CN117406309A - 多数值计算成员生成方法、装置及存储介质 - Google Patents

多数值计算成员生成方法、装置及存储介质 Download PDF

Info

Publication number
CN117406309A
CN117406309A CN202311507281.5A CN202311507281A CN117406309A CN 117406309 A CN117406309 A CN 117406309A CN 202311507281 A CN202311507281 A CN 202311507281A CN 117406309 A CN117406309 A CN 117406309A
Authority
CN
China
Prior art keywords
prediction
climate
predicted
principal component
observation
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.)
Pending
Application number
CN202311507281.5A
Other languages
English (en)
Inventor
怀晓伟
李波
王磊
冯涛
李丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Disaster Prevention Technology Co ltd
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Original Assignee
Hunan Disaster Prevention Technology Co ltd
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Disaster Prevention Technology Co ltd, State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd filed Critical Hunan Disaster Prevention Technology Co ltd
Priority to CN202311507281.5A priority Critical patent/CN117406309A/zh
Publication of CN117406309A publication Critical patent/CN117406309A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Environmental Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Atmospheric Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种多数值计算成员生成方法、装置及存储介质，属于气候预测技术领域。其方法包括：获取预设第一时间段的气候观测数据和气候预测数据；对气候观测数据进行经验正交函数分解，得到观测的主导模态和观测的主成分时间序列；对气候预测数据进行经验正交函数分解，得到预测的主导模态和预测的主成分时间序列；基于观测的主导模态和预测的主导模态，确定可模拟模态，基于观测的主成分时间序列和预测的主成分时间序列，确定预测模态；获取观测的主成分时间序列与预测的主成分时间序列的时间相关系数，确定预测主成分时间序列；根据预测模态和预测主成分时间序列，生成预测多数值计算成员。本申请有效提高了气候预测的预测精度。

Description

多数值计算成员生成方法、装置及存储介质
技术领域
本申请涉及气候预测技术领域，具体地涉及一种多数值计算成员生成方法、装置及存储介质。
背景技术
近年来，随着气候异常变化的加剧，雪灾、冰灾、雾霾等自然灾害在冬季频繁出现，往往会对输电电网等设施带来巨大的安全风险。由此，在冬季进行气候预测，对于在冬季及时维护和调度输电电网等设施，保障输电电网等设施的安全运行来说至关重要。
传统的气候预测主要基于构建好的预测模型对冬季气候进行预测，由于冬季的天气变化受到大气环流、水汽输送、云量等多种因素的影响，导致利用传统的预测模型进行气候预测时的预测精度偏低。
发明内容
本申请实施例的目的是提供一种多数值计算成员生成方法、装置及存储介质，用于解决现有的预测模型预测精度偏低的问题。
为了实现上述目的，本申请实施例提供一种多数值计算成员生成方法，包括：
获取预设第一时间段的气候观测数据和气候预测数据；
对所述气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与所述观测的主导模态一一对应的观测的主成分时间序列；
对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列；
基于所述观测的主导模态和所述预测的主导模态，确定可模拟模态，并基于所述观测的主成分时间序列和所述预测的主成分时间序列，在所述可模拟模态中确定预测模态；
获取所述观测的主成分时间序列与所述预测的主成分时间序列的时间相关系数，并根据所述时间相关系数确定预测主成分时间序列；
根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员。
可选的，所述方法还包括：
对所述气候观测数据进行气候异常值处理；
对所述气候预测数据进行模式漂移偏差订正。
可选的，所述对所述气候观测数据进行气候异常值处理，包括：
根据所述气候观测数据，获取观测参数，其中，所述观测参数包括观测时长、观测起始点、观测总数目、观测平均值和气候异常值处理时段；
根据所述观测参数，采用观测气候平均态计算公式计算所述气候观测数据的气候平均态，其中，所述观测气候平均态计算公式包括：
式中，τ表示所述观测时长，j表示所述观测起始点，表示在所述观测时长为τ时的气候观测数据的气候平均态，Xjτ表示所述观测平均值，year1到year2表示所述气候异常值处理时段，Nx表示自j为观测起始点从year1到year2的所述观测总数目；
将所述气候观测数据减去所述气候平均态，以对所述气候观测数据进行气候异常值处理。
可选的，所述对所述气候预测数据进行模式漂移偏差订正，包括：
根据所述气候预测数据，获取预测参数，其中，所述预测参数包括预测时长、预测起始点、预测总数目、预测平均值和偏差订正时段；
根据所述预测参数，采用预测模式漂移偏差公式计算所述气候预测数据的漂移偏差，其中，所述预测模式漂移偏差公式包括：
式中，τ表示所述预测时长，j表示所述预测起始点，表示在所述预测时长为τ时的气候预测数据的漂移偏差，{Y}jτ表示所述预测平均值，year1到year2表示所述偏差订正时段，Ny表示自j为预测起始点从year1到year2的所述预测总数目；
将所述气候预测数据减去所述漂移偏差，以对所述气候预测数据进行模式漂移偏差订正。
可选的，所述对所述气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与所述观测的主导模态一一对应的观测的主成分时间序列，包括：
采用第一经验正交函数分解公式对所述气候观测数据进行经验正交函数分解，得到z个观测的主导模态和z个观测的主成分时间序列，其中，z为正整数，所述经验正交函数分解公式包括：
式中，X'jτ表示所述气候观测数据，EOFX(z)表示第z个所述观测的主导模态，PCX(z)表示与第z个所述观测的主导模态对应的第z个所述观测的主成分时间序列。
可选的，所述对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列，包括：
采用第二经验正交函数分解公式对所述气候预测数据进行经验正交函数分解，得到z个主导模态和z个主成分时间序列，其中，所述第二经验正交函数分解公式包括：
式中，Yj'τ表示所述气候预测数据，EOFY(z)表示第z个所述预测的主导模态，PCY(z)表示与第z个所述预测的主导模态对应的第z个所述预测的主成分时间序列。
可选的，所述基于所述观测的主导模态和所述预测的主导模态，确定可模拟模态，并基于所述观测的主成分时间序列和所述预测的主成分时间序列，在所述可模拟模态中确定预测模态，包括：
获取所述观测的主导模态和所述预测的主导模态之间的空间相关系数；
根据所述空间相关系数，确定可模拟模态；
根据所述时间相关系数，在所述可模拟模态中确定预测模态。
可选的，所述根据所述时间相关系数确定预测主成分时间序列，包括：
将大于预设相关系数的所述时间相关系数进行筛选，得到筛选后的时间相关系数；
获取与筛选后的所述时间相关系数一一对应的数值计算成员，得到计算成员组；
获取所述计算成员组在预设第二时间段的实时预测数据；
将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列。
可选的，所述将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列，包括：
采用预测主成分时间序列计算公式，将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列，其中，所述预测主成分时间序列计算公式包括：
式中，表示第z个所述预测主成分时间序列，/>表示第p个所述预测的主导模态，Y'jτ表示在预设第二时间段的所述实时预测数据。
可选的，在所述对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列之前，包括：
将预设第一时间段中每个数值计算成员的所述气候预测数据按照所述预设第一时间段的时间轴进行合并；
在所述获取所述观测的主成分时间序列与所述预测的主成分时间序列的时间相关系数，并根据所述时间相关系数确定预测主成分时间序列之前，包括：
将所述预测的主成分时间序列按照所述预设第一时间段的时间轴分解至不同所述数值计算成员上。
可选的，所述根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员，包括：
采用预测模态经验重构公式，根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员，其中，所述预测模态经验重构公式包括：
式中，Y″kjτ表示所述预测多数值计算成员，表示第m个所述预测模态，表示第m个所述预测主成分时间序列。
第二方面，本申请提供一种多数值计算成员生成装置，包括：
获取模块，用于获取预设第一时间段的气候观测数据和气候预测数据；
第一分解模块，用于对所述气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与所述观测的主导模态一一对应的观测的主成分时间序列；
第二分解模块，用于对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列；
预测模态确定模块，用于基于所述观测的主导模态和所述预测的主导模态，确定可模拟模态，并基于所述观测的主成分时间序列和所述预测的主成分时间序列，在所述可模拟模态中确定预测模态；
预测主成分时间序列确定模块，用于获取所述观测的主成分时间序列与所述预测的主成分时间序列的时间相关系数，并根据所述时间相关系数确定预测主成分时间序列；
生成模块，用于根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员。
可选的，所述装置还包括：
气候异常值处理模块，用于对所述气候观测数据进行气候异常值处理；
模式漂移偏差订正模块，用于对所述气候预测数据进行模式漂移偏差订正。
可选的，所述对所述气候观测数据进行气候异常值处理，包括：
所述气候异常值处理模块根据所述气候观测数据，获取观测参数，其中，所述观测参数包括观测时长、观测起始点、观测总数目、观测平均值和气候异常值处理时段，根据所述观测参数，采用观测气候平均态计算公式计算所述气候观测数据的气候平均态，将所述气候观测数据减去所述气候平均态，以对所述气候观测数据进行气候异常值处理，其中，所述观测气候平均态计算公式包括：
式中，τ表示所述观测时长，j表示所述观测起始点，表示在所述观测时长为τ时的气候观测数据的气候平均态，Xjτ表示所述观测平均值，year1到year2表示所述气候异常值处理时段，Nx表示自j为观测起始点从year1到year2的所述观测总数目。
可选的，所述对所述气候预测数据进行模式漂移偏差订正，包括：
所述模式漂移偏差订正模块根据所述气候预测数据，获取预测参数，其中，所述预测参数包括预测时长、预测起始点、预测总数目、预测平均值和偏差订正时段，根据所述预测参数，采用预测模式漂移偏差公式计算所述气候预测数据的漂移偏差，将所述气候预测数据减去所述漂移偏差，以对所述气候预测数据进行模式漂移偏差订正，其中，所述预测模式漂移偏差公式包括：
式中，τ表示所述预测时长，j表示所述预测起始点，表示在所述预测时长为τ时的气候预测数据的漂移偏差，{Y}jτ表示所述预测平均值，year1到year2表示所述偏差订正时段，Ny表示自j为预测起始点从year1到year2的所述预测总数目。
可选的，所述对所述气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与所述观测的主导模态一一对应的观测的主成分时间序列，包括：
所述第一分解模块采用第一经验正交函数分解公式对所述气候观测数据进行经验正交函数分解，得到z个观测的主导模态和z个观测的主成分时间序列，其中，z为正整数，所述第一经验正交函数分解公式包括：
式中，X'jτ表示所述气候观测数据，EOFX(z)表示第z个所述观测的主导模态，PCX(z)表示与第z个所述观测的主导模态对应的第z个所述观测的主成分时间序列。
可选的，所述对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列，包括：
所述第二分解模块采用第二经验正交函数分解公式对所述气候预测数据进行经验正交函数分解，得到z个主导模态和z个主成分时间序列，其中，所述第二经验正交函数分解公式包括：
式中，Y'jτ表示所述气候预测数据，EOFY(z)表示第z个所述预测的主导模态，PCY(z)表示与第z个所述预测的主导模态对应的第z个所述预测的主成分时间序列。
可选的，所述基于所述观测的主导模态和所述预测的主导模态，确定可模拟模态，并基于所述观测的主成分时间序列和所述预测的主成分时间序列，在所述可模拟模态中确定预测模态，包括：
所述预测模态确定模块获取所述观测的主导模态和所述预测的主导模态之间的空间相关系数，根据所述空间相关系数，确定可模拟模态，根据所述时间相关系数，在所述可模拟模态中确定预测模态。
可选的，所述根据所述时间相关系数确定预测主成分时间序列，包括：
所述预测主成分时间序列确定模块将大于预设相关系数的所述时间相关系数进行筛选，得到筛选后的时间相关系数，获取与筛选后的所述时间相关系数一一对应的数值计算成员，得到计算成员组，获取所述计算成员组在预设第二时间段的实时预测数据，将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列。
可选的，所述将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列，包括：
所述预测主成分时间序列确定模块采用预测主成分时间序列计算公式，将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列，其中，所述预测主成分时间序列计算公式包括：
式中，表示第z个所述预测主成分时间序列，/>表示第p个所述预测的主导模态，Y'jτ表示在预设第二时间段的所述实时预测数据。
可选的，在所述对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列之前，还包括：
合并模块，用于将预设第一时间段中每个数值计算成员的所述气候预测数据按照所述预设第一时间段的时间轴进行合并；
在所述获取所述观测的主成分时间序列与所述预测的主成分时间序列的时间相关系数，并根据所述时间相关系数确定预测主成分时间序列之前，包括：
分解模块，用于将所述预测的主成分时间序列按照所述预设第一时间段的时间轴分解至不同所述数值计算成员上。
可选的，所述根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员，包括：
所述生成模块采用预测模态经验重构公式，根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员，其中，所述预测模态经验重构公式包括：
式中，Y″kjτ表示所述预测多数值计算成员，表示第m个所述预测模态，表示第m个所述预测主成分时间序列。
第三方面，本申请提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的多数值计算成员生成方法。
通过上述技术方案，首先对气候观测数据进行经验正交函数分解，得到观测的主导模态和对应的观测的主成分时间序列，然后对气候预测数据进行经验正交函数分解，得到预测的主导模态和对应的预测的主成分时间序列，并基于观测的主导模态和预测的主导模态，确定可模拟模态，根据观测的主成分时间序列和预测的主成分时间序列，在可模拟模态中确定预测模态，为了生成预测多数值计算成员，需要获取观测的主成分时间序列和预测的主成分时间序列的时间相关系数，并根据时间相关系数确定预测主成分时间序列，即可根据预测模态和预测主成分时间序列生成预测多数值计算成员。相比传统的气候预测方法，本方案通过使用经验正交函数分解和相关系数分析，能够更好地捕捉冬季气候变化的复杂性和多样性，从而提高预测精度，使预测结果更加准确。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1示出了本申请实施例提供的一种多数值计算成员生成方法的整体流程图；
图2示出了本申请实施例提供的一种多数值计算成员生成装置的结构框图。
具体实施方式
以下结合附图对本申请实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。
本申请的说明书和权利要求书中的术语“第一”、“第二”、“观测的”、“预测的”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”、“观测的”、“预测的”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的多数值计算成员生成方法进行详细地说明。
本申请实施例公开一种多数值计算成员生成方法。
参照图1，一种多数值计算成员生成方法包括如下步骤：
S110、获取预设第一时间段的气候观测数据和气候预测数据。
本实施例中，第一时间段以年为单位，例如，可以选用1993年至2016年的时间段，除此之外，还可以选用其他时间段，在此不进行限制。
气候观测数据指通过预设气候开放数据库获取的逐月实时观测气候数据，气候观测数据可以为温度、降水等数据，第一时间段的气候观测数据可以为1993年至2016年之间逐月获取的实时观测数据。
气候预测数据指通过预设气候预测模型获取的气候数据，可以为温度、降水等数据，第一时间段的气候预测数据可以为1993年至2016年之间某个预设月份的预测数据，与气候观测数据不同的是，气候观测数据是连续的数据，而气候预测数据为不连续的数据。
S120、对气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与观测的主导模态一一对应的观测的主成分时间序列。
经验正交函数分解(Empirical Orthogonal Function Decomposition，EOF)是一种多变量数据分析方法，用于提取气候观测数据中的主要空间模态和时间模态，即获取气候观测数据在空间上的变化和每个观测的主导模态在时间上的变化。其中，本实施例中观测的主导模态为空间模态，观测的主成分时间序列为时间模态，且观测的主导模态与观测的主成分时间序列一一对应。
S130、对气候预测数据进行经验正交函数分解，得到多个预测的主导模态和与预测的主导模态一一对应的预测的主成分时间序列。
对气候预测数据进行经验正交函数分解，以获取气候预测数据中的主要空间模态和时间模态，即获取气候预测数据在空间上的变化和每个预测的主导模态在时间上的变化。其中，本实施例中预测的主导模态为空间模态，预测的主成分时间序列为时间模态，且预测的主导模态与预测的主成分时间序列一一对应。
S140、基于观测的主导模态和预测的主导模态，确定可模拟模态，并基于观测的主成分时间序列和预测的主成分时间序列，在可模拟模态中确定预测模态。
观测的主导模态用于表示气候观测数据的空间分布特征，预测的主导模态用于表示气候预测数据的空间分布特征，根据空间分布特征即可根据预设算法确定可模拟模态。具体的，可模拟模态指主要空间模态，用于模拟气候观测数据和气候预测数据的变化模式。
观测的主成分时间序列用于描述气候观测数据在时间上的变化的系数，预测的主成分时间序列用于描述气候预测数据在时间上的变化的系数。通过分析数据在时间上的变化规律和数据与主导模态的关系，可以根据预设算法在可模拟模态中确定具有预测能力的模态，即预测模态。
S150、获取观测的主成分时间序列与预测的主成分时间序列的时间相关系数，并根据时间相关系数确定预测主成分时间序列。
根据预设相关函数算法获取观测的主成分时间序列与预测的主成分时间序列的时间相关系数，根据时间相关系数，可以确定预测主成分时间序列。其中，预测主成分时间序列指根据时间相关系数，通过相关系数分析得到的用于预测未来数据变化的时间序列。
S160、根据预测模态和预测主成分时间序列，生成预测多数值计算成员。
在得到预测模态和预测主成分时间序列后，即可生成预测多数值计算成员，预测多数值计算成员用于预测未来气候数据变化。
本实施例中的预测多数值计算成员结合了气候观测数据，有效提高了预测多数值计算成员的预测精度。
本实施例首先对气候观测数据进行经验正交函数分解，得到观测的主导模态和对应的观测的主成分时间序列，然后对气候预测数据进行经验正交函数分解，得到预测的主导模态和对应的预测的主成分时间序列，并基于观测的主导模态和预测的主导模态，确定可模拟模态，根据观测的主成分时间序列和预测的主成分时间序列，在可模拟模态中确定预测模态，为了生成预测多数值计算成员，需要获取观测的主成分时间序列和预测的主成分时间序列的时间相关系数，并根据时间相关系数确定预测主成分时间序列，即可根据预测模态和预测主成分时间序列生成预测多数值计算成员。相比传统的气候预测方法，本方案通过使用经验正交函数分解和相关系数分析，能够更好地捕捉冬季气候变化的复杂性和多样性，从而提高预测精度，使预测结果更加准确。
在本实施例的其中一种实施方式中，多数值计算成员生成方法还包括如下步骤：
S210、对气候观测数据进行气候异常值处理。
气候观测数据包括日循环、年循环等气候平均态及叠加其上的天气尺度、次季节尺度、季节至年际尺度、年代际尺度和长期变化趋势等不同时间尺度气候变率。基于气候观测数据的分析，首先需要提取相较于气候平均态的气候异常值，以提取气候变率信号。
需要说明的是，对气候观测数据进行气候异常值处理的步骤在对气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与观测的主导模态一一对应的观测的主成分时间序列之前，即进行经验正交函数分解时的气候观测数据为进行气候异常值处理后的气候观测数据。
S220、对气候预测数据进行模式漂移偏差订正。
在气候预测中，由于数值模拟系统的不完善以及气候系统的复杂性，预测结果可能存在系统性误差，即模式漂移现象。模式漂移指的是模式预测结果与实际观测数据之间的偏差或差异及其演变的特征。
为了减小或消除模式漂移对预测结果的影响，需要对模式预测结果进行模式漂移偏差订正。模式漂移偏差订正是一种校正方法，用于修正预测结果中的系统性误差。
需要说明的是，对气候预测数据进行模式漂移偏差订正的步骤在对气候预测数据进行经验正交函数分解，得到多个预测的主导模态和与预测的主导模态一一对应的预测的主成分时间序列之前，即进行经验正交函数分解时的气候预测数据为进行模式漂移偏差订正后的气候预测数据。
本实施方式对气候观测数据和气候预测数据进行模式漂移偏差订正，用于提高数据的准确性、一致性和可比性，从而有效提高气候预测的可靠性和可信度。
在本实施例的其中一种实施方式中，对气候观测数据进行气候异常值处理，包括如下步骤：
S211、根据气候观测数据，获取观测参数，其中，观测参数包括观测时长、观测起始点、观测总数目、观测平均值和气候异常值处理时段。
S212、根据观测参数，采用观测气候平均态计算公式计算气候观测数据的气候平均态，其中，观测气候平均态计算公式包括：
式中，τ表示观测时长，j表示观测起始点，表示在观测时长为τ时的气候观测数据的气候平均态，Xjτ表示观测平均值，year1到year2表示气候异常值处理时段，Nx表示自j为观测起始点从year1到year2的观测总数目。
S213、将气候观测数据减去气候平均态，以对气候观测数据进行气候异常值处理。
本实施方式中，气候平均态指气候观测数据在一段时间内的系统性长期统计。在根据观测参数，采用观测气候平均态计算公式计算气候观测数据的气候平均态后，将气候观测数据减去气候平均态，即可以对气候观测数据进行气候异常值处理，用于提取气候观测数据的气候变率信号，使得不同时间段的气候观测数据具有可比性。
在本实施例的其中一种实施方式中，对气候预测数据进行模式漂移偏差订正，包括如下步骤：
S221、根据气候预测数据，获取预测参数，其中，预测参数包括预测时长、预测起始点、预测总数目、预测平均值和偏差订正时段。
S222、根据预测参数，采用预测模式漂移偏差公式计算气候预测数据的漂移偏差，其中，预测模式漂移偏差公式包括：
式中，τ表示预测时长，j表示预测起始点，表示在预测时长为τ时的气候预测数据的漂移偏差，{Y}jτ表示预测平均值，year1到year2表示偏差订正时段，Ny表示自j为预测起始点从year1到year2的预测总数目。
S223、将气候预测数据减去漂移偏差，以对气候预测数据进行模式漂移偏差订正。
本实施例中，漂移偏差指气候预测数据在一段时间内的系统性变化或偏离真实值的误差。在根据预测参数，采用预测模式漂移偏差公式计算气候预测数据的漂移偏差后，将气候预测数据减去漂移偏差，即可以对气候预测数据进行模式漂移偏差订正，用于减小或消除模式漂移对气候预测数据的影响，提高气候预测的准确性。
在本实施例的其中一种实施方式中，对气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与观测的主导模态一一对应的观测的主成分时间序列，包括如下步骤：
S121、采用第一经验正交函数分解公式对气候观测数据进行经验正交函数分解，得到z个观测的主导模态和z个观测的主成分时间序列，其中，z为正整数，第一经验正交函数分解公式包括：
式中，X'jτ表示气候观测数据，EOFX(z)表示第z个观测的主导模态，PCX(z)表示与第z个观测的主导模态对应的第z个观测的主成分时间序列。
本实施方式通过经验正交函数分解，得到观测的主导模态，用于展示气候观测数据在空间上的主要变化模式，即得到气候观测数据的空间变化特征；通过经验正交函数分解，得到观测的主成分时间序列，用于表示气候观测数据的主要时间变化模式，并展示气候观测数据在时间上的主要变化趋势，例如季节性变化、长期趋势等，即得到气候观测数据的时间变化特征；通过对气候观测数据进行正交函数分解，展示了气候观测数据中的主要空间和时间变化模式，有助于揭示气候观测数据的特征和趋势。
在本实施例的其中一种实施方式中，对气候预测数据进行经验正交函数分解，得到多个预测的主导模态和与预测的主导模态一一对应的预测的主成分时间序列，包括如下步骤：
S131、采用第二经验正交函数分解公式对气候预测数据进行经验正交函数分解，得到z个主导模态和z个主成分时间序列，其中，第二经验正交函数分解公式包括：
式中，Y'jτ表示气候预测数据，EOFY(z)表示第z个预测的主导模态，PCY(z)表示与第z个预测的主导模态对应的第z个预测的主成分时间序列。
本实施方式通过经验正交函数分解，得到预测的主导模态，用于展示气候预测数据在空间上的主要变化模式，即得到气候预测数据的空间变化特征；通过经验正交函数分解，得到预测的主成分时间序列，用于表示气候预测数据的主要时间变化模式，并展示气候预测数据在时间上的主要变化趋势，例如季节性变化、长期趋势等，即得到气候预测数据的时间变化特征；通过对气候预测数据进行正交函数分解，展示了气候预测数据中的主要空间和时间变化模式，有助于揭示气候预测数据的特征和趋势。
在本实施例的其中一种实施方式中，基于观测的主导模态和预测的主导模态，确定可模拟模态，并基于观测的主成分时间序列和预测的主成分时间序列，在可模拟模态中确定预测模态，包括如下步骤：
S141、获取观测的主导模态和预测的主导模态之间的空间相关系数。
本实施例采用预设相关系数算法获取观测的主导模态和预测的主导模态之间的空间相关系数，其中，空间相关系数用于衡量观测的主导模态和预测的主导模态之间的空间相似性或相关性。
S142、根据空间相关系数，确定可模拟模态。
可模拟模态是在所有主导模态中选择可以用模型进行模拟或重建的模态。通过分析空间相关系数，可以确定哪些主导模态是可模拟的，即可模拟模态。
S143、根据时间相关系数，在可模拟模态中确定预测模态。
根据时间相关系数，在可模拟模态中确定预测模态是通过分析观测的主导模态和预测的主导模态之间的时间相似性或相关性来选择用于预测的模态，其中，时间相关系数用于衡量观测的主导模态和预测的主导模态之间的时间变化的相似性或相关性。根据时间相关系数，可以确定哪些主导模态在时间上具有相似的变化趋势，即预测模态，从而可以用于预测未来的气候变化。
本实施方式通过获取观测的主导模态与预测的主导模态之间的空间相关系数，并根据空间相关系数确定可模拟模态、根据时间相关系数，在可模拟模态中确定预测模态，便于理解模态之间的关联程度和适用性，从而提高对气候系统的理解和预测能力。
在本实施例的其中一种实施方式中，根据时间相关系数确定预测主成分时间序列，包括如下步骤：
S151、将大于预设相关系数的时间相关系数进行筛选，得到筛选后的时间相关系数。
本实施例中，预设相关系数可以为0.5，即以相关系数大于0.5为标准筛选时间相关系数，表示时间相关系数对应的数值计算成员预测技巧较高。可以理解的是，预设相关系数可以根据实际需求设定，本申请对此不做限定。
S152、获取与筛选后的时间相关系数一一对应的数值计算成员，得到计算成员组。
本实施例中，与筛选后的时间相关系数一一对应的数值计算成员的数量不止一个，多个数值计算成员即构成计算成员组。
S153、获取计算成员组在预设第二时间段的实时预测数据。
本实施例中，第二时间段以年为单位，例如，可以选用2017年至今的时间段，除此之外，还可以选用其他时间段，在此不进行限制。
在预设第二时间段的实时预测数据可以为2017至今的时间段内计算成员组生成的实时预测数据。
S154、将在预设第二时间段的实时预测数据向预测的主导模态上投影，得到预测主成分时间序列。
通过投影，将在预设第二时间段的实时预测数据映射到预测的主导模态所在的空间，即可得到预测主成分时间序列。
本实施方式得到预测主成分时间序列，用于预测未来的气候变化。
在本实施例的其中一种实施方式中，将在预设第二时间段的实时预测数据向预测的主导模态上投影，得到预测主成分时间序列，包括如下步骤：
S1541、采用预测主成分时间序列计算公式，将在预设第二时间段的实时预测数据向预测的主导模态上投影，得到预测主成分时间序列，其中，预测主成分时间序列计算公式包括：
式中，表示第z个预测主成分时间序列，/>表示第p个预测的主导模态，Y'jτ表示在预设第二时间段的实时预测数据。/>
本实施方式利用投影方法得到不同数值计算成员中预测模态的时间演变，即预测主成分时间序列，以便于对不同预测模态进行择优选取。
在本实施例的其中一种实施方式中，在对气候预测数据进行经验正交函数分解，得到多个预测的主导模态和与预测的主导模态一一对应的预测的主成分时间序列之前，包括如下步骤：
S310、将预设第一时间段中每个数值计算成员的气候预测数据按照预设第一时间段的时间轴进行合并。
本实施例中，由于气候预测数据非连续性数据，为了提取气候预测数据中的预测模态，需要对气候预测数据按照预设第一时间段的时间轴进行合并。
将预设第一时间段中每个数值计算成员的气候预测数据按照预设第一时间段的时间轴进行合并的具体步骤如下：首先将预设第一时间段的气候预测数据逐年进行偏差订正，并将逐年订正后的气候预测数据进行合并，得到一个包括预设第一时间段的气候预测数据集，举例说明，假设预设第一时间段为1993年至2016年的时间段，其中，气候预测数据为1993年至2016年的时间段中每一年11月份的气候预测数据，则将1993年至2016年逐年订正后的气候预测数据合并，最终得到一个包括1993年至2016年气候预测数据集。
在将预设第一时间段中每个数值计算成员的气候预测数据按照预设第一时间段的时间轴进行合并后，即将合并后的气候预测数据集进行经验正交函数分解。
在获取观测的主成分时间序列与预测的主成分时间序列的时间相关系数，并根据时间相关系数确定预测主成分时间序列之前，包括如下步骤：
S312、将预测的主成分时间序列按照预设第一时间段的时间轴分解至不同数值计算成员上。
本实施例中，在对按照预设第一时间段的时间轴进行合并后的气候预测数据进行经验正交分解后，得到预测的主成分时间序列，需要将预测的主成分时间序列按照第一时间段的时间轴分解至不同数值计算成员上，以便于获取观测的主成分时间序列与预测的主成分时间序列的时间相关系数，并根据时间相关系数确定预测主成分时间序列。
本实施方式中首先按照预设第一时间段的时间轴合并气候预测数据，有助于研究气候预测数据对观测气候数据时间演变预测的可靠性，同时用于提取气候预测数据中的预测模态，并进一步利用预测模态对原始预测结果及初始气候预测数据进行订正，达到提升预测性能的目的；在将合并后的气候预测数据经验正交分解后的预测的主成分时间序列按照预设第一时间段的时间轴分解至不同数值成员上，以便于后续确定预测主成分时间序列。
在本实施例的其中一种实施方式中，根据预测模态和预测主成分时间序列，生成预测多数值计算成员，包括如下步骤：
S1110、采用预测模态经验重构公式，根据预测模态和预测主成分时间序列，生成预测多数值计算成员，其中，预测模态经验重构公式包括：
式中，Y″kjτ表示预测多数值计算成员，表示第m个预测模态，/>表示第m个预测主成分时间序列。
本实施方式根据预测模态和预测主成分时间序列，得到约束订正后的预测多数值计算成员，从而相比于现有的预测模型，预测精度更高，预测结果更加准确。
图2示出了本申请实施例提供的一种多数值计算成员生成装置的结构框图，在一个实施例中，如图2所示，本申请实施例还公开一种多数值计算成员生成装置，包括：
获取模块10，用于获取预设第一时间段的气候观测数据和气候预测数据；
第一分解模块20，用于对气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与观测的主导模态一一对应的观测的主成分时间序列；
第二分解模块30，用于对气候预测数据进行经验正交函数分解，得到多个预测的主导模态和与预测的主导模态一一对应的预测的主成分时间序列；
预测模态确定模块40，用于基于观测的主导模态和预测的主导模态，确定可模拟模态，并基于观测的主成分时间序列和预测的主成分时间序列，在可模拟模态中确定预测模态；
预测主成分时间序列确定模块50，用于获取观测的主成分时间序列与预测的主成分时间序列的时间相关系数，并根据时间相关系数确定预测主成分时间序列；
生成模块60，用于根据预测模态和预测主成分时间序列，生成预测多数值计算成员。
在本申请的实施例中，多数值计算成员生成装置还包括：
气候异常值处理模块，用于对气候观测数据进行气候异常值处理；
模式漂移偏差订正模块，用于对气候预测数据进行模式漂移偏差订正。
在本申请的实施例中，对气候观测数据进行气候异常值处理，包括：
气候异常值处理模块根据气候观测数据，获取观测参数，其中，观测参数包括观测时长、观测起始点、观测总数目、观测平均值和气候异常值处理时段，根据观测参数，采用观测气候平均态计算公式计算气候观测数据的气候平均态，将气候观测数据减去气候平均态，以对气候观测数据进行气候异常值处理，其中，观测气候平均态计算公式包括：
式中，τ表示观测时长，j表示观测起始点，表示在观测时长为τ时的气候观测数据的气候平均态，Xjτ表示观测平均值，year1到year2表示气候异常值处理时段，Nx表示自j为观测起始点从year1到year2的观测总数目。
在本申请的实施例中，对气候预测数据进行模式漂移偏差订正，包括：
模式漂移偏差订正模块根据气候预测数据，获取预测参数，其中，预测参数包括预测时长、预测起始点、预测总数目、预测平均值和偏差订正时段，根据预测参数，采用预测模式漂移偏差公式计算气候预测数据的漂移偏差，将气候预测数据减去漂移偏差，以对气候预测数据进行模式漂移偏差订正，其中，预测模式漂移偏差公式包括：
/>
式中，τ表示预测时长，j表示预测起始点，表示在预测时长为τ时的气候预测数据的漂移偏差，{Y}jτ表示预测平均值，year1到year2表示偏差订正时段，Ny表示自j为预测起始点从year1到year2的预测总数目。
在本申请的实施例中，对气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与观测的主导模态一一对应的观测的主成分时间序列，包括：
第一分解模块20采用第一经验正交函数分解公式对气候观测数据进行经验正交函数分解，得到z个观测的主导模态和z个观测的主成分时间序列，其中，z为正整数，第一经验正交函数分解公式包括：
式中，X'jτ表示气候观测数据，EOFX(z)表示第z个观测的主导模态，PCX(z)表示与第z个观测的主导模态对应的第z个观测的主成分时间序列。
在本申请的实施例中，对气候预测数据进行经验正交函数分解，得到多个预测的主导模态和与预测的主导模态一一对应的预测的主成分时间序列，包括：
第二分解模块30采用第二经验正交函数分解公式对气候预测数据进行经验正交函数分解，得到z个主导模态和z个主成分时间序列，其中，第二经验正交函数分解公式包括：
式中，Y'jτ表示气候预测数据，EOFY(z)表示第z个预测的主导模态，PCY(z)表示与第z个预测的主导模态对应的第z个预测的主成分时间序列。
在本申请的实施例中，基于观测的主导模态和预测的主导模态，确定可模拟模态，并基于观测的主成分时间序列和预测的主成分时间序列，在可模拟模态中确定预测模态，包括：
预测模态确定模块40获取观测的主导模态和预测的主导模态之间的空间相关系数，根据空间相关系数，确定可模拟模态，根据时间相关系数，在可模拟模态中确定预测模态。
在本申请的实施例中，根据时间相关系数确定预测主成分时间序列，包括：
预测主成分时间序列确定模块50将大于预设相关系数的时间相关系数进行筛选，得到筛选后的时间相关系数，获取与筛选后的时间相关系数一一对应的数值计算成员，得到计算成员组，获取计算成员组在预设第二时间段的实时预测数据，将在预设第二时间段的实时预测数据向预测的主导模态上投影，得到预测主成分时间序列。
在本申请的实施例中，将在预设第二时间段的实时预测数据向预测的主导模态上投影，得到预测主成分时间序列，包括：
预测主成分时间序列确定模块50采用预测主成分时间序列计算公式，将在预设第二时间段的实时预测数据向预测的主导模态上投影，得到预测主成分时间序列，其中，预测主成分时间序列计算公式包括：
/>
式中，表示第z个预测主成分时间序列，/>表示第p个预测的主导模态，Y'jτ表示在预设第二时间段的实时预测数据。
在本申请的实施例中，在对气候预测数据进行经验正交函数分解，得到多个预测的主导模态和与预测的主导模态一一对应的预测的主成分时间序列之前，还包括：
合并模块，用于将预设第一时间段中每个数值计算成员的气候预测数据按照预设第一时间段的时间轴进行合并；
在获取观测的主成分时间序列与预测的主成分时间序列的时间相关系数，并根据时间相关系数确定预测主成分时间序列之前，包括：
分解模块，用于将预测的主成分时间序列按照预设第一时间段的时间轴分解至不同数值计算成员上。
在本申请的实施例中，根据预测模态和预测主成分时间序列，生成预测多数值计算成员，包括：
生成模块60采用预测模态经验重构公式，根据预测模态和预测主成分时间序列，生成预测多数值计算成员，其中，预测模态经验重构公式包括：
式中，Y″kjτ表示预测多数值计算成员，表示第m个预测模态，/>表示第m个预测主成分时间序列。
所述多数值计算成员生成装置包括处理器和存储器，上述获取模块10、第一分解模块20、第二分解模块30、预测模态确定模块40、预测主成分时间序列确定模块50以及生成模块60等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元中实现相应的功能。
本文中的设备可以是服务器、PC、PAD、手机等。
处理器中包含内核，由内核磁存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高预测精度。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请实施例还公开一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的多数值计算成员生成方法。
其中，计算机程序可以存储于机器可读介质中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，机器可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等，需要说明的是，机器可读介质包括但不限于上述元器件。
其中，通过本机器可读存储介质，将上述实施例中的多数值计算成员生成方法存储于机器可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应用。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (23)

1.一种多数值计算成员生成方法，其特征在于，包括：
获取预设第一时间段的气候观测数据和气候预测数据；
对所述气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与所述观测的主导模态一一对应的观测的主成分时间序列；
对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列；
基于所述观测的主导模态和所述预测的主导模态，确定可模拟模态，并基于所述观测的主成分时间序列和所述预测的主成分时间序列，在所述可模拟模态中确定预测模态；
获取所述观测的主成分时间序列与所述预测的主成分时间序列的时间相关系数，并根据所述时间相关系数确定预测主成分时间序列；
根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员。
2.根据权利要求1所述的多数值计算成员生成方法，其特征在于，所述方法还包括：
对所述气候观测数据进行气候异常值处理；
对所述气候预测数据进行模式漂移偏差订正。
3.根据权利要求2所述的多数值计算成员生成方法，其特征在于，所述对所述气候观测数据进行气候异常值处理，包括：
根据所述气候观测数据，获取观测参数，其中，所述观测参数包括观测时长、观测起始点、观测总数目、观测平均值和气候异常值处理时段；
根据所述观测参数，采用观测气候平均态计算公式计算所述气候观测数据的气候平均态，其中，所述观测气候平均态计算公式包括：
式中，τ表示所述观测时长，j表示所述观测起始点，表示在所述观测时长为τ时的气候观测数据的气候平均态，Xjτ表示所述观测平均值，year1到year2表示所述气候异常值处理时段，Nx表示自j为观测起始点从year1到year2的所述观测总数目；
将所述气候观测数据减去所述气候平均态，以对所述气候观测数据进行气候异常值处理。
4.根据权利要求2所述的多数值计算成员生成方法，其特征在于，所述对所述气候预测数据进行模式漂移偏差订正，包括：
根据所述气候预测数据，获取预测参数，其中，所述预测参数包括预测时长、预测起始点、预测总数目、预测平均值和偏差订正时段；
根据所述预测参数，采用预测模式漂移偏差公式计算所述气候预测数据的漂移偏差，其中，所述预测模式漂移偏差公式包括：
式中，τ表示所述预测时长，j表示所述预测起始点，表示在所述预测时长为τ时的气候预测数据的漂移偏差，{Y}jτ表示所述预测平均值，year1到year2表示所述偏差订正时段，Ny表示自j为预测起始点从year1到year2的所述预测总数目；
将所述气候预测数据减去所述漂移偏差，以对所述气候预测数据进行模式漂移偏差订正。
5.根据权利要求1所述的多数值计算成员生成方法，其特征在于，所述对所述气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与所述观测的主导模态一一对应的观测的主成分时间序列，包括：
采用第一经验正交函数分解公式对所述气候观测数据进行经验正交函数分解，得到z个观测的主导模态和z个观测的主成分时间序列，其中，z为正整数，所述第一经验正交函数分解公式包括：
式中，X'jτ表示所述气候观测数据，EOFX(z)表示第z个所述观测的主导模态，PCX(z)表示与第z个所述观测的主导模态对应的第z个所述观测的主成分时间序列。
6.根据权利要求1所述的多数值计算成员生成方法，其特征在于，所述对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列，包括：
采用第二经验正交函数分解公式对所述气候预测数据进行经验正交函数分解，得到z个主导模态和z个主成分时间序列，其中，所述第二经验正交函数分解公式包括：
式中，Y'jτ表示所述气候预测数据，EOFY(z)表示第z个所述预测的主导模态，PCY(z)表示与第z个所述预测的主导模态对应的第z个所述预测的主成分时间序列。
7.根据权利要求1所述的多数值计算成员生成方法，其特征在于，所述基于所述观测的主导模态和所述预测的主导模态，确定可模拟模态，并基于所述观测的主成分时间序列和所述预测的主成分时间序列，在所述可模拟模态中确定预测模态，包括：
获取所述观测的主导模态和所述预测的主导模态之间的空间相关系数；
根据所述空间相关系数，确定可模拟模态；
根据所述时间相关系数，在所述可模拟模态中确定预测模态。
8.根据权利要求1所述的多数值计算成员生成方法，其特征在于，所述根据所述时间相关系数确定预测主成分时间序列，包括：
将大于预设相关系数的所述时间相关系数进行筛选，得到筛选后的时间相关系数；
获取与筛选后的所述时间相关系数一一对应的数值计算成员，得到计算成员组；
获取所述计算成员组在预设第二时间段的实时预测数据；
将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列。
9.根据权利要求8所述的多数值计算成员生成方法，其特征在于，所述将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列，包括：
采用预测主成分时间序列计算公式，将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列，其中，所述预测主成分时间序列计算公式包括：
式中，表示第z个所述预测主成分时间序列，/>表示第p个所述预测的主导模态，Y'jτ表示在预设第二时间段的所述实时预测数据。
10.根据权利要求1所述的多数值计算成员生成方法，其特征在于，在所述对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列之前，包括：
将预设第一时间段中每个数值计算成员的所述气候预测数据按照所述预设第一时间段的时间轴进行合并；
在所述获取所述观测的主成分时间序列与所述预测的主成分时间序列的时间相关系数，并根据所述时间相关系数确定预测主成分时间序列之前，包括：
将所述预测的主成分时间序列按照所述预设第一时间段的时间轴分解至不同所述数值计算成员上。
11.根据权利要求1所述的多数值计算成员生成方法，其特征在于，所述根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员，包括：
采用预测模态经验重构公式，根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员，其中，所述预测模态经验重构公式包括：
式中，Y”kjτ表示所述预测多数值计算成员，表示第m个所述预测模态，表示第m个所述预测主成分时间序列。
12.一种多数值计算成员生成装置，其特征在于，包括：
获取模块，用于获取预设第一时间段的气候观测数据和气候预测数据；
第一分解模块，用于对所述气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与所述观测的主导模态一一对应的观测的主成分时间序列；
第二分解模块，用于对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列；
预测模态确定模块，用于基于所述观测的主导模态和所述预测的主导模态，确定可模拟模态，并基于所述观测的主成分时间序列和所述预测的主成分时间序列，在所述可模拟模态中确定预测模态；
预测主成分时间序列确定模块，用于获取所述观测的主成分时间序列与所述预测的主成分时间序列的时间相关系数，并根据所述时间相关系数确定预测主成分时间序列；
生成模块，用于根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员。
13.根据权利要求12所述的多数值计算成员生成装置，其特征在于，还包括：
气候异常值处理模块，用于对所述气候观测数据进行气候异常值处理；
模式漂移偏差订正模块，用于对所述气候预测数据进行模式漂移偏差订正。
14.根据权利要求13所述的多数值计算成员生成装置，其特征在于，所述对所述气候观测数据进行气候异常值处理，包括：
所述气候异常值处理模块根据所述气候观测数据，获取观测参数，其中，所述观测参数包括观测时长、观测起始点、观测总数目、观测平均值和气候异常值处理时段，根据所述观测参数，采用观测气候平均态计算公式计算所述气候观测数据的气候平均态，将所述气候观测数据减去所述气候平均态，以对所述气候观测数据进行气候异常值处理，其中，所述观测气候平均态计算公式包括：
式中，τ表示所述观测时长，j表示所述观测起始点，表示在所述观测时长为τ时的气候观测数据的气候平均态，Xjτ表示所述观测平均值，year1到year2表示所述气候异常值处理时段，Nx表示自j为观测起始点从year1到year2的所述观测总数目。
15.根据权利要求13所述的多数值计算成员生成装置，其特征在于，所述对所述气候预测数据进行模式漂移偏差订正，包括：
所述模式漂移偏差订正模块根据所述气候预测数据，获取预测参数，其中，所述预测参数包括预测时长、预测起始点、预测总数目、预测平均值和偏差订正时段，根据所述预测参数，采用预测模式漂移偏差公式计算所述气候预测数据的漂移偏差，将所述气候预测数据减去所述漂移偏差，以对所述气候预测数据进行模式漂移偏差订正，其中，所述预测模式漂移偏差公式包括：
式中，τ表示所述预测时长，j表示所述预测起始点，表示在所述预测时长为τ时的气候预测数据的漂移偏差，{Y}jτ表示所述预测平均值，year1到year2表示所述偏差订正时段，Ny表示自j为预测起始点从year1到year2的所述预测总数目。
16.根据权利要求12所述的多数值计算成员生成装置，其特征在于，所述对所述气候观测数据进行经验正交函数分解，得到多个观测的主导模态和与所述观测的主导模态一一对应的观测的主成分时间序列，包括：
所述第一分解模块采用第一经验正交函数分解公式对所述气候观测数据进行经验正交函数分解，得到z个观测的主导模态和z个观测的主成分时间序列，其中，z为正整数，所述第一经验正交函数分解公式包括：
式中，X'jτ表示所述气候观测数据，EOFX(z)表示第z个所述观测的主导模态，PCX(z)表示与第z个所述观测的主导模态对应的第z个所述观测的主成分时间序列。
17.根据权利要求12所述的多数值计算成员生成装置，其特征在于，所述对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列，包括：
所述第二分解模块采用第二经验正交函数分解公式对所述气候预测数据进行经验正交函数分解，得到z个主导模态和z个主成分时间序列，其中，所述第二经验正交函数分解公式包括：
式中，Y'jτ表示所述气候预测数据，EOFY(z)表示第z个所述预测的主导模态，PCY(z)表示与第z个所述预测的主导模态对应的第z个所述预测的主成分时间序列。
18.根据权利要求12所述的多数值计算成员生成装置，其特征在于，所述基于所述观测的主导模态和所述预测的主导模态，确定可模拟模态，并基于所述观测的主成分时间序列和所述预测的主成分时间序列，在所述可模拟模态中确定预测模态，包括：
所述预测模态确定模块获取所述观测的主导模态和所述预测的主导模态之间的空间相关系数，根据所述空间相关系数，确定可模拟模态，根据所述时间相关系数，在所述可模拟模态中确定预测模态。
19.根据权利要求12所述的多数值计算成员生成装置，其特征在于，所述根据所述时间相关系数确定预测主成分时间序列，包括：
所述预测主成分时间序列确定模块将大于预设相关系数的所述时间相关系数进行筛选，得到筛选后的时间相关系数，获取与筛选后的所述时间相关系数一一对应的数值计算成员，得到计算成员组，获取所述计算成员组在预设第二时间段的实时预测数据，将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列。
20.根据权利要求19所述的多数值计算成员生成装置，其特征在于，所述将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列，包括：
所述预测主成分时间序列确定模块采用预测主成分时间序列计算公式，将在预设第二时间段的所述实时预测数据向所述预测的主导模态上投影，得到预测主成分时间序列，其中，所述预测主成分时间序列计算公式包括：
式中，表示第z个所述预测主成分时间序列，/>表示第p个所述预测的主导模态，Y'jτ表示在预设第二时间段的所述实时预测数据。
21.根据权利要求12所述的多数值计算成员生成装置，其特征在于，在所述对所述气候预测数据进行所述经验正交函数分解，得到多个预测的主导模态和与所述预测的主导模态一一对应的预测的主成分时间序列之前，还包括：
合并模块，用于将预设第一时间段中每个数值计算成员的所述气候预测数据按照所述预设第一时间段的时间轴进行合并；
在所述获取所述观测的主成分时间序列与所述预测的主成分时间序列的时间相关系数，并根据所述时间相关系数确定预测主成分时间序列之前，包括：
分解模块，用于将所述预测的主成分时间序列按照所述预设第一时间段的时间轴分解至不同所述数值计算成员上。
22.根据权利要求12所述的多数值计算成员生成装置，其特征在于，所述根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员，包括：
所述生成模块采用预测模态经验重构公式，根据所述预测模态和所述预测主成分时间序列，生成预测多数值计算成员，其中，所述预测模态经验重构公式包括：
式中，Y”kjτ表示所述预测多数值计算成员，表示第m个所述预测模态，表示第m个所述预测主成分时间序列。
23.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行根据权利要求1至11中任一项所述的多数值计算成员生成方法。
CN202311507281.5A 2023-11-13 2023-11-13 多数值计算成员生成方法、装置及存储介质 Pending CN117406309A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311507281.5A CN117406309A (zh) 2023-11-13 2023-11-13 多数值计算成员生成方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311507281.5A CN117406309A (zh) 2023-11-13 2023-11-13 多数值计算成员生成方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN117406309A true CN117406309A (zh) 2024-01-16

Family

ID=89487033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311507281.5A Pending CN117406309A (zh) 2023-11-13 2023-11-13 多数值计算成员生成方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117406309A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117932560A (zh) * 2024-03-20 2024-04-26 南京大学 基于南北半球年代际模态的人工智能年代际气候预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117932560A (zh) * 2024-03-20 2024-04-26 南京大学 基于南北半球年代际模态的人工智能年代际气候预测方法

Similar Documents

Publication Publication Date Title
US20180038994A1 (en) Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset
US20090024427A1 (en) Analyzing time series data that exhibits seasonal effects
Hay et al. Estimating the sources of global sea level rise with data assimilation techniques
CN117406309A (zh) 多数值计算成员生成方法、装置及存储介质
Sharkey et al. A Bayesian spatial hierarchical model for extreme precipitation in Great Britain
US20210081805A1 (en) Model learning apparatus, model learning method, and program
JP2009225550A (ja) 電力の需要予測処理方法及び装置、並びに発電予測処理方法
Tyralis et al. On the prediction of persistent processes using the output of deterministic models
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
WO2021051035A1 (en) Spatio-temporal probabilistic forecasting of wind power output
CN113033861A (zh) 一种基于时间序列模型的水质预测方法及系统
CN114498619A (zh) 一种风电功率预测方法及装置
CN112651784A (zh) 一种用于门店销售计划的智能分解方法及系统
Serpell et al. Probabilistic forecasting using monte carlo dropout neural networks
Breitenbach et al. On a method for detecting periods and repeating patterns in time series data with autocorrelation and function approximation
Hyndman et al. Monash electricity forecasting model
KR101409316B1 (ko) 다중모델 확률예측 시스템 및 방법
CN115794369A (zh) 内存占用数值的预测方法及装置、存储介质、终端
Zechner et al. Recursive Bayesian estimation of stochastic rate constants from heterogeneous cell populations
CN116954627A (zh) 游戏产品的参数预测方法、装置、设备、介质及程序产品
JP2023169066A (ja) 時系列データを解析し、予測値を求めるための方法、プログラムおよびプログラムを記録した記憶媒体
Muschinski et al. Predicting power ramps from joint distributions of future wind speeds
Eisenhauer The approximate solution of finite‐horizon discrete‐choice dynamic programming models
CN113962495A (zh) 一种风电场功率预测方法、装置及电子设备
CN112732777A (zh) 基于时间序列的头寸预测方法、装置、设备和介质

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