基于符号回归的大风预报订正方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115906984A(43)申请公布日2023.04.04(21)申请号202211524535.X(22)申请日2022.11.30(71)申请人成都信息工程大学地址610000四川省成都市西南航空港经济开发区学府路1段24号(72)发明人杨昊刘旭周航杨康权文武杨武霖(74)专利代理机构北京天奇智新知识产权代理有限公司11340专利代理师许驰(51)Int.Cl.G06N3/08(2023.01)G01W1/10(2006.01)权利要求书1页说明书5页附图3页(54)发明名称基于符号回归的大风预报订正方法(57)摘要本发明公开了基于符号回归的大风预报订正方法，涉及天气领域，包括S1获取多个城市的天气特征作为数据集，S2对数据集进行预处理，将每个特征缩放到0‑1之间，S3构建符号回归神经网络，S4预处理后的数据集分为训练集和验证集；S5训练集导入符号回归神经网络进行训练优化，得到订正方程；S6、获取需要订正的天气特征导入订正方程，完成订正；基于符号回归的方法能同基于统计的订正方法一样，能够找出数据的规律，展示输入特征与风要素的关系。同时，基于符号回归的方法没有人为因素的干扰，不会因为误判或者经验不起作用而导致误差变大，具有有效的抑制同质区域噪声，对强弱目标点能很好的保持，边缘保持清晰，消除边缘划痕以及块效应的优点。CN115906984ACN115906984A权利要求书1/1页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FxC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cmn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gi＝Wihi‑1、hi＝f(gi)，其中Wi为第i层的权矩阵，h0＝x为输入数据，输出层使用线性激活函数，符号回归神经网络权重矩阵的函数为其中，L为EQL网络的层数，Lq对矩阵的作用为j,k表示为权重矩阵W中的元素，ω为某一权值，q表示为Lq范数的正则化表达式，范数是表示长度的函数。4.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两层的EQL网络。5.根据权利要求3所述的基于符号回归的大风预报订正方法，其特征在于，在S5中，q＝0.5,则正则化表达式为其中a为阈值，RMSProp算法的历史梯度表示为r←ρr+(1‑ρ)g⊙g，其中，r是初始梯度累计变量，ρ是衰减速率，g为计算梯度，采用RMSProp算法优化后的损失LEQL表示为订正方程表示为其中y为订正前的值，为订正值，λ取值为1或0，符号回归神经网络处于训练优化过程时，λ取值为1，符号回归神经网络处于验证过程时，λ取值为0。2CN115906984A说明书1/5页基于符号回归的大风预报订正方法技术领域[0001]本发明涉及天气领域，尤其涉及一种基于符号回归的大风预报订正方法。背景技术[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