一种降雨预测方法及装置与流程

本发明涉及降雨预报技术领域，特别涉及一种降雨预测方法及装置。

背景技术：

短时临近强降雨是指在局部范围内较短时间降水强度比较大，其降雨量达到或超过某一标准的常见天气现象。在全球气候异常增多的背景下，加上城市化进程加速的共同作用，城市“雨岛效应”和“热岛效应”越来越明显，短时临近降雨事件发生的频率和强度存在不断增大的可能，近年来全国各地短时强降水导致城市积涝成灾的情况屡见报到，城市内涝问题越来越严重，除了城市本身规划设计上排水管网系统的不足外，另外一个很重要的原因就是城市短时强降雨发生的概率和强度越来越大，极端降雨事件频发，雨强记录被不断刷新，城市内涝对社会经济发展和人民生产生活都造成了严重影响。

无论国外还是国内，特别是对于地处华南的深圳来说，短时降雨临近预报存在着很大的不确定性，造成预报不准确的因素很多，亚热带海岸带地区短时临近降水时空分布的局部差异性是引起降水预报误差的重要原因之一，在深圳经常出现整个市区范围出现多种不同的天气状况，如罗湖区出现短时强降水，但是南山区却天空晴朗。以深圳市气象台数据为例，深圳市气象台从2007年起发布气象灾害分区预警，2012年起逐时动态更新发布各分区天气预报。根据现有的研究，目前深圳市短时降雨预测的准确率普遍都比较低，其中第1小时的准确率略高，具备一定的使用价值，往后第2小时、第3小时的准确率下降很明显，使用价值有待提高。因此，准确预测地面未来某一时刻降雨发生的概率和降水量峰值出现的时间点显得非常重要。

传统的临近预报方法主要是基于卫星云图和雷达回波进行外推，这也是比较常规的临近预报技术，也是当前气象预报中天气雷达系统和强天气预警业务的基本组成部分。随着数值预报技术的发展，各种表征热力、动力的物理量被引入并应用到短时临近降雨的分析预测中，建立了各种短时降雨预测模型。但数值预报技术的不足在于计算量巨大，精度取决于初始的输入条件。也有采用机器学习的方法，但是需要大量的样本进行训练。而且对于降雨预报而言，训练样本越多，引入的无关信息就越多，预报的效果并不好。在数值模式临近预报技术还不成熟的情况下，专家系统基本代表了当今国际上临近预报业务的主流发展，北京奥运会期间利用专家系统实施了针对强对流天气的诊断预警和临近预报。

技术实现要素：

本发明提供了一种降雨预测方法及装置，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本发明提供了如下技术方案：

一种降雨预测方法，包括：

步骤a：设置时间尺度间隔以及预测延迟时间，并基于时间尺度间隔对应的气象数据建立多时间尺度SVM降雨错位预测模型；

步骤b：计算模型参数gamma值和参数C值，输入SVM降雨错位预测模型，得到预测延迟时间对应的降雨量预测结果；

步骤c：根据所述降雨量预测结果计算降雨概率。

本发明实施例采取的技术方案还包括：在所述步骤a中，所述建立SVM降雨错位预测模型的建模公式为：

Y_t-1＝R*(X_t-1)

X_t-1＝[x_t-h-d,x_t-h-d+1,…,x_t-d-1]^T

Y_t-1＝[y_t-h,y_t-h+1,…,y_t-1]^T

Y_t＝R*(x_t-d)

在上述公式中，X_t-1，Y_t-1为训练样本，R*为根据训练样本所建立的模型，t为待预测时刻，h为训练样本的时间尺度间隔，d为预测延迟时间，y_t、x_t-d分别为降雨预测值、待预测降雨的输入。

本发明实施例采取的技术方案还包括：所述步骤a还包括：在所述步骤b中，所输入的气象数据包括每个自动站的风速、温度、气压和湿度。

本发明实施例采取的技术方案还包括：在所述步骤b中，所述模型参数gamma值和参数C值的计算方式具体为：通过交叉验证确定参数gamma值和参数C值，交叉验证的评价标准为TS评分，选出TS评分最高的参数gamma值和参数C值作为最终的合适参数。

本发明实施例采取的技术方案还包括：在所述步骤c中，所述降雨概率计算公式为：

在上述公式中，y_t是模型降雨量预测结果，当y_t＞0时，P(y_t)＞50％，反之，P(y_t)≦50％；即：

本发明实施例采取的另一技术方案为：一种降雨预测装置，包括模型建立模块、模型训练模块和降雨预测模块；所述模型建立模块用于设置时间尺度间隔以及预测延迟时间，并基于时间尺度间隔对应的气象数据建立多时间尺度SVM降雨错位预测模型；所述模型训练模块用于计算模型参数gamma值和参数C值，输入SVM降雨错位预测模型，得到预测延迟时间对应的降雨量预测结果；所述降雨预测模块用于根据所述降雨量预测结果计算降雨概率。

本发明实施例采取的技术方案还包括：所述模型建立模块建立SVM降雨错位预测模型的建模公式为：

Y_t-1＝R*(X_t-1)

X_t-1＝[x_t-h-d,x_t-h-d+1,…,x_t-d-1]^T

Y_t-1＝[y_t-h,y_t-h+1,…,y_t-1]^T

Y_t＝R*(x_t-d)

在上述公式中，X_t-1，Y_t-1为训练样本，R*为根据训练样本所建立的模型，t为待预测时刻，h为训练样本的时间尺度间隔，d为预测延迟时间，y_t、x_t-d分别为降雨预测值、待预测降雨的输入。

本发明实施例采取的技术方案还包括：所述模型训练模块所输入的气象数据包括每个自动站的风速、温度、气压和湿度。

本发明实施例采取的技术方案还包括：所述模型训练模块计算模型参数gamma值和参数C值的计算方式具体为：通过交叉验证确定参数gamma值和参数C值，交叉验证的评价标准为TS评分，选出TS评分最高的参数gamma值和参数C值作为最终的合适参数。

本发明实施例采取的技术方案还包括：所述降雨预测模块的降雨概率计算公式为：

在上述公式中，y_t是模型降雨量预测结果，当y_t＞0时，P(y_t)＞50％，反之，P(y_t)≦50％；即：

相对于现有技术，本发明实施例产生的有益效果在于：本发明实施例的降雨预测方法及装置通过利用气象数据建立SVM降雨错位预测模型，通过交叉验证确定模型参数gamma值和参数C值，从而获得最佳的降雨量预测结果，并根据降雨量预测结果计算最终的降雨概率。相对于现有技术，本发明实施例能够较好的反映更精细化的未来降雨趋势，具备一定的实用价值，在降雨时间点上具有较好的准确率和吻合度。本发明利用最基本的气象要素数据，具有更好的扩展性，能够适应更多气象要素数据的训练和预测。

附图说明

图1是本发明实施例的降雨预测方法的流程图；

图2是本发明实施例的SVM降雨错位预测模型示意图；

图3是本发明实施例的降雨预测装置的结构示意图；

图4为时间尺度3小时SVM未来1小时预测降雨与真实降雨对比图(“西丽”自动站2014年2月-2014年6月降雨)；

图5为时间尺度3小时SVM未来2小时预测降雨与真实降雨对比图(“西丽”自动站2014年2月-2014年6月雨季降雨)；

图6为时间尺度3小时SVM未来1小时预测降雨与真实降雨对比图(“西丽”自动站2014年4月6日11时起三天内)；

图7为时间尺度3小时SVM未来2小时预测降雨与真实降雨对比图(“西丽”自动站2014年4月6日11时起三天内)；

图8为时间尺度3小时SVM降雨错位预测模型未来1小时降雨预测的整体准确率示意图；

图9为时间尺度为3小时SVM降雨预测TS评分结果示意图；

图10为不同站点的时间尺度为6小时的SVM降雨预测TS评分结果示意图；

图11为时间尺度为12小时的SVM降雨预测TS评分结果示意图；

图12为时间尺度为24小时SVM降雨预测TS评分结果示意图；

图13为时间尺度为48小时SVM降雨预测TS评分结果示意图；

图14为时间尺度为72小时SVM降雨预测TS评分结果示意图；

图15为不同时间尺度SVM降雨预测TS评分均值；

图16为不同时间尺度SVM降雨预测TS评分标准差。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

请参阅图1，是本发明实施例的降雨预测方法的流程图。本发明实施例的降雨预测方法包括以下步骤：

步骤100：设置时间尺度间隔以及预测延迟时间，并基于时间尺度间隔对应的气象数据建立多时间尺度SVM降雨错位预测模型；

在步骤100中，本发明是以当前时刻为界，用当前时刻之前一定时间的气象数据来做训练SVM降雨错位预测模型，通过训练出的SVM降雨错位预测模型来预测未来一定时间的降雨量。当前时刻之前的一定时间即“时间尺度间隔”，预测的未来一定时间即“预测延迟时间”，多时间尺度是指可以设置多个时间尺度间隔。时间尺度间隔以及预测延迟时间可根据实际应用进行设定，本发明实施例中的时间尺度间隔分别设置为：3h、6h、8h、12h、24h、48h、72h，表示用3h、6h、8h、12h、24h、48h、72h内的自动站气象数据预测后续降雨。预测延迟时间分别设置为：0h、1h、2h、3h、4h、5h，表示预测未来0h、1h、2h、3h、4h、5h的降雨量。

针对SVM(支持向量机，Support Vector Machine)处理小样本的特点和优势，建立SVM降雨错位预测模型处理多个自动站的气象数据，模型的输入参数包括每个自动站的风速、温度、气压、湿度等气象数据，以及参数gamma值和参数C值等，在本发明其他实施例中，模型输入参数还可以包括其他气象数据。对于每一时刻的降雨概率预测和雨量峰值时间点预测，考虑到降雨错位预测模型在时间序列上与临近的前一时间段的气象条件相关性更大。虽然离预测时间点更远的历史数据中也包含了一定的未来降雨信息，但是该信息也体现在了离预测时间点比较近的气象数据中，因此使用较小间隔的多时间尺度SVM处理临近气象数据也能在一定程度上反映降雨时间序列的变化。

具体地，SVM降雨错位预测模型的建模方式如下：

Y_t-1＝R*(X_t-1) (1)

X_t-1＝[x_t-h-d,x_t-h-d+1,…,x_t-d-1]^T (2)

Y_t-1＝[y_t-h,y_t-h+1,…,y_t-1]^T (3)

Y_t＝R*(x_t-d) (4)

在上述公式中，X_t-1，Y_t-1为训练样本，R*为根据训练样本所建立的模型，t为待预测时刻，h为训练样本的容量(时间尺度间隔)，d为预测延迟时间，y_t，x_t-d分别为降雨预测值、待预测降雨的输入。

步骤200：利用交叉验证计算模型参数gamma值和参数C值，并将模型参数gamma值和参数C值输入SVM降雨错位预测模型，得到预测延迟时间对应的降雨量预测结果；

在步骤200中，在SVM方法的使用过程中，通过交叉验证确定参数gamma值和参数C值，交叉验证的评价标准为TS评分，选出TS评分最高的模型参数为最终的合适参数输入到模型中，从而获得最佳的降雨量预测结果。具体如图2所示，是本发明实施例的SVM降雨错位预测模型示意图。在本发明实施例中，最佳的参数gamma值为：0.1，最佳的参数C值为：1x10³。

在建模、预测的检验过程中，本发明实施例使用2013年1月–2015年9月时间段内的每小时观测资料作为样本数据，除了孖洲岛站点的样本容量比较小外，单个自动站站点的样本大小≥20000，共计≥20000个时刻，大多数站点的样本容量足够大，因此模型具有一定的稳定性。

步骤300：根据降雨量预测结果计算最终的降雨概率；

在步骤300中，通过如下公式计算降雨概率：

在公式(5)中，y_t是模型降雨量预测结果；可知，当y_t＞0时，P(y_t)＞50％，反之，P(y_t)≦50％。则最终的降雨概率如下：

请参阅图3，是本发明实施例的降雨预测装置的结构示意图。本发明实施例的降雨预测装置包括模型建立模块、模型训练模块和降雨预测模块；

模型建立模块用于设置时间尺度间隔以及预测延迟时间，并基于时间尺度间隔对应的气象数据建立多时间尺度SVM降雨错位预测模型；其中，本发明是以当前时刻为界，用当前时刻之前一定时间的气象数据来做训练SVM降雨错位预测模型，通过训练出的SVM降雨错位预测模型来预测未来一定时间的降雨量。当前时刻之前的一定时间即“时间尺度间隔”，预测的未来一定时间即“预测延迟时间”，多时间尺度是指可以设置多个时间尺度间隔。时间尺度间隔以及预测延迟时间可根据实际应用进行设定，本发明实施例中的时间尺度间隔分别设置为：3h、6h、8h、12h、24h、48h、72h，表示用3h、6h、8h、12h、24h、48h、72h内的自动站气象数据预测后续降雨。预测延迟时间分别设置为：0h、1h、2h、3h、4h、5h，表示预测未来0h、1h、2h、3h、4h、5h的降雨量。针对SVM处理小样本的特点和优势，建立SVM降雨错位预测模型处理多个自动站的气象数据，模型的输入参数包括每个自动站的风速、温度、气压、湿度等气象数据，以及参数gamma值和参数C值等，在本发明其他实施例中，模型输入参数还可以包括其他气象数据。对于每一时刻的降雨概率预测和雨量峰值时间点预测，考虑到降雨错位预测模型在时间序列上与临近的前一时间段的气象条件相关性更大。虽然离预测时间点更远的历史数据中也包含了一定的未来降雨信息，但是该信息也体现在了离预测时间点比较近的气象数据中，因此使用较小间隔的多时间尺度SVM处理临近气象数据也能在一定程度上反映降雨时间序列的变化。

具体地，SVM降雨错位预测模型的建模公式如下：

Y_t-1＝R*(X_t-1) (1)

X_t-1＝[x_t-h-d,x_t-h-d+1,…,x_t-d-1]^T (2)

Y_t-1＝[y_t-h,y_t-h+1,…,y_t-1]^T (3)

Y_t＝R*(x_t-d) (4)

在上述公式中，X_t-1，Y_t-1为训练样本，R*为根据训练样本所建立的模型，t为待预测时刻，h为训练样本的容量(时间尺度间隔)，d为预测延迟时间，y_t，x_t-d分别为降雨预测值、待预测降雨的输入。

模型训练模块用于利用交叉验证计算模型参数gamma值和参数C值，并将模型参数gamma值和参数C值输入SVM降雨错位预测模型，得到预测延迟时间对应的降雨量预测结果；其中，在SVM方法的使用过程中，通过交叉验证确定参数gamma值和参数C值，交叉验证的评价标准为TS评分，选出TS评分最高的模型参数为最终的合适参数输入到模型中，从而获得最佳的降雨量预测结果。在本发明实施例中，最佳的参数gamma值为：0.1，最佳的参数C值为：1x10³。

在建模、预测的检验过程中，本发明实施例使用2013年1月–2015年9月时间段内的每小时观测资料作为样本数据，除了孖洲岛站点的样本容量比较小外，单个自动站站点的样本大小≥20000，共计≥20000个时刻，大多数站点的样本容量足够大，因此模型具有一定的稳定性。

降雨预测模块用于根据降雨量预测结果计算最终的降雨概率；其中，通过如下公式计算降雨概率：

在公式(5)中，y_t是模型降雨量预测结果；可知，当y_t＞0时，P(y_t)＞50％，反之，P(y_t)≦50％。则最终的降雨概率如下：

为了证明本发明的切实可行，通过深圳市全部44个气象自动站点的历史气象数据对以上实施例进行检验。根据气象预报中短期天气预报质量检验办法，有两种降水检验方法，有无降水的检验和针对某量级降水的检验，本发明实施例中采用有无降水的检验办法，降水预报检验分类见表1。

表1降水预报检验分类表

对于每个自动站的降雨检验和预报质量，常用TS评分方法，TS评分的计算公式如下：

在上述公式中，NA_k为预报正确站(次)数、NB_k为空报站(-次)数、NC_k为漏报站(次)数，见表1，TS_k为数值预报的TS评分，FOM为漏报率，FAR为空报率。

降水概率准确率比较：

本发明实施例中选取了“西丽”自动站时间尺度为3小时SVM降雨预测与真实降雨对比图，如图4、图5、图6和图7所示，图4为时间尺度3小时SVM未来1小时预测降雨与真实降雨对比图(“西丽”自动站2014年2月-2014年6月降雨)，图5为时间尺度3小时SVM未来2小时预测降雨与真实降雨对比图(“西丽”自动站2014年2月-2014年6月雨季降雨)，图6为时间尺度3小时SVM未来1小时预测降雨与真实降雨对比图(“西丽”自动站2014年4月6日11时起三天内)，图7为时间尺度3小时SVM未来2小时预测降雨与真实降雨对比图(“西丽”自动站2014年4月6日11时起三天内)。从“西丽”自动站2013年1月–2015年9月的降雨时间序列来看，降雨主要集中每年的春季、夏季，在这个时间段内，降雨的密度和强度都比较大，对于是否降雨和降雨时间点的预测，时间尺度为3小时的SVM降雨错位预测模型都给出了较好的预测结果。特别是该预测结果基于自动站的气象数据，且各自动站的地理分布位置不一样，由于深圳的气候特征，每个自动站所处位置的气象条件和降雨情况都存在明显的差异，而常规的气象预报往往针对的是深圳全市范围内的天气变化(如降雨)，难以做到小尺度、精细化的降雨预报，因此本发明实施例的预测结果能够较好的反映更精细化的未来降雨趋势，为自动站周边范围内的社会经济生活提供气象保障，具备一定的实用价值。而且从图4、图5、图6和图7可以看出，不论是预测未来1小时，还是未来2小时的降雨预测，SVM降雨错位预测模型在降雨时间点上表现出了较好的准确率和吻合度。

图8为时间尺度3小时SVM降雨错位预测模型未来1小时降雨预测的整体准确率示意图。其计算基于整个样本空间，表示各站点预测准确的降雨和预测准确的无降雨时刻总数与样本容量的比值，可以明显看出各站点的整体预测准确率都比较好，除“海山”站点外，不论是当前时刻的预测，还是未来1小时到未来5小时的降雨预测，大多数站点的整体预测准确率都在90％以上，且不同预测时刻的准确率相差不大，“石龙仔”站点的整体预测率在94％以上。其中“海山”站点的整体预测效果比较差。根据分析，部分站点的数据质量不够好，这影响到了模型的预测结果。因此，好的数据质量是提高模型预测准确率的良好保证。

降水预测结果TS检验

表2给出了本发明实施例所采用的时间尺度为3小时的预测结果的TS评分值，从2013年1月–2015年9月的时间段内，时间分辨率为1h，针对每小时的气象条件(风速、温度、湿度、气压)建模进行降雨预测。针对不同的预报时刻要求(当前、1小时、2小时、3小时、4小时、5小时)，计算预测结果的TS评分值。

表2时间尺度为3小时的短时临近降雨概率预测TS评分值

总得来说，各站点的TS评分相对比较高，预测效果良好，不同站点的预测结果也不一样，可能特定位置站点的降雨受其他因素的影响也不一样，且不难看出，当预测时间后延时，TS评分有所降低。

所有站点的各预测时段的TS评分值如图9所示，图9为时间尺度为3小时SVM降雨预测TS评分结果示意图。在图9中，可以看到不同站点的时间尺度为3小时SVM降雨错位预测模型的TS评分结果，明显各站点的TS评分中，根据前3小时的气象数据对当前时刻降雨预测的TS评分最高，也就是降雨准确率最高。这也说明了与前3小时的气象数据越近的时间点，其降雨与前3小时的气象条件相关性越大。在44个气象自动站中，“农园”自动站的TS评分最高，当前时刻的降雨预测TS评分接近50％，“深圳机场南”自动站的TS评分最低，当前时刻的降雨预测也有40％以上。随着预测时间点的后延，TS评分不断降低，也就是短时降雨预测的准确率有所下降，由图可知，在时间尺度为3小时的SVM降雨预测中，即使预测时间点为后延5小时，TS评分也可以达到35％以上，SVM降雨错位预测模型的预测结果并没有出现TS评分(预测准确率)迅速降低的情况，即模型对于后延5小时以内的降雨也具有一定的预测价值。同时，在图9中可以看到除了当前时刻的降雨预测外，其他时刻的降雨预测TS评分非常接近，差异并不大，因此说明本发明实施例的SVM降雨错位预测模型具有一定的稳定性。

图10为不同站点的时间尺度为6小时的SVM降雨预测TS评分结果示意图，与图9进行比较，可以明显看到当气象数据训练样本的时间尺度为间隔为6小时时，TS评分相比3小时的模型预测有所下降，即使是对当前时刻的降雨预测，TS评分也只有40％左右。且其他预测时刻的TS评分随着时间的后延逐渐降低，未来5小时的降雨预测TS评分最低，大多数站点未来5小时降雨预测的TS评分都只能达到30％左右。

图11为时间尺度为12小时的SVM降雨预测TS评分结果示意图。相比图9和图10出现了较大幅度的下降，TS评分下降幅度约为8％，可以看出即使是对当前时刻的降雨预测，时间尺度为12小时SVM的TS评分也只有33％左右。而对未来其他时刻的降雨预测则表现出了更低的TS评分，预测准确率下降明显。同样，图12为时间尺度为24小时SVM降雨预测TS评分结果示意图、图13为时间尺度为48小时SVM降雨预测TS评分结果示意图、图14为时间尺度为72小时SVM降雨预测TS评分结果示意图。可以发现，随着时间尺度间隔的增大，降雨预测TS评分不断降低，预测的准确率也逐步降低，当时间尺度为72小时时，当前时刻的降雨预测TS评分只有20％左右，已经远远低于时间尺度为3小时SVM降雨预测的TS评分结果，且其他时刻的降雨预测TS评分也只有15％左右。该TS评分水平的降雨预测准确率已经比较低，在短时降雨预测中已经不具有了实际应用价值。

根据图9—图14的TS评分结果可以看出，针对SVM小样本处理的特点，时间尺度间隔越大，也就是训练样本的容量越大，模型预测的TS评分越低，反过来，时间尺度间隔越小，即训练样本的容量越小，模型预测的TS评分越高。另外，也说明某一时刻的降雨与其临近的历史气象条件相关性更大，当历史时刻的气象条件与降雨发生的时间点相距较远时(如72小时)，该气象条件所包含的未来较远时刻的降雨信息比较有限，难以有效地对未来较远时刻的降雨预测提供出有价值的参考，也可以说未来时刻的临近历史数据中已经包含了气象条件发生变化的信息，该信息对未来降雨的预测更有价值。因此，由图可知，时间尺度间隔为3小时时，训练后的SVM降雨错位预测模型预测结果的TS评分最高，不管是预测未来1小时、2小时还是5小时，TS评分均接近或超过40％，具有较大的实用价值和现实意义。

模型的稳定性

模型的稳定性决定了模型能否持续有效地进行预测。本发明实施例计算多个时间尺度多个站点的TS平均值和标准差，用于描述模型的稳定性。多个站点的均值越接近，标准差越小，表明模型给出的预测结果越稳定。

图15为不同时间尺度SVM降雨预测TS评分均值，从图中的统计可以看出，时间尺度为3小时时的降雨预测TS评分均值最高，其当前时刻的降雨预测TS评分均值超过40％，未来1小时的降雨预测TS评分均值接近40％，未来2小时到未来5小时的TS评分均值也都接近40％，这反映了各个站点的降雨预测TS评分的总体集中趋势。由图还可以看出，时间尺度为6小时时的降雨预测TS评分均值有所降低，且随着预测延迟时间的增大，下降幅度也在增大，当预测延迟时间为0小时(即当前时刻)时，所有站点TS评分均值下降到38％，而当预测延迟时间为5小时时，所有站点TS评分均值下降到30％左右。其次，时间尺度为8小时、12小时、24小时、48小时、72小时时的降雨预测TS评分均值都呈现出了随着时间尺度和预测延迟时间的增大而逐步降低的趋势，这表明随着降雨错位预测模型的训练样本增大，模型中引入了较多的与未来降雨无关的气象因素，增加了模型的复杂度和不确定性。

图16为不同时间尺度SVM降雨预测TS评分标准差，TS评分标准差表达了所有站点降雨预测TS评分偏离均值的程度，时间尺度为3小时、6小时、8小时、12小时、24小时、48小时、72小时时不同预测延迟时间的TS评分标准差均比较小，只有0.015左右。通过该图的统计分析可以进一步看出，TS评分标准差反映了所有站点TS评分结果的离散程度，是该TS评分结果相对于TS评分均值的不确定性的一种测量，较小的标准差，代表大多数站点降雨预测的TS评分结果都比较接近整体平均值，而由图15可知，整体TS评分平均值最好可达40％以上，而TS评分结果标准差较小为好，这样代表比较稳定，也表示不同站点的TS评分结果的数值波动比较小，反之，则波动较大。

由此可知，本发明实施例的降雨预测方法及装置建立的模型稳定性较好，不受站点位置和环境的影响，对于不同地理位置、地理社会环境不同的所有自动站点的降雨均表现出了较好的预测效果，同时对于所有站点未来不同预测延迟时间的降雨也表现出了较好的预测效果，特别是时间尺度为3小时的SVM降雨预测，效果最好。

本发明实施例的降雨预测方法及装置通过利用气象数据建立SVM降雨错位预测模型，通过交叉验证确定模型参数gamma值和参数C值，从而获得最佳的降雨量预测结果，并根据降雨量预测结果计算最终的降雨概率。相对于现有技术，本发明实施例能够较好的反映更精细化的未来降雨趋势，具备一定的实用价值，在降雨时间点上具有较好的准确率和吻合度。本发明利用最基本的气象要素数据，具有更好的扩展性，能够适应更多气象要素数据的训练和预测。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。