不同时间序列段下的误差差值的绝对
值 作为指标。（需要根据具体预测的气象
时间序列来做出规定，例如对于长达数年的时间序列，可以取为15—30天），此参数越
小代表各模型的适应性越强，系统实时计算各模型在不同时间序列段下的适应性参数；为模型集成方法的动态权重调整参数，此参数越小代表集成
方法的权重分配更为合理准确。为气象特殊指标综
合参数，其计算公式如下：
=++；
其中，
为大气稳定性参数，=，为大气位
能指数（ - Convective Available Potential Energy）；表示了对
流的可用能量，较高的 CAPE 表示更不稳定的大气条件。若参数较小，则气象
系统中的大气条件较为稳定。
为大气化学参数，=，为二氧化碳浓度，
为臭氧浓度，为硫化合物浓度；这三种气体是空气质量相关的代表，如果它
们的浓度过高，会对大气环境和人类健康产生负面影响。例如，二氧化碳浓度过高可能导致
全球气候变暖，臭氧浓度过高可能导致光化学烟雾等。这些气体不仅在大气环境中产生负
面影响，它们还会参与到大气化学反应中，进而影响大气中的化学物质平衡。如果它们的浓
度较低，那么它们在大气化学反应中的作用相对较小，有利于维持大气化学的稳定。即：其
平均浓度较低，可以认为大气化学状况较为稳定。
为垂直风切变参数，参数定义：垂直风切变是指大气中垂直方向上风速
的变化。较大的垂直风切变可能会对气象系统的稳定性和气流产生影响；=+，为风速差异值，衡量不同高度处的
风速差异，较大的差异表示较大的垂直风切变；为风向变化值，衡量不同高度
处的风向变化，较大的变化表示较大的垂直风切变。若参数较小，则气象系统中
气流情况较为稳定。
综上所述，
对于气象条件稳定性：如果Integrated_data_factor越小，系统能更好地处理大气条件的稳定性数据，在不同的气象条件下都能够提供准确的预测。系统对于大气的变化和不稳定性也将具有更好的适应性。
对于数据质量：较小的Integrated_data_factor表明系统更好地处理了各种气象数据的质量，包括大气化学参数、垂直风切变参数等。系统能够更好地过滤和纠正数据中的噪声和错误，提供更准确的预测结果。
最后，通过自学习适应模块6对集成预测模型进行更新调整。如图5所示，其过程如下：
通过参数搜索调优单元10使用包括贝叶斯优化、遗传算法在内的搜索算法寻找最优的模型和参数组合；
通过权重分配调整单元11动态调整集成预测模型中多个模型的权重，过程包括：
在设定时间段下，若集成预测模型中模型的误差小于或等于设定阈
值，则按照改变率的大小提高其权重,计算方式如下：
= ；
误差等于对应模型的均方误差；
反之，若集成预测模型中模型的误差大于设定阈值，则按照改变率
的大小降低其权重,计算方式如下：
=
对新权重进行归一化，公式如下：
=
为归一化权重，为集成预测模型中包括的模
型的个数；
将每个模型的归一化权重用于动态权重调整参
数的计算，计算公式如下：
=
求取权重调整后的总综合评估值与权重调整前的总综合评估值之
间的差值，若-<0，则进行此次动态化权重调整，否则，保持原有权重分配；
=++++；
=++++；
,,,,为各参数对应的权重，为集成预测模型中包括的模
型数；为初始根据模型特点选择的第个模型的性能指标，对应评
估该模型性能；为集成预测模型的性能参数，对应
评估集成方法的性能；为第个模型在不同气象情景下
的适用性参数，对应评估该模型的适应性；为调整后的权
重调整参数；为调整前的权重调整参数；为气象特殊指标综合参数。
通过集成方法调整单元12对多个模型的集成方法进行调整，过程包括：
设定初值参数=0；
在各时间段对多种集成方法进行比较，其中，计算两种集成方法的总综合评估
值的差值绝对值是否超过设定阈值，即是否：
- >；
=/>+/>++/>+；
=/>+/>+/>+/>+；
若 - >，则改变参数=
1,选择表现更为良好的集成方法进行调整替换，调整替换后参数=0恢复初始
值以保持系统动态调整的正常运行；
若否，则保持=0，继续沿用当前集成方法；
为替换决策中替换的集成方法的误差性能指标，为替换决策中被替换的集成方法的误差性能指标；,,,,为各参数对应的权重；为初始根据模型特点选择的第个模型
的性能指标，对应评估该模型性能；为第个模型在不同
气象情景下的适用性参数，对应评估该模型的适应性；为模型
集成方法的动态权重调整参数，为气象特殊指标综
合参数；
通过模型调整单元13，结合模型适应性和预测误差两大性能参数对组成集成预测模型的多个模型进行调整，过程包括：
设定初值参数=0；
在当前季节下对集成预测模型中的不同模型进行比较，其中，计算集成预测模型
中两种模型的总综合评估值的差值绝对值是否超过设定阈值，即是否：
-/> >/>；
=/>++/>++/>；
=/>；
=/>；
为被替换模型的误差指标；/>为被替换模型在系统性能监控模块5中实时记录的模型适应性衡量参数；
=/>++/>++/>；
=/>；
=/>；
为替换模型的误差指标；/>为替换模型在系统性能监控模块5中实时记录的模型适应性衡量参数；为集成预测模型的性能参数，对应评估集成方法的性能；
若 - >，则更改参数=1，切换掉表现
不好的模型，以确保系统在不同情境下都能够使用最合适的模型进行预测；切换后参数=0恢复初始值以保持系统动态调整的正常运行；
若否，则保持=0，无需替换，只考虑增加或减少当前模型在当前季节时
间段的使用频率。
通过气象特殊指标综合参数调整单元14对气象特殊指标综合参数进行调整，过程包括：
设定阈值；
=/>++/>++/>；
=/>+/>+/>++/>；
其中，为变化前的特殊综合指标，为变化后的特殊综合指标；为特殊综合指标变化前代入计算出来的总综合评估值；为特殊综合指标变化后代入计算出来的总综合评估值；,,,,为各参数对应的权重；为初始根据模型特点
选择的第个模型的性能指标，对应评估该模型性能；为集成预测模型的性能参数，对应评估集成方法的
性能；为第个模型在不同气象情景下的适用性参数，对
应评估该模型的适应性；为模型集成方法的动态权重调整参
数；
当->时,
触发反馈控制机制，通过比例积分微分算法对气象特殊指标综合参数进行调整。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于多模型及时间序列的气象预测系统，其特征在于，包括数据收集模块、数据处理模块、特征工程模块、多模型集成模块、系统性能监控模块、自学习适应模块；
其中，
所述数据收集模块，用于收集基于时间序列的原始气象数据；
所述数据处理模块，用于对收集得到的原始气象数据进行预处理；
所述特征工程模块，用于创建除时间序列外其他能够提高模型预测性能的新特征，以及剔除无用或冗余的特征；
所述多模型集成模块，用于预测模型的选择、训练以及集成，得到集成预测模型；
所述系统性能监控模块，用于对集成预测模型的综合性进行监控；
所述自学习适应模块，用于对集成预测模型进行更新调整；
所述系统性能监控模块通过综合性能评估函数对集成预测模型进行评估；
综合性能评估函数为：
=/>+/>++/>+；
:
;
上式中，为总综合评估值，/>,/>,/>,/>,/>为各参数对应的权重，/>为集成预测模型中包括的模型数；/>为初始根据模型特点选择的第/>个模型的性能指标，对应评估该模型性能；/>为集成预测模型的性能参数，对应评估集成方法的性能；/>为第/>个模型在不同气象情景下的适用性参数，对应评估该模型的适应性；为模型集成方法的动态权重调整参数，为气象特殊指标综合参数。
2.根据权利要求1所述的一种基于多模型及时间序列的气象预测系统，其特征在于，所述多模型集成模块包括多模型选择单元、模型训练单元、模型集成单元；
其中，
供多模型选择单元选择的模型包括用于自相关性和季节性的时间序列数据分析和预测的ARIMA模型、用于分析多个气象因素之间相互影响关系的VAR模型、基于时间相关性的气象预测的LSTM模型、用于气候变化趋势预测和气象灾害预警的GaussianNB和NeuralNetwork模型、用于具有季节性和趋势性的序列预测的Prophet模型；
所述模型训练单元用于对多模型选择单元选择得到的模型进行训练；
所述模型集成单元基于设定的权重对多个已完成训练的模型进行融合，得到集成预测模型。
3.根据权利要求1所述的一种基于多模型及时间序列的气象预测系统，其特征在于，所述自学习适应模块包括参数搜索调优单元、权重分配调整单元、集成方法调整单元、模型调整单元、气象特殊指标综合参数调整单元；
其中，
所述参数搜索调优单元，用于使用包括贝叶斯优化、遗传算法在内的搜索算法寻找最优的模型和参数组合；
所述权重分配调整单元，用于动态调整集成预测模型中多个模型的权重；
所述集成方法调整单元，用于对多个模型的集成方法进行调整；
所述模型调整单元，用于对组成集成预测模型的多个模型进行调整；
所述气象特殊指标综合参数调整单元，用于对气象特殊指标综合参数进行调整。
4.一种基于多模型及时间序列的气象预测方法，其特征在于，采用权利要求1-3任一所述基于多模型及时间序列的气象预测系统实现，包括：
通过数据收集模块收集基于时间序列的原始气象数据；
通过数据处理模块对收集得到的原始气象数据进行预处理；
通过特征工程模块创建除时间序列外其他能够提高模型预测性能的新特征，以及剔除无用或冗余的特征；
通过多模型集成模块进行预测模型的选择、训练以及集成，得到集成预测模型；
通过系统性能监控模块对集成预测模型的综合性能进行监控；
通过自学习适应模块对集成预测模型进行更新调整。
5.根据权利要求4所述的一种基于多模型及时间序列的气象预测方法，其特征在于，通过数据处理模块对收集得到的原始气象数据进行预处理，包括：
数据分解：按时间序列对原始气象数据进行分解；
数据清洗：去除或填充原始气象数据的缺失值，处理异常值；
数据转换：将原始气象数据转换为适合建模的形式。
6.根据权利要求4所述的一种基于多模型及时间序列的气象预测方法，其特征在于，系统性能监控模块通过综合性能评估函数对集成预测模型进行评估，总综合评估值越小，表示集成预测模型整体的性能越好，越准确；
综合性能评估函数中，气象特殊指标综合参数的计算公式如下：
=/>+/>+/>；
其中，
为大气稳定性参数，/>=/>，/>为大气位能指数；/>为大气化学参数，
=/>，/>为二氧化碳浓度，/>为臭氧浓度，/>为硫化合物浓度；
为垂直风切变参数，/>=/>+/>,为风速差异值，/>为风向变化值。
7.根据权利要求4所述的一种基于多模型及时间序列的气象预测方法，其特征在于，通过自学习适应模块对集成预测模型进行更新调整，包括：
通过参数搜索调优单元使用包括贝叶斯优化、遗传算法在内的搜索算法寻找最优的模型和参数组合；
通过权重分配调整单元动态调整集成预测模型中多个模型的权重；
通过集成方法调整单元对多个模型的集成方法进行调整；
通过模型调整单元对组成集成预测模型的多个模型进行调整；
通过气象特殊指标综合参数调整单元对气象特殊指标综合参数进行调整。
8.根据权利要求7所述的一种基于多模型及时间序列的气象预测方法，其特征在于，通过权重分配调整单元动态调整集成预测模型中多个模型的权重，包括：
在设定时间段下，若集成预测模型中模型的误差/>小于或等于设定阈值，则按照改变率的大小提高其权重,计算方式如下：
=/> ；
误差等于对应模型的均方误差；
反之，若集成预测模型中模型的误差/>大于设定阈值，则按照改变率的大小降低其权重,计算方式如下：
=/> ；
对新权重进行归一化，公式如下：
=/> ,
为归一化权重，/>为集成预测模型中包括的模型的个数；
将每个模型的归一化权重用于动态权重调整参数计算，计算公式如下：
=/>，
求取权重调整后的总综合评估值与权重调整前的总综合评估值/>之间的差值，若/>-/><0，则进行此次动态化权重调整，否则，保持原有权重分配；
=/>+/>+/>+/>+；
=/>+/>++/>+；
,/>,/>,/>,/>为各参数对应的权重，/>为集成预测模型中包括的模型数；为初始根据模型特点选择的第/>个模型的性能指标，对应评估该模型性能；/>为集成预测模型的性能参数，对应评估集成方法的性能；/>为第/>个模型在不同气象情景下的适用性参数，对应评估该模型的适应性；
为调整后的权重调整参数；为调整前的权重调整参数；为气象特殊指标综合参数。
9.根据权利要求7所述的一种基于多模型及时间序列的气象预测方法，其特征在于，通过集成方法调整单元对多个模型的集成方法进行调整，包括：
设定初值参数=0；
在各时间段对多种集成方法进行比较，其中，计算两种集成方法的总综合评估值的差值绝对值是否超过设定阈值/>，即是否：
-/> >/>；
=/>+/>++/>+；
=/>+/>++/>+；
若 -/> >/>，则改变参数/>=1，选择表现更为良好的集成方法进行调整替换，调整替换后参数/>=0恢复初始值以保持系统动态调整的正常运行；
若否，则保持=0，继续沿用当前集成方法；
为替换决策中替换的集成方法的误差性能指标，/>为替换决策中被替换的集成方法的误差性能指标；/>,/>,/>,/>,/>为各参数对应的权重；/>为初始根据模型特点选择的第/>个模型的性能指标，对应评估该模型性能；/>为第/>个模型在不同气象情景下的适用性参数，对应评估该模型的适应性；/>为模型集成方法的动态权重调整参数，/>为气象特殊指标综合参数；
通过模型调整单元，结合模型适应性和预测误差两大性能参数对组成集成预测模型的多个模型进行调整，包括：
设定初值参数=0；
在当前季节下对集成预测模型中的不同模型进行比较，其中，计算集成预测模型中两种模型的总综合评估值的差值绝对值是否超过设定阈值/>，即是否：/> -/> >/>；
=/>++/>++/>；
=/>；
=/>；
为被替换模型的误差指标；/>为被替换模型在系统性能监控模块中实时记录的模型适应性衡量参数；
=/>++/>++/>；
=/>；
=/>；
为替换模型的误差指标；/>为替换模型在系统性能监控模块中实时记录的模型适应性衡量参数；为集成预测模型的性能参数，对应评估集成方法的性能；
若 -/> >/>，则更改参数/>=1，切换掉表现不好的模型，以确保系统在不同情境下都能够使用最合适的模型进行预测；切换后参数=0恢复初始值以保持系统动态调整的正常运行；
若否，则保持=0，无需替换，只考虑增加或减少当前模型在当前季节时间段的使用频率。
10.根据权利要求7所述的一种基于多模型及时间序列的气象预测方法，其特征在于，通过气象特殊指标综合参数调整单元对气象特殊指标综合参数进行调整，包括：
设定阈值；
=/>++/>++/>；
=/>++/>++/>；
其中，为变化前的特殊综合指标，为变化后的特殊综合指标；为特殊综合指标变化前代入计算出来的总综合评估值；为特殊综合指标变化后代入计算出来的总综合评估值；/>,,/>,/>,/>为各参数对应的权重；/>为初始根据模型特点选择的第/>个模型的性能指标，对应评估该模型性能；为集成预测模型的性能参数，对应评估集成方法的性能；/>为第/>个模型在不同气象情景下的适用性参数，对应评估该模型的适应性；/>为模型集成方法的动态权重调整参数；
当-/>>/>时，触发反馈控制机制，通过比例积分微分算法对气象特殊指标综合参数进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485332.9A CN117235445B (zh) | 2023-11-09 | 2023-11-09 | 一种基于多模型及时间序列的气象预测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311485332.9A CN117235445B (zh) | 2023-11-09 | 2023-11-09 | 一种基于多模型及时间序列的气象预测系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235445A CN117235445A (zh) | 2023-12-15 |
| CN117235445B true CN117235445B (zh) | 2024-01-26 |
Family
ID=89084478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311485332.9A Active CN117235445B (zh) | 2023-11-09 | 2023-11-09 | 一种基于多模型及时间序列的气象预测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235445B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116128168A (zh) * | 2023-04-17 | 2023-05-16 | 南京信息工程大学 | 基于因果扩充卷积和Autoformer的气象预测法 |
| CN116559975A (zh) * | 2023-03-24 | 2023-08-08 | 云南电网有限责任公司昆明供电局 | 一种基于多元时间序列图神经网络的多步长气象预测方法 |
| CN116894524A (zh) * | 2023-08-01 | 2023-10-17 | 中南林业科技大学 | 一种基于组合网络模型的大气温度预测方法 |
-
2023
- 2023-11-09 CN CN202311485332.9A patent/CN117235445B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116559975A (zh) * | 2023-03-24 | 2023-08-08 | 云南电网有限责任公司昆明供电局 | 一种基于多元时间序列图神经网络的多步长气象预测方法 |
| CN116128168A (zh) * | 2023-04-17 | 2023-05-16 | 南京信息工程大学 | 基于因果扩充卷积和Autoformer的气象预测法 |
| CN116894524A (zh) * | 2023-08-01 | 2023-10-17 | 中南林业科技大学 | 一种基于组合网络模型的大气温度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235445A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
| CN108320016A (zh) | 一种建筑能耗短期预测方法 | |
| US20120072029A1 (en) | Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment | |
| CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN113705877B (zh) | 基于深度学习模型的实时月径流预报方法 | |
| CN107944622A (zh) | 基于连续时段聚类的风电功率预测方法 | |
| CN112746934B (zh) | 一种自联想神经网络诊断风机故障方法 | |
| CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
| CN111981635B (zh) | 一种双智能算法的中央空调故障预测与诊断方法 | |
| Olej et al. | IF-inference systems design for prediction of ozone time series: the case of pardubice micro-region | |
| CN113240184B (zh) | 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统 | |
| CN116316599A (zh) | 一种智能用电负荷预测方法 | |
| CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
| CN111882128B (zh) | 基于tcn的汛期气候趋势预测方法 | |
| CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及系统 | |
| CN117787658A (zh) | 一种基于灌区的河水流量异常条件下水资源调度系统 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
| Akkoyunlu et al. | A neural network-based approach for the prediction of urban SO2 concentrations in the Istanbul metropolitan area | |
| CN117235445B (zh) | 一种基于多模型及时间序列的气象预测系统及其方法 | |
| CN117057490A (zh) | 湿胁迫热浪-洪水复合灾害的预测方法、系统及电子设备 | |
| CN116663393A (zh) | 一种基于随机森林的配电网持续高温下故障风险等级预测方法 | |
| CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 | |
| CN115907189A (zh) | 基于混合模型的大风预报订正方法 |
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 |