人工智能统计预报方法、装置、设备及介质

本发明涉及机场能见度预报领域，具体来讲涉及的是一种基于多元气象要素日变化下的机场能见度人工智能统计预报方法、装置、设备及介质。

背景技术：

1、目前，能见度是影响机场运行的重要气象因素，其中，能见度的影响尤为重要，低能见度易使飞机在着陆时看不清跑道、偏离跑道或过早、过迟接地，是飞行安全的重要隐患之一。因而，对能见度进行预报，以便依据预报的能见度采取相应的措施，可以有效提升飞行安全。目前，数值模式预报是预报机场能见度的主要方法，该方法主要基于空气动力学理论和物理化学过程，使用各类气象要素，依据大气光学理论，建立环境气象数值模式模型，从而模拟大气中的污染物、湿度、液态水含量等气象要素，利用建立的环境气象数值模式模型计算各气象要素对大气消光的贡献，从而基于各气象要素对大气消光的贡献预报机场能见度。目前能见度受多元气象要素的影响各不同，而利用传统的天气学预报方法和数值模式的方法并不能有效关注能见度与各个要素之间的相关性，从而导致能见度预报与实况相比存在一些偏差的问题。

技术实现思路

1、因此，为了解决上述不足，本发明在此提供一种基于多元气象要素日变化下的机场能见度人工智能统计预报方法、装置、设备及介质；能够解决不同视程障碍现象下，能见度受多元气象要素的影响各不同，而利用传统的天气学预报方法和数值模式的方法并不能有效关注能见度与各个要素之间的相关性，从而导致能见度预报与实况相比存在一些偏差的问题。能够智能化分析能见度与多元气象要素的相关性，提高能见度的预报水平。本方式基于不同的视程障碍现象分别建模，有效识别不同天气现象条件下各个气象要素与能见度的关系，能实现单点的能见度预测，且预测较其他传统算法精度更高。

2、本发明是这样实现的，构造一种人工智能统计预报方法，预报方法包括：

3、步骤1，特征提取：将经过预处理的各个气象要素数据作为输入，利用rnn模型进行特征提取；

4、步骤2，将能见度序列经rnn识别后提取出的局部特征作为mts-mixers模型的输入，通过使用rnn和mts-mixers相结合的模型，充分利用数据中的时序关系和重要特征，提高对实况能见度的预测准确性；

5、步骤3，获取至少一年的历史实况能见度及对应时间段的各气象要素预报数据以及转化后的时间戳数据，对数据进行z-score标准化处理，并将以上特征与rnn提取的特征进行叠加，以历史实况能见度数据作为目标值，根据各个天气现象选取最优气象因子预报数据和对应的实况能见度作为输入，分别划分训练集和测试集，构建新的mts-mixers模型对实况能见度进行训练、测试和评估；

6、步骤4，选取最近10天各个气象要素的预测数据作为预报因子，计算上述变量均值、方差、最大值、最小值、不同时间窗口内的移动平均值或移动方差等特征；同时使用正弦和余弦函数来表示一天中的不同时刻各个气象要素的影响并对近10天的日变化特征进行滚动更新，得到各个气象要素的日变化特征，根据这些特征自动选取合适的预报模型，并利用构建新的mts-mixers模型对不同天气现象下能见度进行预测。

7、进一步的；数据预处理包括；

8、获取地面能见度、气温、湿度、气压、风向、风速、降水、温差、24小时变压等多元气象要素历史实况数据，同时获取同时次ec再分析数据高空850，925，1000hpa三个层次的温度、露点温度、风速资料，计算获得近地层各层风速和vs＝v850+v925+v1000，850与925hpa温差(t850-t925)，925与1000hpa温差(t925-t1000)；

9、进行统计性分析，包括分析各个气象要素和能见度的周期，频率，均值、方差、标准差等特征，上述特征可以反映各个气象要素的整体水平和变化的程度，便于分类分析和相关性分析；

10、利用随机森林来分析能见度与多元实况气象要素的关系，根据它们之间的特征，结合实际，对能见度进行不同视程障碍现象分类，分为降水现象，雾霾现象，沙尘现象和无视程障碍现象，建立各个现象所对应的模型；

11、将获取的历史实况能见度以及对应的时间戳转换为月、日、小时、分钟等各个时间单位的数值特征；并对月份、天数、小时数以及分钟数进行正弦和余弦处理，实况能见度数据进行归一化处理；

12、利用相关性分析、主成分分析方法选取各类天气现象能见度最优的预报因子，同时结合随机森林可以评估每个因子对能见度预测输出的影响程度。

13、进一步的；本技术中上述步骤1还包括：rnn模型在序列中通过将过去的信息传递到当前时间步骤，从而捕捉到数据序列中的时间依赖关系；rnn内部具有一个隐藏状态，它能够在每个时间步传递给下一个时间步，对序列信息进行记忆，rnn在每个时间步使用相同的参数，这样能够在不同时间步之间共享特征提取过程中的权重矩阵，减少训练参数量，也能更好地处理未知长度的序列。

14、进一步的；本技术中上述步骤2还包括：首先基于self-attention，将transformer中的decoder部分去掉，直接改成全连接层；其次使用随机初始化矩阵，将temporal维度、channel维度使用两个矩阵进行mixup再加上一个输出映射矩阵；最后采用因子分解的思路，时间维度将源时间序列拆分成多个子序列，每段子序列分别进行temporal信息的学习，然后按照原来的顺序拼接在一起；channel维度使用svd分解，利用全连接做temporal维度和channel维度的mixup；这样的过程可以通过使用rnn和mts-mixers相结合的模型，充分利用数据中的时序关系和重要特征，提高对实况能见度的预测准确性。

15、进一步的；本技术中上述步骤3中，气象要素预报数据包括：气温、湿度、气压、风向、风速、降水、温差、24小时变压等地面预报数据，高空850，925，1000hpa三个层次的温度、露点温度、风速预报数据；

16、天气现象包括：降水现象，雾霾现象，沙尘现象，无视程障碍现象。

17、一种人工智能统计预报装置，该装置包括：

18、特征提取模块，其作用是将经过预处理的各个气象要素数据作为输入，利用rnn模型进行特征提取；

19、第一执行模块，其作用是将能见度序列经rnn识别后提取出的局部特征作为mts-mixers模型的输入，通过使用rnn和mts-mixers相结合的模型；充分利用数据中的时序关系和重要特征，提高对实况能见度的预测准确性；

20、第二执行模块，获取至少一年的历史实况能见度及对应时间段的各气象要素预报数据以及转化后的时间戳数据，对数据进行z-score标准化处理，并将以上特征与rnn提取的特征进行叠加，以历史实况能见度数据作为目标值，根据各个天气现象选取最优气象因子预报数据和对应的实况能见度作为输入，分别划分训练集和测试集，构建新的mts-mixers模型对实况能见度进行训练、测试和评估；

21、计算模块，选取最近10天各个气象要素的预测数据作为预报因子，并计算上述变量均值、方差、最大值、最小值、不同时间窗口内的移动平均值或移动方差等特征；同时使用正弦和余弦函数来表示一天中的不同时刻各个气象要素的影响并对每个月的日变化特征进行滚动更新，得到各个气象要素的日变化特征，根据这些特征自动选取合适的预报模型，并利用构建新的mts-mixers模型对不同天气现象下能见度进行预测。

22、一种人工智能统计预报设备，所述设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的预报程序，其中所述预报程序被所述处理器执行时，实现上述的预报方法的步骤。

23、一种计算机可读存储介质，所述计算机可读存储介质上存储有预报程序；其中所述预报程序被处理器执行时，实现上述的预报方法的步骤。

24、本发明具有如下优点：本发明在此提供一种基于多元气象要素日变化下的机场能见度人工智能统计预报方法、装置、设备及介质；能够解决不同视程障碍现象下，能见度受多元气象要素的影响各不同，而利用传统的天气学预报方法和数值模式的方法并不能有效关注能见度与各个要素之间的相关性，从而导致能见度预报与实况相比存在一些偏差的问题。能够智能化分析能见度与多元气象要素的相关性，提高能见度的预报水平。本方式基于不同的视程障碍现象分别建模，有效识别不同天气现象条件下各个气象要素与能见度的关系，能实现单点的能见度预测，且预测较其他传统算法精度更高。