一種區縣天氣預測的自學習修正方法及系統與流程

2023-07-08 19:20:26 1

本發明涉及人工智慧技術領域，尤其涉及一種區縣天氣預測的自學習修正方法及系統。

背景技術：

傳統的天氣數據預測是通過求解大氣流體力學和熱力學方程組來計算天氣數據的，但是這種方法計算量極大，一般需要使用多臺大型計算機來完成，採用這樣的天氣預測方式成本較高，不適合小範圍地區例如某市的某區使用。另外，隨著地球大環境的變化，天氣影響因素多變且複雜，除了自然因素之外，還有人為因素，使得天氣變化幅度較大，仍舊採用原先的天氣預測方法，天氣預測數據準確率降低，例如，採用風能發電，將會影響自然空氣對流，對於小範圍地區的天氣影響較大，而原先的天氣預測方法未考慮此類新增的天氣變化因素，令天氣預測結果不準確。

綜上，現有技術存在城市區縣地區的天氣預測成本高且數據準確率低的技術問題。

技術實現要素：

本申請實施例提供一種區縣天氣預測的自學習修正方法及系統，解決了現有技術中存在的城市區縣地區的天氣預測成本高且數據準確率低的技術問題。

本申請實施例一方面提供了一種區縣天氣預測的自學習修正方法，應用於一區縣天氣預測的自學習修正系統，所述方法包括：接收當前區縣所對應的歷史天氣數據；基於所述歷史天氣數據，通過人工智慧算法，獲得一天氣預測模型；獲得當前天氣數據，基於所述當前天氣數據和所述天氣預測模型，生成一天氣預測數據；獲得實際天氣數據；基於所述天氣預測數據和所述實際天氣數據之間的差異天氣數據，修正所述天氣預測模型。

可選的，在所述接收當前區縣所對應的歷史天氣數據之前，所述方法還包括：獲取區縣地理數據；基於所述區縣地理數據，發送一歷史天氣數據請求信息至歷史天氣數據伺服器。

可選的，在所述接收當前區縣所對應的歷史天氣數據之前，所述方法還包括：顯示一提示用戶手動載入區縣歷史天氣數據的窗口。

可選的，所述獲得當前天氣數據，具體為：獲得當前的風速風向、溫度、溼度、氣壓、光強和雨量。

可選的，在所述修正所述天氣預測模型之後，所述方法還包括：基於所述當前天氣數據，更新所述天氣預測模型。

另一方面，本申請實施例還提供一種區縣天氣預測的自學習修正系統，所述系統包括：接收單元，用於接收當前區縣所對應的歷史天氣數據；獲得單元，用於基於所述歷史天氣數據，通過人工智慧算法，獲得一天氣預測模型；採集單元，用於獲得當前天氣數據；生成單元，用於基於所述當前天氣數據和所述天氣預測模型，生成一天氣預測數據；所述採集單元，用於獲得實際天氣數據；修正單元，用於基於所述天氣預測數據和所述實際天氣數據之間的差異天氣數據，修正所述天氣預測模型。

可選的，所述系統還包括：獲取單元，用於獲取區縣地理數據；發送單元，用於基於所述區縣地理數據，發送一歷史天氣數據請求信息至歷史天氣數據伺服器。

可選的，所述系統還包括：顯示單元，用於顯示一提示用戶手動載入區縣歷史天氣數據的窗口。

可選的，所述採集單元具體包括：風速風向傳感模塊、溫度傳感模塊、溼度傳感模塊、光強傳感模塊和雨量傳感模塊。

可選的，所述系統還包括：更新單元，用於基於所述當前天氣數據，更新所述天氣預測模型。

本申請實施例中提供的一個或多個技術方案，至少具有如下技術效果或優點：

首先，根據當前區縣所對應的歷史天氣數據，獲得天氣預測模型，作為區縣未來天氣預測的基本使用工具，然後，在天氣預測模型中輸入實時獲取的當前天氣數據，得出用於表徵未來天氣情況的天氣預測數據，接下來，經過相應一段時間之後，實時獲取的實際天氣數據為之前天氣預測數據對應的真實天氣，通過分析處理天氣預測數據和實際天氣數據之間的差異天氣數據，用作修正天氣預測模型的依據，能夠在地球大環境變化的條件下，通過差異天氣數據反推出新增天氣影響因素及其變化規律，能夠大幅度提高天氣數據預測的準確性，解決了現有技術中存在的區縣地區天氣預測數據準確率低的技術問題，為區縣範圍內生產生活提供真實有效的未來天氣數據，帶來極大的便利。

另外，根據歷史天氣數據和差異天氣數據，採用人工智慧算法中的集成算法獲得天氣預測模型，無需使用多臺大型計算機，解決了現有技術中存在的區縣地區天氣預測成本高的技術問題，在低額成本的條件下，獲取準確的區縣地區天氣數據。

進一步，獲取歷史天氣數據信息至少有兩種不同的方式，包括系統主動獲取和用戶主動導入，能夠根據實際使用需求提供不同的選擇方式，提高用戶體驗。

再進一步，獲取的天氣數據包括風速風向、溫度、溼度、氣壓、光強和雨量，通過增加天氣參數以全方面考慮天氣影響因素，進一步提高天氣預測準確性。

又進一步，在修正天氣預測模型之後，還包括：基於當前天氣數據，更新天氣預測模型，因為天氣預測模型是通過人工智慧算法通過歷史天氣數據生成的，越靠近當前時間的歷史天氣數據越具有參考價值，更能反映未來天氣變化情況，能夠進一步提升天氣預測學習能力，進一步提高天氣預測結果可靠性。

附圖說明

圖1為本申請一實施例中區縣天氣預測的自學習修正方法的流程圖；

圖2為本申請一實施例中區縣天氣預測的自學習修正系統的架構圖。

具體實施方式

本申請實施例提供一種區縣天氣預測的自學習修正方法及系統，解決了現有技術中存在的城市區縣地區的天氣預測成本高且數據準確率低的技術問題。

本發明一實施例的技術方案為解決上述的問題，總體思路如下：

接收當前區縣所對應的歷史天氣數據；基於歷史天氣數據，通過人工智慧算法，獲得一天氣預測模型；獲得當前天氣數據，基於當前天氣數據和天氣預測模型，生成一天氣預測數據；獲得實際天氣數據；基於天氣預測數據和實際天氣數據之間的差異天氣數據，修正天氣預測模型。

首先，根據當前區縣所對應的歷史天氣數據，獲得天氣預測模型，作為區縣未來天氣預測的基本使用工具，然後，在天氣預測模型中輸入實時獲取的當前天氣數據，得出用於表徵未來天氣情況的天氣預測數據，接下來，經過相應一段時間之後，實時獲取的實際天氣數據為之前天氣預測數據對應的真實天氣，通過分析處理天氣預測數據和實際天氣數據之間的差異天氣數據，用作修正天氣預測模型的依據，能夠在地球大環境變化的條件下，通過差異天氣數據反推出新增天氣影響因素及其變化規律，能夠大幅度提高天氣數據預測的準確性，解決了現有技術中存在的區縣地區天氣預測數據準確率低的技術問題，為區縣範圍內生產生活提供真實有效的未來天氣數據，帶來極大的便利。

另外，根據歷史天氣數據和差異天氣數據，採用人工智慧算法中的集成算法獲得天氣預測模型，無需使用多臺大型計算機，解決了現有技術中存在的區縣地區天氣預測成本高的技術問題，在低額成本的條件下，獲取準確的區縣地區天氣數據。

為了更好地理解上述技術方案，下面將結合說明書附圖以及具體的實施方式對上述技術方案進行詳細說明。

本實施例提供一種區縣天氣預測的自學習修正方法，應用於一區縣天氣預測的自學習修正系統，區縣天氣預測的自學習修正系統用來進行未來天氣預測以及修正區縣天氣預測算法，區縣天氣預測的自學習修正系統可以為一體式天氣預測站，系統所有組成單元均設置在某個區或者某個縣的總控制中心，也可以為分立式的天氣預測系統，獲取當前天氣數據的傳感器分散地設置於不同街道、不同景區、不同建築、不同商業廣場，區縣天氣預測的自學習修正系統的其他組成單元則位於總控制中心。

其中，一體式天氣預測站適用於單位地理面積內天氣變化幅度較小的區縣，而分立式的天氣預測系統適用於單位地理面積內天氣差異性大的區縣。

下面請參考圖1，對本發明實施例中區縣天氣預測的自學習修正方法進行詳細描述。

步驟101：接收當前區縣所對應的歷史天氣數據；

步驟102：基於歷史天氣數據，通過人工智慧算法，獲得一天氣預測模型；

步驟103：獲得當前天氣數據，基於當前天氣數據和天氣預測模型，生成一天氣預測數據；

步驟104：獲得實際天氣數據；

步驟105：基於天氣預測數據和實際天氣數據之間的差異天氣數據，修正天氣預測模型。

因為分立式天氣預測系統比一體式天氣預測站的處理過程更複雜，處理數據量更大，在對分立式天氣預測系統的天氣預測的自學習修正流程描述清楚的前提下，可以直接推導一體式天氣預測站的處理流程。所以，下面將以分立式天氣預測系統為例進行詳細說明。

在中國的某個縣份，例如北京市海澱區，安裝區縣天氣預測的自學習修正系統之後，系統開始執行步驟101：接收當前區縣所對應的歷史天氣數據。

步驟101在具體實施過程中，例如：總控制中心的區縣天氣預測的自學習修正系統中的接收單元，例如網際網路傳輸單元、gprs、wifi、3g、4g、5g等通信模塊，接收到海澱區至少兩年的歷史天氣數據，該歷史天氣數據記載海澱區過去兩年內每隔四個小時的具體天氣數據。

當然，在本申請另一實施例中，可以根據不同的天氣預測精度和準確度要求，設置不同時間長度的歷史天氣數據，例如：五年、一年、半年或三個月，設置不同時間間隔的具體天氣數據，例如：每隔兩小時、每隔六小時或每隔一小時，本申請不作限制。

步驟102：基於歷史天氣數據，通過人工智慧算法，獲得一天氣預測模型。

繼續沿用上一實施例，步驟102在具體實施過程中，例如：區縣天氣預測系統接收到海澱區過去兩年內每隔四個小時的具體天氣數據之後，基於人工智慧算法例如自適應邏輯網絡aln，通過天氣訓練模塊生成天氣預測模型。

當然，在本申請另一實施例中，也可以採用其他人工算法來生成天氣預測模型，例如boosting、bootstrappedaggregation(bagging)、adaboost、堆疊泛化(stackedgeneralization，blending)、梯度推進機(gradientboostingmachine,gbm)、隨機森林(randomforest)等，本申請不作限制。

步驟103：獲得當前天氣數據，基於當前天氣數據和天氣預測模型，生成一天氣預測數據。

繼續沿用上一實施例，步驟103在具體實施過程中，例如：區縣天氣預測的自學習修正系統中分布在不同街道上的天氣傳感器實時獲取相應街道上的天氣數據，將不同街道對應的不同天氣數據作為輸入條件，經過天氣預測模型的運算處理，輸出不同街道對應的四小時後的天氣預測數據。

當然，在本申請另一實施例中，天氣預測數據可以為六小時後、一天後、三天後，一周後的天氣預測數據，本申請不作限制。

步驟104：獲得實際天氣數據。

繼續沿用上一實施例，步驟104在具體實施過程中，例如：經過步驟103，區縣天氣預測的自學習修正系統生成四小時後的天氣預測數據，在四個小時之後，天氣傳感器所獲得的當前天氣數據，即實際天氣數據。

步驟105：基於天氣預測數據和實際天氣數據之間的差異天氣數據，修正天氣預測模型。

區縣天氣預測的自學習修正系統判斷天氣預測數據和實際天氣數據是否匹配，並根據匹配程度生成天氣預測調整指令，當天氣預測數據和實際天氣數據接近時，例如匹配程度值高達95％，執行天氣預測微調指令，對天氣預測模型進行微調；而當天氣預測數據和實際天氣數據差異較大時，例如匹配程度值只有50％，執行天氣預測調整指令，對天氣預測模型進行調整。

其中，天氣預測模型的修正方式與天氣預測模型的生成算法相關，下面將以自適應邏輯網絡aln為例進行詳細說明，類似地，本領域技術人員根據此算法的修正方式可以推導出其他算法的修正方式，本申請不一一列出。

自適應邏輯網絡aln可包含有任意多個獨立的輸入變量以及變量間任意多個線性邏輯關係式，線性方程式形式如下：

自適應邏輯網絡aln通過改變線性方程組的權重wij來產生期望的結果。為了模型的一般性，規定x0表示方程的常數項。在神經網絡模型中，x是輸入，y是網絡的輸出，對x0的約束信息可以被理解為神經元的偏置量。

令lj＝0，式(1)定義了一條直線(n＝1)、一個平面(n＝2)或一個超平面(n＞2)，因此可以得到以下方程組表達式：

而天氣預測模型的修正方式通過在式(2)中增加hij修正因子用於調節線性方程組的權重wij令天氣預測數據與實際天氣數據匹配，具體的方程組表達式為：

式(3)中hij與差異天氣數據相關，當差異天氣數據越大，說明wij偏離期望值較大，hij輸出值越大，hij反向調節wij，令wij接近期望值，而差異天氣數據越小，說明wij偏離量小，hij輸出值也越小，hij微調wij，令wij無限接近期望值。

為了根據實際使用需求提供不同的選擇方式，獲取歷史天氣數據的方法至少包括兩種，一種為系統自動獲取，另一種為用戶主動導入。

系統自動獲取歷史天氣數據的方法具體包括步驟：獲取區縣地理數據；基於區縣地理數據，發送一歷史天氣數據請求信息至歷史天氣數據伺服器。

在具體實施過程中，例如：區縣天氣預測的自學習修正系統通過gps定位裝置獲取當前的地理位置為北京市海澱區，區縣天氣預測的自學習修正系統主動發送一用於獲取北京市海澱區兩年的歷史天氣數據的請求信息至歷史天氣數據伺服器，歷史天氣數據伺服器將雲存儲器中北京市海澱區的歷史天氣數據發回至區縣天氣預測的自學習修正系統。

用戶主動導入歷史天氣數據的方法具體包括步驟：顯示一提示用戶手動載入區縣歷史天氣數據的窗口。

在具體實施過程中，例如：當天氣預測系統安裝成功之後，在總控制中心的顯示屏上顯示一提示用戶手動載入區縣歷史天氣數據的窗口，窗口中提示用戶當前操作和下一步操作信息，方便用戶根據提示信息進行載入區縣歷史天氣數據的操作，將用戶存儲設備例如移動硬碟或u盤內的歷史天氣數據導入，當然，用戶也可以將雲存儲設備中的歷史天氣數據導入至區縣天氣預測的自學習修正系統，本申請不作限制。

為了能夠全方面考慮天氣影響因素，提高天氣預測準確性，步驟103中的獲得當前天氣數據具體包括：獲得當前的風速風向、溫度、溼度、氣壓、光強和雨量。

為了能夠進一步提升天氣預測深度學習能力，進一步提高天氣預測結果可靠性，在步驟105之後還包括步驟：基於當前天氣數據，更新天氣預測模型。

在具體實施過程中，例如：與步驟102類似地，區縣天氣預測的自學習修正系統將當前天氣數據作為輸入量，經過人工智慧算法分析處理之後，對天氣預測模型進行升級更新。

本發明另一實施例提供一種區縣天氣預測的自學習修正系統，用於實現圖1及其具體實施例中區縣天氣預測的自學習修正方法，請參考圖2，圖2為本申請實施例區縣天氣預測的自學習修正系統的架構圖。

如圖2所示，本實施例提供的一種區縣天氣預測的自學習修正系統，系統包括：接收單元201，用於接收當前區縣所對應的歷史天氣數據；獲得單元202，用於基於歷史天氣數據，通過人工智慧算法，獲得一天氣預測模型；採集單元204，用於獲得當前天氣數據；生成單元203，用於基於所述當前天氣數據和所述天氣預測模型，生成一天氣預測數據；採集單元204，用於獲得實際天氣數據；修正單元205，用於基於天氣預測數據和實際天氣數據之間的差異天氣數據，修正天氣預測模型。

其中，系統還包括：獲取單元，用於獲取區縣地理數據；發送單元，用於基於區縣地理數據，發送一歷史天氣數據請求信息至歷史天氣數據伺服器。

其中，系統還包括：顯示單元，用於顯示一提示用戶手動載入區縣歷史天氣數據的窗口。

其中，採集單元203具體包括：風速風向傳感模塊、溫度傳感模塊、溼度傳感模塊、光強傳感模塊和雨量傳感模塊。

其中，系統還包括更新單元，用於基於當前天氣數據，更新天氣預測模型。

前述實施例中的方法中的各種變化方式和具體實例同樣適用於本實施例的區縣天氣預測的自學習修正系統，通過前述對區縣天氣預測的自學習修正方法的詳細描述，本領域技術人員可以清楚地知道本實施例中區縣天氣預測的自學習修正系統的實施方法，所以為了說明書的簡潔，在此不再詳述。

本申請實施例中提供的一個或多個技術方案，至少具有如下技術效果或優點：

首先，根據當前區縣所對應的歷史天氣數據，獲得天氣預測模型，作為區縣未來天氣預測的基本使用工具，然後，在天氣預測模型中輸入實時獲取的當前天氣數據，得出用於表徵未來天氣情況的天氣預測數據，接下來，經過相應一段時間之後，實時獲取的實際天氣數據為之前天氣預測數據對應的真實天氣，通過分析處理天氣預測數據和實際天氣數據之間的差異天氣數據，用作修正天氣預測模型的依據，能夠在地球大環境變化的條件下，通過差異天氣數據反推出新增天氣影響因素及其變化規律，能夠大幅度提高天氣數據預測的準確性，解決了現有技術中存在的區縣地區天氣預測數據準確率低的技術問題，為區縣範圍內生產生活提供真實有效的未來天氣數據，帶來極大的便利。

另外，根據歷史天氣數據和差異天氣數據，採用人工智慧算法中的集成算法獲得天氣預測模型，無需使用多臺大型計算機，解決了現有技術中存在的區縣地區天氣預測成本高的技術問題，在低額成本的條件下，獲取準確的區縣地區天氣數據。

進一步，獲取歷史天氣數據信息至少有兩種不同的方式，包括系統主動獲取和用戶主動導入，能夠根據實際使用需求提供不同的選擇方式，提高用戶體驗。

再進一步，獲取的天氣數據包括風速風向、溫度、溼度、氣壓、光強和雨量，通過增加天氣參數以全方面考慮天氣影響因素，進一步提高天氣預測準確性。

又進一步，在修正天氣預測模型之後，還包括：基於當前天氣數據，更新天氣預測模型，因為天氣預測模型是通過人工智慧算法通過歷史天氣數據生成的，越靠近當前時間的歷史天氣數據越具有參考價值，更能反映未來天氣變化情況，能夠進一步提升天氣預測學習能力，進一步提高天氣預測結果可靠性。

本領域內的技術人員應明白，本發明的實施例可提供為方法、系統、或電腦程式產品。因此，本發明可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本發明可採用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限於磁碟存儲器和光學存儲器等)上實施的電腦程式產品的形式。

本發明是參照根據本發明實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方框圖來描述的。應理解可由電腦程式指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些電腦程式指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些電腦程式指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些電腦程式指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和範圍。這樣，倘若本發明的這些修改和變型屬於本發明權利要求及其等同技術的範圍之內，則本發明也意圖包含這些改動和變型在內。