[发明专利]一种基于全连接神经网络日最高气温的预报方法

权利要求书

1.一种基于全连接神经网络日最高气温的预报方法，其特征在于：所述预报方法包括：

步骤1、对观测资料数据和数值预报数据进行预处理；

步骤2、将完成预处理的数据划分为训练集、验证集和测试集，并分别对训练集、验证集和测试集上的特征和目标执行数据进行归一化处理；

步骤3、构建结合嵌入层的全连接神经网络模型，并对模型的超参数进行设置以及对模型进行训练；

步骤4、对训练结束的模型进行评估，并通过模型对最高气温进行预测。

2.根据权利要求1所述的一种基于全连接神经网络日最高气温的预报方法，其特征在于：所述对观测资料数据和数值预报数据进行预处理包括以下内容：

S11、对观测数据进行数据清洗并生成目标文件：剔除错误或者缺测的站点，挑选出具有完整时间序列的站点最高气温观测资料，创建目标数据集；

S12、读取并转换历史数值模式数据格式：读取数值预报模式GRIB格式数据，将地面层预报数据和高空层预报数据统一水平分辨率，对时间维度上少量的预报缺失值通过线性插补的方法进行插补，将历史数值预报数据以nc格式输出；

S13、计算数值模式高空组合数据：基于数值模式高空层数据，通过计算公式计算涡度平流，通过计算公式计算温度平流，其中，v代表风速，是等压面上的拉普拉斯算子，ζ是相对涡度，f是行星涡度，T为温度；

S14、将数值模式网格点上的数据插值到气象站站点上：采用双线性插值法将数值模式格点上的地面数据、高空数据和高空组合数据插值到地面气象站站点上，将插值后的数值模式数据与目标数据以一个文件输出；

S15、构建模型输入特征：根据预报经验，选出地面层及高空层与日最高气温预报相关的预报因子，并通过相关分析法和互信息值法挑选出与预报量相关的预报因子作为模型特征。

3.根据权利要求2所述的一种基于全连接神经网络日最高气温的预报方法，其特征在于：所述通过相关分析法和互信息值法挑选出与预报量相关的预报因子作为模型特征包括：

相关分析法：通过相关系数公式选择出与目标相关系数大于0.3，且达到0.05显著性水平的因子，其中，X是观测值，代表目标，Y是预报值，代表特征，cov(X，Y)为X，Y的协方差，σ_X是X的标准差，μ_X是X的期望E(X)；

互信息值法：通过计算目标与特征间的互信息值，度量特征与目标间的非线性相关性，设置两个随机变量(X，Y)的联合分布为p(x，y)，边缘分布分别为p(x)，p(y)，互信息I(X；Y)是联合分布p(x，y)与边缘分布p(x)，p(y)的相对熵，互信息值表示为

选择时间滞后变量为滞后N天与N+i天的最高气温观测数据，并选择辅助变量以在数据集中标识不同站点以及样本的时间信息，完成创建特征数据集。

4.根据权利要求3所述的一种基于全连接神经网络日最高气温的预报方法，其特征在于：所述辅助变量包括季节、月份、气象站站点编号、站点经度、站点纬度和站点海拔；并且将辅助变量中的站点经度、站点纬度和站点海拔作为数值型变量，将辅助变量中的气象站站点编号、季节和月份作为分类变量。

5.根据权利要求4所述的一种基于全连接神经网络日最高气温的预报方法，其特征在于：构建的结合嵌入层的全连接神经网络模型包括输入层、嵌入层、连接层、隐藏层和输出层；所述输入层中包括标签编码和独热编码，分类变量中的气象站站点编号和月份输入到标签编码中，分类变量中的季节输入到独热编码中；所述嵌入层用于处理由输入层中标签编码传递的分类变量；连接层用于连接经由嵌入层处理后的特征、独热编码处理后的特征和其它特征；隐藏层由多个神经元组成，以进行特征提取和学习；最后经由输出层输出。