(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 202111577160.9 (22)申请日 2021.12.2 2 (71)申请人 内蒙古自治区气象信息中心 （内蒙 古自治区农牧业经济信息中心） （内 蒙古自治区气象档案馆） 地址 010000 内蒙古自治区呼和浩特市新 城区海拉尔大街 49号 (72)发明人 温建伟　刘辉　张翔　徐艳琴　 杨鹏　刘泱　张新禹　杜宇　那庆　 银笛　 (74)专利代理 机构 成都众恒智合专利代理事务 所(普通合伙) 51239 专利代理师 杨佳丽 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 111/10(2020.01) G06F 113/08(2020.01) (54)发明名称 一种基于机器学习方法的数值模式产品释 用方法 (57)摘要 本发明公开了一种基于机器学习方法的数 值模式产品释用方法， 本发明使用了自动机器学 习模型构建工 具， 自动机器 学习(AutoML)是全自 动化的模型构建工 具， 是一个能够制造子AI的AI 系统， AutoML通过自己的一套算法， 把构建网络 结构、 调整网络结构、 调整超参数、 模型评估等等 过程全部封装起来了， 全部自动化完成。 将人工 完成的结构调整、 参数调整， 通过科学化的算法 自动完成数据清洗、 特征选取、 参数调整等建模 工作进而便利实施和加速不同的模型的应用落 地。 本发明使用了基于自动机器学习思想的 AutoML模型来自动化构建风速、 风向预报模型， 确保模型构建的高效、 快捷、 最优。 权利要求书1页 说明书14页 附图13页 CN 114580264 A 2022.06.03 CN 114580264 A 1.一种基于 机器学习方法的数值模式产品释用方法， 其特 征在于， 包括以下步骤： S1： 将风向预测模型和风速预测模型分别生成不同的数据集； S2： 基于机器学习方法生成风速预测模型和风向预测模型； S3： 将测试集数据输入预测模型， 应用预测模型生成预测数据； S4： 通过数据收集模块将模型训练模块和预测数据下 载至共享目录； S5： 模型训练模块通过对预测数据进行机器学习训练， 形成预测模型， 将生成的模型共 享给预测模块； S6： 预测模块结合实时数据， 生成响应时次的未来72小时预报， 再结合智能网格指导预 报GRIB文件， 更新相应的格点数据， 形成新的GRIB文件放置 于约定位置； S7： 检验模块按照智能网格预报相关评估规范完成预报结果的检验。 2.根据权利要求1所述的基于机器学习方法的数值模式产品释用方法， 其特征在于： 所 述步骤S1中风速预测模型生成数据集为： 应用预报时次最近00时和12时ECMWF模式产品与 SCMOC模式产品数据目标站点周围9X9格点数据提前生成数据集。 3.根据权利要求1所述的基于机器学习方法的数值模式产品释用方法， 其特征在于： 所 述步骤S1中风 向预测模型生成数据集为： 应该预报时次最近00时和12时ECMWF模式产品据 目标站点周围9X9格点数据提前生成数据集。 4.根据权利要求1所述的基于机器学习方法的数值模式产品释用方法， 其特征在于： 所 述步骤S2中机器学习方法包括AutoML自动机器学习方法、 XGBoost机器学习方法和 Gradient  Boost机器学习方法。 5.根据权利要求4所述的基于机器学习方法的数值模式产品释用方法， 其特征在于： 风 速预测模 型生成方法： 将风速数据集按照 80:20的比例划分为训练集和测试集， AutoML建模 是一个流程化的过程， 首先对输入数据自动做数据清洗、 数据预处理、 特征工程， 接着使用 XGBoost做模型的构建， 并通过调参的方式来寻找 最好的模 型参数,之后通过评估如果效果 不佳， 则要回到特 征工程， 重新再 走整个的流 程， 最终选出最优 模型。 6.根据权利要求4所述的基于机器学习方法的数值模式产品释用方法， 其特征在于： 风 向预测模型生成方法： 将0至360度风向按照45度一个角度分为8个类别， 使用Gradient   Boost分类模型预测风向， 将风向数据集按照80:20的比例划分为训练集和测试集， AutoML 建模是一个流程化的过程， 首先对输入数据自动做数据清洗、 数据预处理、 特征工程， 接着 使用Gradient  Boost做模型的构建， 并通过调参的方式来寻找最好的模型参数,之后通过 评估如果效果 不佳， 则要回到特 征工程， 重新再 走整个的流 程， 最终选出最优 模型。权　利　要　求　书 1/1 页 2 CN 114580264 A 2一种基于机 器学习方法的数值模式产品释用方 法 技术领域 [0001]本发明涉及 一种气象预报技术领域， 尤其涉及一种基于机器学习方法的数值模式 产品释用方法。 背景技术 [0002]大多数数值预报产品本身而言,虽然 目前已经具有较高的质量,但由于分析误差 和模式自身的误差,对局部地区的天气形势不可能预报得非常准确,因此我们不可能将任 何数值预报产品直接用于天气预报,而通过发展数值产品的释用技术来制作气象要素预 报， 对以数值预报产品为主的预报信息进 行加工,尽可能提取有用的预报信息,建立各种预 报模型和方法,使其能比较充分地释用数值预报的产品,这是目前制作预报产品的一道重 要工序， 模式产品释用(MOS)方法是一种在业务中广泛预报应用技术， 大量的实践表明， 在 特定区域、 特定时间应用统计方法对 模式输出 结果进行调整， 能够形成更准确的预报。 [0003]传统的释用技术方法基本上可以归纳为两大类： 一类是以人的经验为主的方法, 如天气学 方法； 另一类是客观定量方法,如统计学 方法、 动力释用方法等。 [0004]数值产品的天气学释用是目前天气预报工作中使用最多的方法,预报员应用天气 学的理论,对各类数值预报产品进行分析并作一定的修正,结合监测实况、 各类天气图、 本 地经验等作出最终 天气预报。 [0005]统计学方法如单站物理量天气诊断释用， 利用各类数值预报产品,通过插值计算, 可以得到全国任意站点的物理量值,结合天气经验,分析一般性降水、 暴雨、 强对流等有利 的物理量。 [0006]最近几年， 在传统统计学和神经网络之外， 出现了一些基于集成学习和深度神经 网络进行预报产品释用的研 究， 如薛谌彬等的 《ECMWF高分辨率模式2  m温度预报误差订正 方法研究》 、 Chih ‑Chiang Wei的 《Study  on Wind Simulations Using  Deep Learning   Techniques  during Typhoons ‑A Case Study of Northern Taiwan,  China》 ， 这些研究释 用ECMWF高分辨 率模式以及WRF模式产品， 取 得了不错的效果。 [0007]薛谌彬等在研究中提出了一种结合滑动双权重平均订正法和空间误差逐步订正 法的综合订正技术， 并对2016年5月1日至2017年5月1日期间24～168  h预报时效内欧洲中 期天气预报中(ECMWF)高分辨率模式的2m最高和最低温度进行偏差订正和误差分析， 形成 的综合订正法已成功运用于江西省精细化气象要素客观预报业 务系统中。 [0008]Chih‑Chiang Wei的研究与本项目研究内容相似， 同样是研究风的， 研究将台风期 间WRF模式输出与中国台湾各实况观测站点数据通过深度学习(DNN)的方法来输出新的预 报， 结果较WRF 更加逼近实况值。 [0009]上述传统的释用方法为预报员提供了日常预报的重要指导产品,但不是供给最终 用户的预报,预报员必须在了解大尺度流场的变化下,估计造成短期天气特征 的天气尺度 系统对本地区可能产生的影响,利用自己的经验和天气学知识对数值预报产品及其客观定 量指导预报产品进 行判断分析,修正各类数值预报的误差,  最后作出高于指导预报精度的说　明　书 1/14 页 3 CN 114580264 A 3