基于符号回归的大风预报订正方法技术

本发明专利技术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

【技术实现步骤摘要】
基于符号回归的大风预报订正方法


[0001]本专利技术涉及天气领域，尤其涉及一种基于符号回归的大风预报订正方法。

技术介绍

[0002]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。
[0003]现有技术方案:
[0004]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。
[0005]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。
[0006]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。

技术实现思路

[0007]本专利技术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。
[0008]本专利技术通过以下技术方案来实现上述目的：
[0009]基于符号回归的大风预报订正方法，包括：
[0010]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；
[0011]S2、对数据集进行预处理，将每个特征缩放到0
‑
1之间；
[0012]S3、构建符号回归神经网络；
[0013]S4、预处理后的数据集分为训练集和验证集；
[0014]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；
[0015]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。
[0016]本专利技术的有益效果在于：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。
附图说明
[0017]图1是本专利技术基于符号回归的大风预报订正方法的流程示意图；
[0018]图2是本专利技术两层EQL网络的示意图；
[0019]图3是本专利技术四个特征值通过EQL网络获得风速方程式；
[0020]图4是本专利技术四个特征值通过EQL网络获得风速方程式；
[0021]其中相应的附图标记为：
[0022]其中图4中的(a)为L
0.5
平滑前正则化表达式L
0.5
对权值w的影响图，(b)为L
0.5
平滑后正则化表达式对权值w的影响图。
具体实施方式
[0023]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0024]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0026]在本专利技术的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该专利技术产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0027]此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0028]在本专利技术的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述
术语在本专利技术中的具体含义。
[0029]下面结合附图，对本专利技术的具体实施方式进行详细说明。
[0030]如图1所示，基于符号回归的大风预报订正方法，包括：
[0031]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；
[0032]S2、采用公式对数据集进行预处理，将每个特征缩放到0
‑
1之间，其中c
mn
表示的是列向量，m是第m个特征，n是第n个城市；
[0033]S3、构建符号回归神经网络，符号回归神经网络包括两层的EQL网络和输出层依次连接，输出层使用线性激活函数，一层的EQL网络从输入到输出依次包括一个三维卷积层和一个全连接层，EQL网络第i层表示为g
i
＝W
i
h
i
‑1、h
i
＝f(g
i
)，其中W
i
为第i层的权矩阵，h0＝x为输入数据，符号回归神经网络权重矩阵的函数为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于符号回归的大风预报订正方法，其特征在于，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。2.根据权利要求1所述的基于符号回归的大风预报订正方法，其特征在于，在S2中，采用公式将每个特征缩放到0
‑
1之间，其中c
mn
表示的是列向量，m是第m个特征，n是第n个城市。3.根据权利要求1所述的基于符号回归的大风预报订正方法，其特征在于，符号回归神经网络为多层的EQL网络和输出层依次连接，网络第i层表示为g
i
＝W
i
h
...

【专利技术属性】
技术研发人员：杨昊，刘旭，周航，杨康权，文武，杨武霖，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：