(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211145330.0 (22)申请日 2022.09.20 (71)申请人 贵州省气象台 （贵州省气象决策服 务中心） 地址 550002 贵州省贵阳市南明区新 华路 翠微巷9号 (72)发明人 朱育雷　杨静　李智玉　朱文达　 魏涛　李彦霖　顾天红　 (74)专利代理 机构 北京众合诚成知识产权代理 有限公司 1 1246 专利代理师 刘妮 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01W 1/10(2006.01) (54)发明名称 基于动态权 重集成的温度预报订 正方法 (57)摘要 本发明提供基于动态权重集成的温度预报 订正方法， 包括步骤1.获得地面实况温度数据和 模式预报温度数据， 步骤2.数据预处理， 步骤3. 神经网络订正， 采用多种神经网络对CMA ‑GD预报 产品2m温度进行订正。 进一步是， 采用 BP神经网 络、 遗传算法优化的BP神经网络、 广义回归神经 网络、 小波神经网络、 长短期记忆网络等方法对 CMA‑GD模式的2m温度预报产品进行订正。 步骤 4. 动态权重集成， 步骤5.获得最终订正温度。 本发 明基于CMA ‑GD模式直接输 出的2m温度预报产品， 通过多种神经网络对模式温度预报进行偏差校 正， 并采用动态权重方案对订正结果进行优势集 成， 形成一套本地化客观温度预报订正产品， 为 温度预报提供有力的参考指导， 进一步提升本地 温度预报质量。 权利要求书2页 说明书10页 附图14页 CN 115496279 A 2022.12.20 CN 115496279 A 1.基于动态权 重集成的温度预报订 正方法， 其特 征在于,包括： 步骤1.获得地 面实况温度数据和模式预报温度数据 步骤2.数据预处 理 在温度订 正之前， 首 先需要对数据进行 预处理 步骤3.神经网络订 正 采用多种神经网络对CMA ‑GD预报产品2m温度进行订正， 进一步是， 采用BP神经网络、 遗 传算法优化的BP神经网络、 广义回归神经网络、 小波神经网络、 长短期记忆网络的方法对 CMA‑GD模式的2m温度预报产品进行订 正； 步骤4.动态权 重集成 集成预报是应用数学模型对同一预报对象的多种预报工具或成员的预报结果进行综 合集成， 从而得到统一预报值的一种方法， 公式如下， 假设有n个预报结果， 分别为F1， F2，……， Fn， 每个预报结果对应的权 重系数分别为C1， C2，……， Cn， 那么集成预报值E表示 为： 式中， 各预报结果的权重系数满足 动态权重集成预报则为随预报时间推移 而动态调整权 重的集成预报方法； 步骤5.获得最终订 正温度。 2.根据权利要求1所述的基于动态权重集成的温度预报订正方法， 其特征在于， 步骤2 具体是将 每日地面实况和模式预报数据偏离三倍中位数绝对偏差的值标记为离群值， 当连 续3小时出现离群值或缺 失值时剔除该日样本， 缺失样本少于3小时则采用线性插值进行补 全。 3.根据权利要求1所述的基于动态权重集成的温度预报订正方法， 其特征在于， 步骤3 还包括， 神经网络训练样本时间的长短对训练结果的影响至关重要， 因此有必要针对不同 时间段确定神经网络的训练样本参数， 考虑到温度的连续性， 并在短期时段内具有稳定趋 势， 因此选用过去N1天数值模式逐小时预报温度以及对应实况温度作为神经网络训练样 本， 根据训练好的神经网络对当日预报数据进行订正， 其中BP、 BP_GA、 GRNN、 WAVENN神经网 络训练时长参数N 1选取一致， LSTM神经网络与前面神经网络有较大差别， 因此将过去N天的 训练样本设N2以示区别， LSTM神经网络输入场还涉及过去一段时间的逐小 时实况数据,设 为N3小时； 针对训练样本过去N1、 N2、 N3天的选择， 采用枚举法对各神经网络的参数进行调试,在 对预报准确率和平均绝对误差以及计算效率的综合考量下， 将N 1、 N2和N3值分别取为30天、 10天和24小时； 考虑到温度具有连续性， 所选样本要能正确反映当前时段内模式预报温度和实况温度 的内在规律， 如果训练样本的时长选择过长， 与当前时段的预报结果相距较远， 反而会对当 前时段的训练结果产生 一定的干扰。 4.根据权利要求1所述的基于动态权重集成的温度预报订正方法， 其特征在于， 步骤4 还包括， 通过步骤3多种神经网络消除模式系统误差后， 采用动态权重方案对订正结果进 行 优势集成， 逐小时集成 温度表示 为：权　利　要　求　书 1/2 页 2 CN 115496279 A 2式中， i表示各预报结果的顺序， 取值为1,2， ……， 6， 分别表示模式预报、 BP、 BP_GA、 GRNN、 WAVENN、 LSTM， j表示预报时效， 取值为0,1， ……， 72， Ej为第j小时预报时效各预报结 果的权重系数， 由不同预报时效模式预报温度和各神经网络订正结果与对应实况温度的历 史检验评估结果加以确定， 计算公式如下： 式中， MAEij为历史检验评估样本中第j小时预报时效各预报结果与对应实况温度的 MAE。 5.根据权利要求1所述的基于动态权重集成的温度预报订正方法， 其特征在于， 步骤4 之后还包括检验， 具体是通过平均绝对误差进行检验； 平均绝对误差是所有单个观测值与算术平均值偏差绝对值的平均， 它能够避免误差相 互抵消的问题， 因而准确反映实际预测误差的大小， 其 函数表达式为： 式中， Fi为第i站预报温度， Oi为第i站实况温度。 6.根据权利要求1或5所述的基于动态权重集成的温度预报订正方法， 其特征在于， 步 骤4之后还 包括对比， 具体是通过 预报预报准确率进行判断； 以预报绝对误差≤2℃作为预报正确的标准， 则温度预报准确率表示为温度预报绝对 误差≤2℃的百分比， 函数表达式为： 式中， K＝2， 分别表示|Fi‑Oi|≤2℃， NrK为预报正确的站数， NfK为预报的总站数。权　利　要　求　书 2/2 页 3 CN 115496279 A 3