[发明专利]一种基于数据融合和混合卷积的单站逐时气温预报方法

权利要求书

1.一种基于数据融合和混合卷积的单站逐时气温预报方法，其特征在于，该方法包括如下步骤：

S1、数据预处理：

S11、选择重要单站气象观测要素，获得单站历史观测序列；

S12、提取多要素预报数据，获得数值预报时空序列；

S13、数据归一化；

S2、三维卷积特征提取：

构造一个三维卷积模块，输入归一化之后的数值预报时空序列，最终生产包含空间特征的时间序列；

S3、交互式学习模型ICM：

构建交互式学习模型ICM，对单站历史观测序列和三维卷积提取的时间序列，分别使用一维卷积滤波器cnn1d提取时间序列的局部相关性，建立分层结构提取不同时间尺度的序列，生成两种数据的时间特征信息；

S4、混合卷积网络模型MCNN：

构建MCNN网络模型，融合S3中得出的两个分支时间特征信息，经过再一次交互式学习和全连接形成预测结果；对MCNN网络模型进行训练；

S5、结果预测：

根据训练好的MCNN网络模型，使用站点最新观测数据和数值模式预报数据，经过预处理，导入模型，输出72-120小时逐时气温预测数据。

2.如权利要求1所述的基于数据融合和混合卷积的单站逐时气温预报方法，其特征在于，所述步骤S11具体包括：选取气象观测要素，获得单站历史观测序列S：

其中L是时间序列长度，N是要素数，采用随机森林的方法针对温度要素，通过对其他各个要素分别添加噪声来确定该要素重要性，损失越大，添加噪声的要素越关键。

3.如权利要求2所述的基于数据融合和混合卷积的单站逐时气温预报方法，其特征在于，所述步骤S12具体包括：将欧洲细网格数据以本站为中心进行数值模式预报数据提取，得到时序表示的空间数据，数据空间范围为5°，精度为0.125°，时间间隔为3或6小时，选取气象要素，形成预报数据集，其数据集记录表示为数值预报时空序列P：

其中L′表示时间序列的长度，N′表示气象要素的个数，W×H表示空间网格大小。

4.如权利要求3所述的基于数据融合和混合卷积的单站逐时气温预报方法，其特征在于，所述步骤S13具体包括：采用零均值归一化方法，对S11和S12中两类数据进行归一化，

S′＝(S-S_m)/S_s (3)

P′＝(P-P_m)/P_s (4)

其中S′和P′为归一化之后的值，S和P是归一化之前的值，S_m为S的均值，S_s为S的标准差，P_m为P的均值，P_s为P的标准差。

5.如权利要求4所述的基于数据融合和混合卷积的单站逐时气温预报方法，其特征在于，所述步骤S21具体包括：构造了一个三维卷积模块CNN，包括：空间卷积、下采样、激活函数和全连接，该卷积模块输入为归一化之后的数值预报时空序列P′，使用多层卷积操作，在时间序列上的网格数据中提取特征，下采样后使用LeakyRelu激活，最后通过全连接层将输出扩展为一维信息，输出包含空间特征信息的时间序列P₁。

6.如权利要求5所述的基于数据融合和混合卷积的单站逐时气温预报方法，其特征在于，所述三维卷积模块CNN网络选取81×81的网格，包括：三维空间卷积层Conv3d(5,32,3)，将通道数提升为32；三维空间卷积层Conv3d(32,64,3)，将通道数提升为64；第一空间下采样层MaxPool3d(3)，将网格长宽均缩小3倍；三维空间卷积层Conv3d(64,32,3)，将通道数降低为32；三维空间卷积层Conv3d(32,16,3)，将通道数降低为16；第二空间下采样层MaxPool3d(3)，将网格长宽再次缩小3倍；三维空间卷积层Conv3d(16,4,3)，将通道数降低为4；三维空间卷积层Conv3d(4,1,3)，将通道数降低为1；第一激活函数层LeakyRelu()；第一全连接层Linear()；第二激活函数层LeakyRelu()；以及第二全连接层Linear()。