基于大數據平臺的天氣預報系統綜述

潘寧康 黃澤斌 潘銀輝 陳煥基 吳澤浩 呂春婉

關鍵詞：預處理;預測模型;LBS;推薦系統

中圖分類號：TP309;TP311.13 ? ? ?文獻標識碼：A 文章編號：2096-4706（2019）06-0029-03

Abstract：In this paper，the large data platform is studied，and some prediction models are selected to analyze and summarize the prediction process for different meteorological data after collection. At the same time，the intelligent meteorological information push is studied，and the application of LBS technology，recommendation system，data visualization technology and intelligent terminal in meteorological field is analyzed.

Keywords：preprocessing;prediction model;LBS;recommendation system

0 ?引 ?言

自動氣象站的普及和觀測因素的增多，使氣象數據量不斷上升，累積達到PB級[1]，一般的技術和平臺已無法對其進行存儲和處理，而大數據平臺為這一問題提供了一個切實可行的解決方案，減少了信息的繁雜度。隨著用戶需求的提高，智能決策、推送系統等被應用到天氣預報系統，促使進一步向人性化方向發展。本文從大數據平臺的角度出發，對氣象信息預測和智能推送等相關技術進行分析。

1 ?天氣預報系統分析

基于對大量天氣預報系統的分析，氣象信息預測和智能推送的框架的劃分如圖1所示。

氣象數據預測是一個信息處理層，用云計算和各種數據挖掘技術來處理大量的氣象數據，以動態變化特征建立預測模型。智能信息推送主要通過基于深度學習的推薦系統與LBS相結合，挖掘與用戶興趣相符合的氣象信息，并通過數據可視化技術為智能終端的用戶提供個性化的信息。

2 ?氣象數據預測分析

自然界各類物理信號經過多種傳感器采集后轉化為電信號，再經過模數轉換原理轉化成時間序列排列的離散的數據列，要顯現不同氣象要素的變化趨勢仍需對所得離散數據列作進一步處理。

2.1 ?數據預處理

傳感器對物理信息的采集具有時間差，故模數轉換后的數據將會是按時間序列排列的，那么平穩性檢驗和白噪聲檢驗顯然是必要的。而在傳感器進行信息采集的時候，周圍環境的部分擾動同樣會被采集，故如何消除其他要素的干擾，還原真實數據則是預處理需要解決的問題。由于各類數據被干擾程度存在差異，故預處理的方式亦甚多，以下列舉部分數據預處理方法。

Kalman濾波處理法[2]：通過對數據噪點的某些統計特質進行假設，對數據本身進行系統的、無偏的、線性的最優解估計，從而獲得最接近真實信號的估計值。

EEMD分解法：通過對數據施加均勻的高斯白噪聲，同時將信號按照不同頻率的區段逐次分解成相互聯系小、頻率相異的IMF分量和一個剩余量，減弱了EMD分解法中IMF分量模態混疊的情況[3，4]。

2.2 ?不同氣象要素的預測模型

不同的氣象要素數據存在著不同的特點，因而其預測模型也存在差異。

2.2.1 ?氣溫預測模型

BP神經網絡模型[5]：其基本思想為通過局部搜索達到輸入信號與期望信號均方差最小的信息處理系統[5]。工作期間，信號通常呈正向傳遞，經隱含層非線性處理后由傳遞函數輸送到輸出層。若輸出信號與預期輸出信號相差較大，則轉入誤差反向傳遞的過程，在此過程中將誤差均等分配到各個權值和閥值進行調整，直到實際輸出與預期輸出信號誤差小于誤差設定值或超出迭代次數。基于氣溫受諸多因素的影響，應用非線性處理能力較強的BP神經網絡作為氣溫在部分季節或時間段的預測模型能取得較為準確的預測結果。在選擇輸入變量后，運用歸一化處理解決不同參變量之間單位及數量級相差較大的問題，隨后確定隱含層和輸出層的傳遞函數便可，隱含層節點數目可由多次訓練實驗獲得。

2.2.2 ?濕度預測模型

GM（1，1）預測模型[6]：該模型旨在展現數據的動態輸入變化，基本思想為側重凸顯近期輸入數據的特征，故在時間序列中能較好地凸顯所測變量的動態變化結果，是理想的短期預測模型。設定起始時間序列點后對自變量建立自化微分方程，再用最小二乘法確定各參數的值即可推導出預測模型。

2.2.3 ?能見度預測模型

遺傳神經網絡模型[7]：遺傳神經網絡是提高了隨機搜索能力的BP神經網絡，其基本思想是對問題情境的不同切入點隨機生成一組起始解，隨后通過建立適應度函數評定不同個體的適應度，適應度越高，被選取的概率越大，繼而被選取的個體將會發生交叉和變異，從而誘變產生更高適應度的個體，起始解生成到問題適應解生成的過程稱為一次迭代。在充分迭代之后，收斂區域將余下一個個體，最后拆解選中個體即可得最適解。遺傳神經網絡可看作糅合“適者生存”的自然選擇思想的人工神經網絡，降低了整個機制忽視全局性或陷入平坦區域的機率，更多地使擬合傾向于隨機搜索，提高擬合精度。針對問題情景設定輸入、輸出向量和網絡結構參數，經過訓練集、實驗集和檢驗集處理后同樣可得到問題情景的預測結果。

2.2.4 ?風速預測模型

離散Hopfield模式識別以及GRNN非線性組合預測法[8]：離散Hopfield網絡是一種模擬生物記憶聯想功能的神經網絡，通過確定權值矩陣記憶期望的穩定平衡點達到記憶的目的;通過自身的動力學演化達到穩定平衡點來領悟新的模式而達到聯想的目的。GRNN以非線性回歸分析為理論基礎，在逼近、學習、分類這些領域具有較強能力，同時兼具較強的非線性映射能力以及高度容錯性。

2.2.5 ?降水量預測模型

EEMD-GRNN模型[3]：EEMD-GRNN模型由兩部分組成，一部分是EEMD分解法，另一部分是GRNN非線性組合預測法。非線性、非平穩是大多自然數據所具有的特點，EEMD可通過自適應的時頻分解能力提高數據的辨析度，提高后續GRNN的預測精度。較于傳統的降水量預測模型，EEMD-GRNN模型通過提高數據辨析度，使得預測模型更多地基于樣本數據，更能反應自然降水量的變化。模型整體預測思路為通過EEMD將數據分解成相互聯系小的IMF分量和一個剩余的分量，繼而讓GRNN從屬網絡結果對所分解的分量進行預測，后經GRNN對各從屬系統預測值進行線性化處理后得到最終預測結果。

3 ?智能信息推送分析

智能信息推送層的作用是為用戶推送所在地區的個性化氣象信息。該層由LBS技術、氣象信息推薦系統、數據可視化技術和智能終端所構成，LBS技術能準確獲取移動端用戶的地理位置;推薦系統通過深度學習技術，生成與用戶興趣度相匹配的氣象信息推薦表;數據可視化技術，對推送的內容進行可視化，幫助用戶更好地理解氣象信息;智能終端用于與用戶交互，收集用戶的反饋信息，返回給系統，提升系統推薦的精確度。下面將逐步介紹這四個方面的內容。

3.1 ?LBS技術

LBS技術的功能有獲取位置和推送信息。通過GPS或移動通訊網絡（如CDMA網）來獲取移動端用戶的位置信息，并借助GIS平臺，為用戶提供所在地區的信息服務[9]。LSB技術的組成分為移動通信網絡、信息服務中心、定位網絡、移動終端。其中，定位技術是LBS的關鍵技術，可以分為室內定位技術和室外定位技術。

WiFi定位、RFID定位、藍牙定位等定位技術被廣泛用于室內定位。室外定位技術主要有衛星定位和基站定位。衛星定位依靠經緯度信息進行定位，主要的衛星定位系統有：中國北斗衛星導航系統、美圖全球定位系統（GPS）等，其中GPS定位技術的應用最為廣泛。基站定位通過無線網絡（如CDMA網）來獲取移動端用戶的位置信息[10]。如今，國內外與LBS相關的技術已經發展成熟，但在信息推送的模塊上，無法滿足用戶個性化的需求，而智能信息推送系統，致力于為用戶提供個性化的服務，所以LBS技術與智能信息推送系統相結合必然會成為一大熱點[11]。

3.2 ?氣象信息推薦系統

氣象智能信息推送層中，推薦系統是核心部分。推薦系統是根據用戶的信息需求和興趣點，利用推薦算法在海量信息中，挖掘用戶感興趣的信息，然后推薦給用戶的個性化信息推薦系統，是解決當今“信息過載”問題的有效方法[12]。將推薦系統引入氣象領域，能為用戶提供個性化的氣象服務。利用用戶上網、消費、位置信息等記錄，為用戶推送個性化的氣象信息[13]。基于內容、協同、知識等方法被傳統推薦系統所采用，但隨著多源異構數據的增多，傳統的推薦算法面臨著難以挖掘用戶興趣點及個性化需求信息的問題。近年來，深度學習技術在處理語音、視頻等稀疏數據取得巨大的進展，很多專家也開始將該技術融入到推薦系統中。

本文采用文獻[14]中，將融合深度學習技術的推薦系統，并通過LBS技術來為用戶推送個性化的氣象信息。深度學習能夠挖掘出項目與用戶興趣點相符合的信息。通過深度學習模型學習氣象數據的本質特征，挖掘用戶與氣象信息之間的隱表示，基于該表示為用戶生成信息推薦表，實現用戶氣象信息的個性化推送。

3.3 ?氣象數據可視化技術

將氣象數據進行可視化，能幫助用戶快速理解氣象信息，提升傳播效果。原理是利用計算機圖形學算法、超強計算處理以及可視化算法，將數據轉化成易理解的靜態、動態圖像。數據可視化可采用動畫、視頻或者簡單的圖像如柱狀圖、餅圖來展示，對于比較復雜的圖形制作，可以借助在線可視化平臺（如Google Chart）或編程語言（Matlab、R語言）來實現[15]。目前，國內外有很多對氣象數據可視化技術的研究，如：利用Openlayers開發的氣象可視化系統、Power Map在氣象數據三維可視化的應用等。其中，應用最為廣泛的是融合GIS的氣象數據可視化技術，它能實現準確、清晰的氣象產品，通過GIS平臺處理氣象數據，能更直觀地為用戶呈現不同的氣象信息[16]。

3.4 ?智能終端

本文的智能終端是指以智能手機、電腦為載體的氣象信息發布系統，結合上述三種技術（LBS技術、推薦系統、數據可視化技術），并通過第三方應用程序（APP）為用戶提供個性化的氣象信息。系統主要分為3層：氣象數據層、Web氣象服務層以及用戶交互層。氣象數據層又包含數據采集層和數據存儲層，數據采集層負責采集系統運行所需的原始氣象數據，然后經過解析、轉換，形成格式化的TXT和Word文件等，存放于數據存儲層中的文件或數據庫;Web氣象服務層負責完成系統的各種業務，包括氣象個性化產品制作、信息實時推送功能以及連接數據庫等;用戶交互層如應用程序，和智能手機的其他應用軟件一樣，能實現版本在線升級、個性化氣象信息的推送及收集用戶反饋數據等功能[17]。

4 ?結 ?論

本文將天氣預報系統進行劃分，介紹了部分氣象要素預測模型的原理及氣象產品推送的相關技術。未來天氣系統的發展方向會是：（1）各氣象要素預測模型能更好地減少數據噪聲對模型的干擾、還原自然氣象數據的特點，并將進一步凸顯不同氣象要素的數據動態變化過程;（2）氣象信息智能推薦系統的發展，未來富有個性化的氣象服務將是氣象行業提升傳播效果的有效途徑，實現氣象信息精確、個性化的發布。

參考文獻：

[1] 華麗，陳澄.云計算環境下氣象大數據服務應用 [J].農業與技術，2017，37（20）：231+234.

[2] 屈世甲，武福生.礦井風速數據預處理中Kalman濾波方法 [J].煤礦安全，2016，47（1）：116-118+122.

[3] 胡虎，楊侃，朱大偉，等.基于EEMD-GRNN的降水量預測分析 [J].水電能源科學，2017，35（4）：10-14.

[4] 黃春艷，韓志偉，暢建霞，等.基于EEMD和GRNN的降水量序列預測研究 [J].人民黃河，2017，39（5）：26-28.

[5] 邢彩盈，張京紅，黃海靜.基于BP神經網絡的海口住宅室內氣溫預測 [J].貴州氣象，2016，40（5）：38-42.

[6] 張曉偉，關東海，莫淑紅.和田綠洲氣溫與相對濕度的GM（1，1）預測模型 [J].中國農業氣象，2006（1）：31-33.

[7] 馬楚焱，祖建，付清盼，等.基于遺傳神經網絡模型的空氣能見度預測 [J].環境工程學報，2015，9（4）：1905-1910.

[8] 陳燁，高亞靜，張建成.基于離散Hopfield模式識別樣本的GRNN非線性組合短期風速預測模型 [J].電力自動化設備，2015，35（8）：131-136.

[9] 張鑫宇，宋瑾鈺.LBS系統研究現狀綜述 [J].工業控制計算機，2016，29（4）：101-102+112.

[10] 錢海鋼.Beacon技術構建圖書館LBS服務的分析 [J].農業圖書情報學刊，2018，30（5）：45-49.

[11] 肖鋒，侯岳，王留召，等.基于LBS的智能信息推送技術研究 [J].測繪與空間地理信息，2015，38（6）：125-127.

[12] 劉輝，郭夢夢，潘偉強.個性化推薦系統綜述 [J].常州大學學報（自然科學版），2017，29（3）：51-59.

[13] 李社宏.大數據時代氣象數據分析應用的新趨勢 [J].陜西氣象，2014（2）：41-44.

[14] 黃立威，江碧濤，呂守業，等.基于深度學習的推薦系統研究綜述 [J].計算機學報，2018，41（7）：1619-1647.

[15] 郭瑋.大數據背景下統計數據可視化研究 [J].內蒙古統計，2017（6）：23-27.

[16] 甘泉.基于GIS的氣象信息集成與可視化系統 [J].科技傳播，2018，10（5）：83-84.

[17] 傅仁壯，吳坤悌，符傳博，等.基于Android的決策氣象服務系統的設計與實現 [J].計算機技術與發展，2016，26（8）：125-128.

作者簡介：潘寧康（1997.05-），男，漢族，廣東順德人，本科在讀，研究方向：數學教育研究與應用數學;通訊作者：呂春婉（1988-），女，漢族，廣東汕頭人，講師，博士，研究方向：偏微分方程數值解、計算流體力學、系統理論。