(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210971062.1 (22)申请日 2022.08.15 (65)同一申请的已公布的文献号 申请公布号 CN 115049443 A (43)申请公布日 2022.09.13 (73)专利权人 国能日新科技股份有限公司 地址 100089 北京市海淀区西三 旗建材城 内1幢二层2 27号 (72)发明人 闫涵　王运雷　续昱　 (74)专利代理 机构 天津合正知识产权代理有限 公司 12229 专利代理师 李成运 (51)Int.Cl. G06Q 30/02(2012.01) G06F 17/18(2006.01) G06K 9/62(2022.01)G01W 1/10(2006.01) (56)对比文件 CN 113537600 A,2021.10.2 2 CN 111815037 A,2020.10.23 CN 114819053 A,2022.07.29 CN 113627683 A,2021.1 1.09 US 2022004712 A1,202 2.01.06 US 2016149408 A1,2016.0 5.26 US 2022221616 A1,202 2.07.14 彭阳;李晓静;姚永红;唐佑民.1 1个S2S模式 对MJO预报效果的评估分析. 《气象科 学》 .科学出 版社,2021,第41卷(第3期),第3 39-348页. 刘擘龙;张宏立;王聪;范文慧.基 于序列到 序列和注意力机制的超短期风速预测. 《太阳能 学报》 . 《太阳能》 杂志社有限公司,2021,第42卷 (第9期),第286 -294页. 审查员 施龙权 (54)发明名称 基于多尺度特征的自适应回归气象中长期 优化方法及系统 (57)摘要 本发明提出一种基于多尺度特征的自适应 回归气象中长期优化方法及系统， 基于再分析资 料和地表站点近地表物理量实测数据构建注意 力模型； 以S2S预报数据作为原始预测， 计算与地 表站点近地表物理量强相关的衍生物理量， 将地 表站点近地表物理量实测数据作为回归目标， 以 使用AR自适应回归算法进行计算， 求得最优预测 结果。 本发 明提高中长期天气预报中近地表要素 的预报能力。 权利要求书4页 说明书8页 附图1页 CN 115049443 B 2022.10.28 CN 115049443 B 1.一种基于多尺度特 征的自适应回归气象中长期优化方法， 其特 征在于， 包括： S1、 基于再分析资料和地表站点近地表物理量实测数据， 构建再分析资料到实测数据 的注意力模型； 提取近地表物理量的权重函数； 所述权重函数包括对应再分析资料不同格 点分辨率的多组权 重函数； S2、 以S2S次季节到季节的多模式预报数据作 为原始预测， 选取两组数据， 一组为S2S次 季节到季节的多模式预报数据的模式层的多层数据； 另一组为需要订 正的近地表 物理量； S3、 利用S1中得到的权重函数和 S2中提供的模式层的多层数据， 取前m组权重函数中权 重最大的与地表站 点近地表物理量实测数据强相关的衍生物理量， 作为大尺度波动信号组 M1， m个衍生物理量为M11, M12… M1m； 所述衍生物理量分两种， 一种是有实际物理意义、 前人 有过研究的物理量， 至少包括大气环流指数、 海温指数、 遥相关指数和大气涛动指数， 另一 种是通过特征工程构建的统计量， 至少 包括500hpa位势 高度的平方、 北太平洋海温距平的 三次方； S4、 将S2中需要订正的近地表物理量中不同模式的不同集合预报成员作为预测组M2,  M3… Mp， 共p‑1组， 加上S3步求得的大尺度波动信号M1的一组， 共p组； 将地表站点近地表物 理量实测数据作为回归目标， 以使用AR自适应回归算法进行计算， 求得最优预测结果。 2.根据权利要求1所述的基于多尺度特征的自适应回归气象中长期优化方法， 其特征 在于， 步骤S1所述注意力模型建立以及权 重函数提取的过程包括： S101、 基于再分析资料， 选择近地表物理量， 选择再分析资料中的模式层的多层数据， 单个近地表 物理量单层数据为 一个通道； S102、 将输入特征通道数与输出通道数匹配， 学习每个输入特征通道的权重参数， 最后 通过重采样完成再分析资料到实测数据的注意力模型构建； 提取模型中间层以及各个通道 的权重函数； S103、 将再分析资料进行格点重采样， 调整格点分辨率以模拟不同尺度的大气波动信 号， 继续进行S101~S102计算， 选出多组模型中间层以及各个通道的权 重函数。 3.根据权利要求1所述的基于多尺度特征的自适应回归气象中长期优化方法， 其特征 在于， 步骤S1中所述注意力模型为SENet模型或SKNet模型或CBAM模型或DANet模型。 4.根据权利要求1所述的基于多尺度特征的自适应回归气象中长期优化方法， 其特征 在于， 步骤S4中的计算过程包括： S401、 地表 站点近地表 物理量实测数据为v， M为p个预测组， 训练段的累计误差为e， 其中k为训练段的数据时间编号， i 为p组成员的编号； S402、 根据累计训练段每 个时刻的累计误差， 计算验证段某时刻的估计误差b， 其中， μ和γ为 误差衰减系数， n 为训练段的时长， t为验证段的时间编号； S403、 p组预测根据w权 重分配得到最终预测结果的误差为,权　利　要　求　书 1/4 页 2 CN 115049443 B 2其中， 所述 w权重分配是使用AR自适应回归算法需要求 解的参数； 定义d为校准后误差， 定义协方差校准 误差矩阵C, 其中η为表征两组预测误差的衰减参数； S404、 对S40 3中的Et求 最小值， 即为 求以下公式的最小值 其中T表示矩阵转置； 加入约束惩罚项， 展开 为， 其中wG表示初始化的w或者上次优化得到的w； R为正定矩阵， 对损失函数进行约束； 权重w求和为1， 二次规划求 解即为求以下L的最小值， 其中λ为权 重约束系数； S405、 通过S404得到各组预测的权 重w， 带入S40 3， 即可求得最佳 预测结果； S406、 将不同模式的不同集合预报成员分为多个分位数作 为原始预测结果， S401~S405 流程交叉循环得到验证集上的最优预测结果。 5.一种基于多尺度特 征的自适应回归气象中长期优化系统， 其特 征在于， 包括： 权重模块， 基于再分析资料和地表站点近地表物理量实测数据， 构建再分析资料到实 测数据的注意力模型； 提取近地表物理量的权重函数； 所述权重函数包括对应再分析资料 不同格点分辨 率的多组权 重函数； 原始预测模块， 以S2S次季节到季节的多模式预报数据作为原始预测， 选取两组数据， 一组为S2S次季节到季节的多模式预报数据的模式层的多层数据； 另一组为需要订正的近 地表物理量； 大尺度信号模块， 利用权重模块中得到的权重函数和原始预测模块中提供的模式层的 多层数据， 取前m组权重函数中权重最大 的与地表站点近地表物理量实测数据强相关的衍 生物理量， 作为大尺度波动信号组M1， m个衍生物理量为M11, M12… M1m； 所述衍生物理量分 两种， 一种是有实际物理意义、 前人有过研究 的物理量， 至少包括大气环流指数、 海温指数、 遥相关指数和大气涛动指数， 另一种是通过特征工程构建的统计量， 至少 包括500hpa位势 高度的平方、 北太平洋海温距 平的三次方；权　利　要　求　书 2/4 页 3 CN 115049443 B 3