(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 202211248299.3 (22)申请日 2022.10.12 (71)申请人 中国气象科 学研究院 地址 100089 北京市海淀区中关村南大街 46号 (72)发明人 赵琳娜　卢姝　 (74)专利代理 机构 北京天奇智新知识产权代理 有限公司 1 1340 专利代理师 肖会 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于全连接神经网络日最高气温的预 报方法 (57)摘要 本发明涉及一种基于全连接神经网络日最 高气温的预报方法， 所述预报方法包括： S1、 对观 测资料数据和数值预报数据进行预处理； S2、 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； S3、 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； S4、 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。 本发明选择了时间滞后变量， 同时为了能 在数据集中标识不同站点以及样 本的时间信息， 设计了辅助变量， 并针对站点编号和月份这两个 分类， 设计了嵌入层， 避免了分季节和分区域建 模。 权利要求书2页 说明书6页 附图3页 CN 115526413 A 2022.12.27 CN 115526413 A 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， σX是X的标准差， μX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， 其特征在权　利　要　求　书 1/2 页 2 CN 115526413 A 2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。 6.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 模型的超参数进行设置以及对 模型进行训练包括： 将嵌入层中的嵌入向量维度设置为8， 隐藏层层数设置为1层， 隐藏层中的神经元个数 为64， 激活函数设置为ReLU， 输出层神经 元个数为1个， 激活函数为 Linear； 设置损失函数为平均绝对误差， 通过该正则化方法 以防止模型过拟合， 设定模型迭代 时期数为50次， 如果训练中验证误差连续3次不降反增， 则停止训练， 模型训练完， 然后将模 型应用至验证集， 计算验证集上的模型误差， 通过比较验证集来进 行超参数选择， 以获得最 佳模型， 并保存 验证集上表现效果 最佳的模型。 7.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 预测包括： 加载已经保存好的训练结束的模型， 将步骤S2中的测试集中特征数据输入到模型中输 出日最高气温预测值， 通过对比模型输出的预测值与实际观测值对模型独立于训练集外的 预报性能进行评估； 当有新的数据样本进行 日最高气温预测时， 将新的数据样本根据步骤S1进行数据 预处 理后将处 理好的数据输入 模型中即可 得到最高气温的预测值。权　利　要　求　书 2/2 页 3 CN 115526413 A 3