基于大数据和分析场的气象预报方法及系统与流程

本发明涉及气象预报技术领域，特别是涉及一种基于大数据和分析场的气象预报方法及系统。

背景技术：

天气变化与人们的生产活动、社会活动、军事活动以及日常生活都有着十分密切的关系。一直以来，人们总是想方设法去预测未来的天气变化，以利用有利的天气，同时提前预防不利天气带来的气象灾害。

传统技术中，人们预测天气采用数值预测的方法，数值预测的原理为：通过天气图或者卫星云图获取气象图像，并在一定的初值和边值条件下，利用大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。上述的数值预测方法是基于数学模型进行模式推导的，误差较大。

技术实现要素：

基于此，有必要提供一种预测较为准确的气象预报方法。

此外，还提供一种预测较为准确的气象预报系统。

一种气象预报方法，包括：

获取预报区域的最近设定时长内的气象分析场序列；所述最近设定时长内的气象分析场序列为：从当前时刻往前设定时长内的气象分析场序列；

将所述最近气象分析场序列输入所述预报区域的深度神经网络进行深度学习，得到所述预报区域的深度神经网络的输出；

将所述输出作为预报区域的自当前时刻开始的预报时长内的预报场序列。

在其中一个实施例中，还包括对所述预报区域的深度神经网络进行训练的步骤：

初始化一个具有输入层、预设层数个中间层以及输出层的深度神经网络；所述预设层数小于设定时长内的气象分析场序列中的气象分析场的数量；

获取预报区域当前时刻预报时长之前的第一气象分析场序列和紧随所述第一气象分析场序列之后的预报时长内的第二气象分析场序列，其中所述第一气象分析场序列为任一符合预设条件的设定时长内的气象分析场序列；

将所述第一气象分析场序列和第二气象分析场序列作为深度神经网络的输入和输出，对深度神经网络进行训练；

获取多个第一气象分析场序列和对应的第二气象分析场序列，根据上述训练方法对所述深度神经网络进行重复训练；

将训练完成的深度神经网络，作为所述预报区域的深度神经网络。

在其中一个实施例中，在将所述第一气象分析场序列输入到输入层、第二气象分析场序列输入到输出层之后，还包括步骤：

在所述第一气象分析场序列中选取预设层数数量的气象分析场；

获取所述预设层数个气象分析场对应的时间点，将所述时间点中离当前时刻最远的第k个时间点之后预报时长内的气象分析场序列输入所述深度神经网络的第k个中间层，其中，k是从1到预设层数的自然数。

在其中一个实施例中，还包括：

获取当前时刻预报时长之前最近的符合预设条件的设定时长内的第三气象分析场序列及紧随的预报时长内的第四气象分析场序列；

所述深度神经网络完成训练的条件为：

将第三气象分析场序列输入深度神经网络获得输出结果与对应的第四气象分析场序列之间的对比误差不大于停止阈值。

在其中一个实施例中，还包括：

获取所述预报区域；

确定所述预报时长；

若所述气象分析场存在，则直接获取所述气象分析场，否则将所述气象分析场所在时刻的在分析场作为所述分析场。

在其中一个实施例中，所述预设条件为无条件或季节条件。

在其中一个实施例中，用于训练的数据存储在历史气象大数据中。

一种气象预报系统，包括：

分析场获取模块，用于获取预报区域的最近设定时长内的气象分析场序列；所述最近设定时长内的气象分析场序列为：从当前时刻往前设定时长内的气象分析场序列；

预报模块，用于将所述最近气象分析场序列输入所述预报区域的深度神经网络进行深度学习，得到所述预报区域的深度神经网络的输出；将所述输出作为预报区域的自当前时刻开始的预报时长内的预报场序列。

在其中一个实施例中，还包括对所述预报区域的深度神经网络进行训练的训练模块；所述训练模块包括：

初始化单元，用于初始化一个具有输入层、预设层数个中间层以及输出层的深度神经网络；所述预设层数小于设定时长内的气象分析场序列中的气象分析场的数量；

气象分析场获取单元，用于获取预报区域当前时刻预报时长之前的第一气象分析场序列和紧随所述第一气象分析场之后的预报时长内的第二气象分析场序列，其中所述第一气象分析场序列为任一符合预设条件的设定时长内的气象分析场序列；

训练控制单元，用于将所述第一气象分析场序列和第二气象分析场序列作为深度神经网络的输入和输出，对深度神经网络进行训练；并获取多个第一气象分析场序列和对应的第二气象分析场序列，对所述深度神经网络进行重复训练；将训练完成的深度神经网络，作为所述预报区域的深度神经网络。

在其中一个实施例中，训练控制单元还获取当前时刻预报时长之前最近的符合预设条件的设定时长内的第三气象分析场序列及紧随的预报时长内的第四气象分析场序列；所述深度神经网络完成训练的条件为：将第三气象分析场序列输入深度神经网络所得的输出结果与对应的第四气象分析场序列之间的对比误差不大于停止阈值。

上述气象预报方法和系统，采用深度神经网络对最近的预报时长内的气象分析场序列进行深度学习，得到从当前时间开始的预报时长内的预报场，由于深度学习和深度神经网络的预测精度非常高(这已经在很多应用中得到了印证，例如图像识别，而气象分析场序列与图像数据没有本质上的区别。例如将气象分析场中每个点作为一个像素点，用该像素点的RGB表示气象分析场中该点的属性值，则每个气象分析场都可以用一个图像来表示。而气象分析场序列是由多个气象分析场有序组成，等同于多个图像有序组成一个更大的图像)，所以可以高精度地预测气象，预测结果更加准确，这种预测结果可以与模式预报的结果一起作为预报员预报的参考依据，使得预报员能做出更为准确的天气预报。

附图说明

图1为一实施例的气象预报方法流程图；

图2为各时间点和时间段在时间轴上的相对位置示意图；

图3为图1中步骤S100的具体流程图；

图4为训练深度神经网络的流程图；

图5为对应于图4的训练过程的各时间点和时间段在时间轴上的相对位置示意图；

图6为一实施例的气象预报系统模块图；

图7为图6中的分析场获取模块的模块图；

图8为图6中的训练模块的模块图。

具体实施方式

以下结合具体实施例和附图进行进一步说明。

如图1所示的为一实施例的气象预报方法流程图。该方法包括：

步骤S100：获取预报区域的最近设定时长内的气象分析场序列。预报区域指准备作出气象预报的区域，范围可根据需求确定。例如中国可按照省、市等行政区域进行划分。最近设定时长内是指以当前时间为分界点，在当前时间之前的最近的一个设定时长的时间段内。气象分析场指的是用实况资料做的分析数据，是真实的、确定的。气象分析场在气象预报领域的含义是所属领域的技术人员所熟知的。

气象分析场序列由多个时间点的气象分析场有序组成。例如设定时长是60分钟，且假定气象分析场的时间分辨率是1分钟，那么60分钟内会有60个气象分析场，这60个气象分析场按照时间先后顺序排列就组成了一个时长为60分钟的气象分析场序列。预报区域例如深圳市。预报时长例如12小时，就是从当前时刻开始的将来12小时。

参考图2，例如当前时刻是4月11日12点0分，预报区域的最近设定时长内气象分析场序列就是4月11日11点0分至4月11日12点0分的气象分析场序列。

步骤S200：将所述最近设定时长内的气象分析场序列输入所述预报区域的深度神经网络进行深度学习，得到所述预报区域的深度神经网络的输出。深度神经网络特指预报区域的深度神经网络。其以该预报区域的气象分析场序列为输入，根据输入得到深度神经网络的输出。

步骤S300：将所述输出作为预报区域的自当前时刻开始的预报时长内(例如预报时长为12小时时，则为4月11日12点0分～4月12日0点0分)的预报场序列。

采用深度学习和深度神经网络对气象进行预测，由于深度学习和深度神经网络的预测精度非常高(这已经在很多应用中得到了印证，例如图像识别，而气象分析场序列与图像数据没有本质上的区别。例如将分析场中每个点作为一个像素点，用该像素点的RGB表示分析场中该点的属性值，则每个分析场都可以用一个图像来表示。而气象分析场序列是由多个分析场有序组成，等同于多个图像有序组成一个更大的图像)，所以可以高精度地预测气象，这种预报结果可以与模式预报的结果一起作为预报员预报的参考依据，使得预报员能做出更为准确的天气预报。

进一步地，如图3所示，还包括：

步骤S110：获取所述预报区域。预报区域可以由用户指定。确定预报区域的意义还在于选择对应的深度神经网络和输入相应的气象分析场序列。

步骤S120：确定所述预报时长。预报时长可以由用户指定。预报时长可以包括未来12小时、24小时、48小时以及72小时等。

步骤S130：判断所述气象分析场是否存在，若所述气象分析场存在，则则执行步骤S140；否则执行步骤S150。直接获取所述气象分析场。

步骤S140：直接获取所述气象分析场。

步骤S150：将所述气象分析场所在时刻的在分析场作为所述分析场。在气象分析场是用实况资料进行插值反演等，因为实况资料的站点是分布不均匀的，在气象分析场是进过插值后，均匀分布的。在气象分析场在气象预报领域的含义也是所属领域的技术人员所熟知的。

进一步地，如图4所示，还包括步骤S100′：对所述预报区域的深度神经网络进行训练。深度神经网络的特点是，经过大量有效的数据的训练后，其预测的准确性会更高。在执行上述步骤S200之前，需要保证预报区域的深度神经网络具有相当程度的预测准确率，否则应该首先执行大量的训练过程，再将深度神经网络用于气象预报。

所述步骤S100′包括：

子步骤S110′：初始化一个具有输入层、预设层数个中间层以及输出层的深度神经网络。所述预设层数小于设定时长内的气象分析场序列中的气象分析场的数量。

子步骤S120′：获取预报区域当前时刻预报时长之前的第一气象分析场序列和紧随所述第一气象分析场之后的预报时长内的第二气象分析场序列。其中，所述第一气象分析场序列为任一符合预设条件的设定时长内的气象分析场序列。所述预设条件为无条件或季节条件。季节条件是指，当前预报时间所在的季节与输入的气象分析场序列数据应该在季节上一致。例如100天之内。

参考图5，例如当前时刻是4月11日12点0分，预报时长为12小时，则12小时之前是4月11日0点0分之前。那么在这个例子中，当时时刻预报时长之前，就是4月11日0点0分之前。在4月11日0点0分之前，取任一设定时长内(例如4月9日23点0分～4月10日0点0分)的气象分析场序列作为第一气象分析场序列，其之后的预报时长内(例如4月10日0点0分～4月10日12点0分)气象分析场序列为第二分析场序列。

子步骤S130′：将所述第一气象分析场序列和第二气象分析场序列作为深度神经网络的输入和输出，对深度神经网络进行训练；获取多个第一气象分析场序列和对应的第二气象分析场序列，根据上述训练方法对所述深度神经网络进行重复训练。

具体地，在将所述第一气象分析场序列输入到输入层、第二气象分析场序列输入到输出层之后，还包括步骤：

首先，在所述第一气象分析场序列中选取预设层数数量的气象分析场。在子步骤S110′中，初始化一个具有预设层数中间层的深度神经网络，本步骤中，从所述第一气象分析场序列中选取该预设层数数量的气象分析场，获取所述预设层数个气象分析场对应的时间点，将所述时间点中离当前时刻最远的第k个时间点之后预报时长内的气象分析场序列输入所述第一深度神经网络的第k个中间层，其中，k是从1到预设层数的自然数。

为控制深度神经网络完成训练，获取当前时刻(例如4月11日12点0分)预报时长之前(例如，预报时长为12小时，12小时之前是4月11日0点0分之前)最近的符合预设条件的设定时长(例如4月10日23点0分～4月11日0点0分)内的第三气象分析场序列及紧随的预报时长内(例如4月11日0点0分～4月11日12点0分)的第四气象分析场序列；

所述深度神经网络完成训练的条件为：

将第三气象分析场序列输入深度神经网络获得输出结果与对应的第四气象分析场序列之间的对比误差不大于停止阈值。深度神经网络在进行训练的同时，也可以用历史数据进行预测，并将预测的结果与已有的历史数据进行比较，如果预测结果与历史数据非常接近，则说明深度神经网络训练完成，可以将其用于预报。具体地，用于训练的数据存储在历史气象大数据中。气象分析场序列均是由服务器中预存的气象分析场中查找获取的，其中，气象分析场是通过大数据进行存储和获取的，也就是采集任一时间任一预报区域的气象分析场存入大数据，从大数据中获取任一时间任一预报区域的气象分析场。

具体的，建立气象分析场的HBASE大数据库表，并将采集到的气象分析场及其对应时间存入气象分析场的HBASE大数据库表，同时可以根据气象分析场的时间从气象分析场的HBASE大数据库表中获取对应时间的气象分析场。

子步骤S140′：将训练得到的深度神经网络，作为所述预报区域的深度神经网络。

如图6所示的为一实施例的气象预报系统模块图。该气象预报系统包括分析场获取模块100、预报模块200和深度神经网络300。

分析场获取模块100用于获取预报区域的最近设定时长内的气象分析场序列。预报区域指准备作出气象预报的区域，范围可根据需求确定。例如中国可按照省、市等行政区域进行划分。最近设定时长内是指以当前时间为分界点，在当前时间之前的最近的一个设定时长的时间段内。气象分析场指的是用实况资料做的分析数据，是真实的、确定的。气象分析场在气象预报领域的含义是所属领域的技术人员所熟知的。

预报模块200用于将所述最近气象分析场序列输入所述预报区域的深度神经网络进行深度学习，得到所述预报区域的深度神经网络的输出。深度神经网络特指预报区域的深度神经网络。其以该预报区域的气象分析场序列为输入，根据输入得到深度神经网络的输出。

采用深度学习和深度神经网络对气象进行预测，由于深度学习和深度神经网络的预测精度非常高(这已经在很多应用中得到了印证，例如图像识别，而气象分析场序列与图像数据没有本质上的区别。例如将分析场中每个点作为一个像素点，用该像素点的RGB表示分析场中该点的属性值，则每个分析场都可以用一个图像来表示。而气象分析场序列是由多个分析场有序组成，等同于多个图像有序组成一个更大的图像)，所以可以高精度地预测气象，这种预报结果可以与模式预报的结果一起作为预报员预报的参考依据，使得预报员能做出更为准确的天气预报。

如图7所示，分析场获取模块100包括预报区域选择单元110、预报时长确定单元120以及分析场生成单元130。

预报区域选择单元110用于获取预报区域。确定预报区域的意义还在于选择对应的深度神经网络和输入相应的气象分析场序列。

预报时长确定单元120用于确定预报时长。预报时长可以由用户指定。预报时长可以未来24小时、48小时以及72小时等。

分析场生成单元130用于若所述气象分析场存在，则直接获取所述气象分析场，否则将所述气象分析场所在时刻的在分析场作为所述分析场。即用在分析场替代分析场。在分析场是用实况资料进行插值反演等，因为实况资料的站点是分布不均匀的，在分析场是进过插值后，均匀分布的。在分析场在气象预报领域的含义也是所属领域的技术人员所熟知的。

进一步地，该气象预报系统还可以包括对所述预报区域的深度神经网络300进行训练的训练模块400。如图8所示，所述训练模块400包括初始化单元410、气象分析场获取单元420和训练控制单元430。深度神经网络的特点是，经过大量有效的数据的训练后，其预测的准确性会更高。在进行气象预报前，需要保证预报区域的深度神经网络具有相当程度的预测准确率，否则应该首先执行大量的训练过程，再将深度神经网络用于气象预报。

初始化单元410用于初始化一个具有输入层、预设层数个中间层以及输出层的深度神经网络；所述预设层数小于设定时长内的气象分析场序列中的气象分析场的数量。

训练分析场获取单元420用于获取预报区域当前时刻预报时长之前的第一气象分析场序列和紧随所述第一气象分析场之后的预报时长内的第二气象分析场序列，其中所述第一气象分析场序列为任一符合预设条件的设定时长内的气象分析场序列。

训练控制单元430用于将所述第一气象分析场序列和第二气象分析场序列作为深度神经网络的输入和输出，对深度神经网络进行训练；并获取多个第一气象分析场序列和对应的第二气象分析场序列，对所述深度神经网络进行重复训练；将训练完成的深度神经网络，作为所述预报区域的深度神经网络。

训练控制单元还获取当前时刻预报时长之前最近的符合预设条件的设定时长内的第三气象分析场序列及紧随的预报时长内的第四气象分析场序列；所述深度神经网络完成训练的条件为：将第三气象分析场序列输入深度神经网络所得的输出结果与对应的第四气象分析场序列之间的对比误差不大于停止阈值。

进一步地，该气象预报系统还可以包括历史气象大数据500，用于训练的数据存储在历史气象大数据500中。采用大数据500，可以利用大数据进行气象预报。提高预测的准确性。

上述气象预报方法和系统，采用深度神经网络对最近的预报时长内的气象分析场序列进行深度学习，得到从当前时间开始的预报时长内的预报场，由于深度学习和深度神经网络的预测精度非常高(这已经在很多应用中得到了印证，例如图像识别，而气象分析场序列与图像数据没有本质上的区别。例如将气象分析场中每个点作为一个像素点，用该像素点的RGB表示气象分析场中该点的属性值，则每个气象分析场都可以用一个图像来表示。而气象分析场序列是由多个气象分析场有序组成，等同于多个图像有序组成一个更大的图像)，所以可以高精度地预测气象，预测结果更加准确，这种预测结果可以与模式预报的结果一起作为预报员预报的参考依据，使得预报员能做出更为准确的天气预报。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。