摘要：为提高降雨预测的准确率,解决现有深度学习降雨预测模型缺乏对多站点气象数据时空关系建模能力的问题,提出基于多任务学习和改进的长短时卷积计算网络降雨预测模型(MTL-LSTC)。在长短时记忆网络内部的输入到状态和状态到状态的转换过程加入卷积运算结构,对气象序列数据进行编码,结合多任务学习方法提取出站点间隐藏的交互信息,建立站点间相关性模型,实现基于多站点气象数据的降雨预测。模拟实验结果表明,MTL-LSTC模型预测结果准确率更高且模型更高效,多站点气象数据的利用率也得到较大提升。

摘要：随着GNSS技术在气象领域的不断发展与进步,如今许多尾矿库和矿山都配备了GNSS设备,通过监测大气中的水汽含量、大气延迟量,可以更准确地预测降雨天气的发生。但当多种气象因素综合作用时,该技术的预测仍然存在一定的错报率。BP神经网络能够处理复杂的非线性问题,能够根据多种自然因素进行自适应的学习,提高模型的泛化能力,本文对BP神经网络进行了PSO优化,引入多种优化参数,使用NCEI数据平台对福建省区域的气象数据进行降雨预测模型的构建,为提高预测模型在尾矿库环境下的预测效果,本文结合尾矿库现场GNSS设备测量的PWV大气可降水量值,分析其变化量、变化率与降雨的关系,将两者引入降雨预测模型,构建更适应尾矿库环境的降雨预测模型。实验结果表明,针对尾矿库的特有情况,其正确率较国际方法能够提高7%~8%的效果。

摘要：针对传统k最近邻算法处理多维数据分类时,没有考虑不同属性对分类结果的影响程度存在相异性这一问题,提出一种基于属性重要度的k最近邻算法。将大气压强、风向、风速、气温和相对湿度作为样本属性,将降水量作为类,利用属性空间上同类数据分布的内聚性和异类数据的耦合性确定样本属性的权重,通过属性加权欧氏距离进行近邻搜索,实现最优分类。实验结果表明,该降水模型在性能指标上表现更优,提高了预报结果的准确率、TS评分和正样本概括率,降低了降水预测的标准误差与漏报率。