专利汇可以提供一种智能气候预测系统专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种智能 气候 预测系统,所述的预测系统包括数据预处理子系统,智能相似年查找预测子系统,基于时间序列预测子系统,基于气候特点预测子系统,基于环流指数预测子系统,基于EOF重构的预测子系统,基于再分析场和多模式预测产品的预测子系统, 决策树 和随时森林预测子系统,基于 机器学习 的延伸期预报子系统,基于MJO的预测子系统,智能推荐子系统;本智能气候预测系统是一种准确性高,预测稳定,针对性强并且预测对象、预测地区以及预测方法可扩充增加的智能气候预测系统。,下面是一种智能气候预测系统专利的具体信息内容。
1.一种智能气候预测系统,其特征在于:所述的智能气候预测系统基于气象大数据,即通过对气温/降水的自身序列、前期再分析场、前期环流指数、多模式预测产品变量及其扩展变量等采用多元回归等经验预测以及随机森林等机器学习方法得到尽可能多的客观化预测产品,再从Ps、CC、RMSE以及标准差等方面对预测结果进行效果评估,并再次借助机器学习,在不断优化客观化预测方法和评估预测结果的基础上,得到基于不同条件下的概率预报和集合预报结果,继而推荐得到智能最优预测。
2.根据权利要求1所述的一种智能气候预测系统,其特征在于:所述的预测系统包括数据预处理子系统,智能相似年查找预测子系统,基于时间序列预测子系统,基于气候特点预测子系统,基于环流指数预测子系统,基于EOF重构的预测子系统,基于再分析场和多模式预测产品的预测子系统,决策树和随时森林预测子系统,基于机器学习的延伸期预报子系统,基于MJO的预测子系统,智能推荐子系统;
其中所述的数据预处理子系统:用于下载、提取、扩展和可视化全球大气再分析资料、全球海洋再分析资料、ECMWF、CFS2、CSM、DERF2.0等多模式预测资料、全国地面观测资料、MJO观测资料和模式资料;包括而不局限于气温、降水、雨日、有照日、最高气温、最低气温、大雨开始期、旱涝急转等预测对象的建立;用于所有系统所有客观化预测的批量运行;
所述的智能相似年查找预测子系统:用于根据所述环流指数、大气海洋再分析资料、多模式预测等大尺度变量及其扩展变量和融合变量通过相似度计算、K-Means聚类智能查找相似年并客观定量预测;
所述的基于时间序列预测子系统:用于根据所述预测对象的时间序列进行平滑滤波、小波分析等周期分析以及利用均生函数、自回归进行客观定量预测;
所述的基于气候特点预测子系统:用于根据所述前期气温、降水、日照以及雨日、有照日数等气候特点与预测对象建立模型并采用所述预测方法客观定量预测;
作为优选,所述的基于环流指数预测子系统:用于根据所述环流指数、指数变化和距平变化与预测对象建模模型并采用所述预测方法客观定量预测;
所述的基于EOF重构的预测子系统:用于根据所述预测对象进行EOF分解,与所述环流指数、再分析场、多模式预测场等大尺度变量即扩展变量建立模型并客观定量化预测;
所述的基于再分析场和多模式预测产品的预测子系统:用于根据所述大气、海洋再分析场、ECMWF、CFS2、CSM等多模式预测等大尺度变量及其扩展变量与预测对象建立模型,并采用所述预测方法进客观定量预测;
所述的决策树和随时森林预测子系统:用于根据所述环流指数、指数变化和距平变化与预测对象采用决策树、随机森林算法建模并客观定量预测;
所述的基于MJO预测子系统:用于根据所述MJO观测与模式预测变量与降水、高温过程建立模型并预测降温、降水过程;
所述的基于机器学习的延伸期预报子系统:用于根据所述DERF2.0逐日模式预测变量与逐日降水、气温建立模型,并采用岭回归、相似度计算和聚类分析对强降水和强降温进行预测的子系统;
所述的智能推荐子系统:用于根据所述评估方法对所述客观定量预测结果和超级集合、概率预报等再分析客观定量预测结果进行评估推荐得到最优预测。
3.根据权利要求1所述的一种智能气候预测系统,其特征在于:X(i,j,t)是格点(i,j)上的全球大气再分析资料、全球海洋再分析资料大尺度变量,即预报因子,通过X(i,j,t)-X(i-1,j,t)、X(i,j,t)-X(i,j-1,t)、X(i,j,t)-X(i,j,t-1)扩展经向变化、纬向变化和时间变化作为预报因子;对于所述环流指数X(i,t)通过X(i,t)-X(i,t-1)和Xa(i,t)-Xa(i,t-1)扩展指数变化和指数的距平变化作为预报因子。
4.根据权利要求1所述的智的一种智能气候预测系统,其特征在于,Y(t)是预测对象,X(k,t)是格点k(i,j)上的或者第k个大尺度变量及扩展变量,即预报因子,则Y(t)=αXp(t)+β;式中,Xp(t)为预报因子在一个优化窗口的投影,此优化窗口是指预报因子在某一个区域上与预报对象在回报期的相关性满足一定条件的区域,这里的条件包括相关系数通过显著性检验的区域、符号一致率高于65和小于35以及前2条件都满足的区域;
Xp(t)=∑i,jR(i,j)X(k,t),式中,基于前面的3个条件,R(k)分别为回报期的相关系数、符号一致率-50以及相关系数*abs(符号一致率-50)。
5.根据权利要求1所述的一种智能气候预测系统统,其特征在于,X(k,t0)是可任意选择范围k的大尺度变量及扩展变量,即需要比较的相似因子,X(k,t)是要该变量的历史序列,通过Sim=sEu+sR+sXiang,智能查找相似年,并以相似年的相应对象作为预测值,式中,sEu是欧式相似度,sR是相关系数,,sX是汉明相似度的改进版;
其中kx表示|X(i,t0)-X(i,tj)|>0.5×Std的
范围,Std为X(k,t0)的标准差。
6.根据权利要求5所述的一种智能气候预测系统统,其特征在于,所述X(k,t0)是可任意选择范围k的大尺度变量及扩展变量,即需要比较的相似因子,X(k,t)是要包含X(k,t0)的历史序列,通过基于数据划分的无监督聚类算法K-Means,得到包含X(k,t0)所属的类别,并以此类别的要素合成作为预测值。
7.根据权利要求4所述的一种智能气候预测系统统,其特征在于,所述Y(t)是预测对象,X(i,t)包含环流指数、指数变化和距平变化,即预报因子,基于机器学习的决策树、随机森林、支持向量机等算法建模,并以此模型为基础,得到客观定量化的预测结果。
8.根据权利要求7所述的一种智能气候预测系统统,其特征在于,Y(t)是预测对象,X1(k,t),X2(k,t),…,Xn(k,t)分别是格点k(i,j)或第k个大尺度变量及扩展变量,即预报因子,分别对X1(k,t),X2(k,t),…,Xn(k,t)进行标准化处理得到x1(k,t),x2(k,t),…,xn(k,t),通过x(kx,t)=x1(k,t)∪x2(k2,t)∪…∪xn(kn,t)以及x(kx,t)=x1(k,t)∩x2(k2,t)∩…∩xn(kn,t),(k1,k2,…,kn)表示满足不同条件的预测因子,即相关性通过显著性检验,符号一致率高于65和小于35以及前2条件都满足的因子,在融合和优势因子提取后,再基于x(kx,t)与Y(t)建立模型,通过权利要求4-7的方法得到客观化预测结果。
9.根据权利要求1所述的一种智能气候预测系统统,其特征在于,Y1(t),Y2(t),…,Yn(t)是权利要求3-7得到的所有客观定量化预测结果,Ps1(t),Ps2(t),…,Psn(t)分别是基于所有回算客观化预测得到的趋势异常综合评分,Cc1(t),Cc2(t),…,Ccn(t)是对应的相关系数,RMSE1(t),RMSE2(t),…,RMSEn(t)是标准误差,Stdev1(t),Stdev2(t),…,Stdevn(t)是标准差,分别评估预测年t+1前3年和前3个月所有回算客观化预测的Ps、Cc、RMSE、Stdev,再从评估结果中提取基于不同算法不同资料的前20种和100种预测结果,MAE1,MAE2,…,MAEn是近3年所有客观化定量化结果的平均绝对误差,则 得
到超级集合;
得到概率预报的结果。
10.根据权利要求1所述的一种智能气候预测系统统,其特征在于:Ys1(t),Ys2(t),…,Ysn(t)是权利要求8得到的超级集合预测结果,Yp1(t),Yp2(t),…,Ypn(t)是权利要求8得到的概率预报结果,评估t+1前3年和前3个月的超级集合和概率预报结果的Ps,Cc,RMSE,PC和Stdev,再综合权利要求4-8的客观化结果的评估结果,分别以评估变量或者组合多个评估变量(默认为RI=4×Ps+100×Cc-Stdev-RMSE)为推荐指数,继而以推荐指数的大小推荐最优客观化预测结果。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
气候环境模拟器 | 2020-05-12 | 306 |
气候控制系统 | 2020-05-12 | 269 |
气候控制系统 | 2020-05-12 | 849 |
耐气候通讯电缆 | 2020-05-13 | 769 |
气候补偿器 | 2020-05-11 | 642 |
一种智能气候预测系统 | 2020-05-13 | 685 |
一种气候调节仪 | 2020-05-12 | 345 |
一种小气候监测系统及基于此系统监测天然牧草的方法 | 2020-05-11 | 550 |
多品种农作物的农业气候区划方法 | 2020-05-11 | 555 |
用于飞机的气候控制系统 | 2020-05-13 | 637 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。