[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

说明书

本发明涉及一种基于数据融合和混合卷积的单站逐时气温预报方法，属于气象预报领域。本发明选择重要单站气象观测要素，获得单站历史观测序列；提取多要素预报数据，获得数值预报时空序列；数据归一化；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；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处理，生成两种数据的时间特征信息；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；使用该模型进行气温预测。本发明搭建的时间序列预测模型提升稳定性和预报准确率，该方法适用于单站72‑120小时的逐时气温预测。

技术领域

本发明属于气象预报领域，具体涉及一种基于数据融合和混合卷积的单站逐时气温预报方法。

背景技术

气象站点的数据资料代表历史或者当前的气象要素变化，可以用来预测该站点的大气情况，但是很难获得大气非线性变化曲线特征。数值天气预报旨在模拟大气预测过程，提供未来的天气状态。但是，数值预报是基于离散数值计算的，其结果往往是有误差的网格数据，难以获得准确的局地天气预测，加之山地局部天气情况复杂多变，给预报带来了挑战。因此可以利用数值预报资料和历史资料融合，充分发挥各自优势，进行站点大气预测。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何提供一种基于数据融合和混合卷积的单站逐时气温预报方法，以解决数值预报是基于离散数值计算的，其结果往往是有误差的网格数据，难以获得准确的局地天气预测，加之山地局部天气情况复杂多变，给预报带来了挑战的问题。

(二)技术方案

为了解决上述技术问题，本发明提出一种基于数据融合和混合卷积的单站逐时气温预报方法，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。

(三)有益效果

本发明提出一种基于数据融合和混合卷积的单站逐时气温预报方法，本发明提出了一种基于数据融合和混合卷积的方法MCNN(Mixed convolution neural network)，搭建的时间序列预测模型，能够有效地利用单站历史数据和数值预报数据进行逐时气温预测，提升稳定性和预报准确率。该方法适用于单站72-120小时的逐时气温预测。

附图说明

图1为本发明的三维卷积模型的结构(CNN)；

图2为本发明的交互卷积模块(ICM)的结构；