(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 202210464764.0 (22)申请日 2022.04.29 (65)同一申请的已公布的文献号 申请公布号 CN 114564487 A (43)申请公布日 2022.05.31 (73)专利权人 南京信息 工程大学 地址 210032 江苏省南京市江北新区宁六 路219号 (72)发明人 秦华旺　曹振辉　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 姜慧勤 (51)Int.Cl. G06F 16/23(2019.01) G01W 1/10(2006.01)(56)对比文件 CN 114118511 A,2022.03.01 CN 110689179 A,2020.01.14 US 2015/0302313 A1,2015.10.2 2 毛钰嘉.基 于时间序列的组合预测模型研 究——以江西省CPI 为例. 《中国优秀博硕士学位 论文全文数据库(硕士)基础科 学辑》 .2020,(第 12期),第1- 58页. 审查员 李欢 (54)发明名称 预报预测相结合的气象栅格数据更新方法 (57)摘要 本发明公开了预报预测相结合的气象栅格 数据更新方法， 该方法先从服务器上获取气象栅 格数据， 并定义气象栅格数据的时间序列； 再通 过平稳化检测、 模型识别选 择、 模型定阶、 模型参 数估计建立预测模型； 最后对未来气象栅格数据 预报预测， 实现数据更新。 本发明以时间序列模 型来对气象栅格数据预测， 对历史观测数据进行 分析来预测未来的气象数据， 根据数据之间时间 的依赖性， 增 加了预测预报的精准 性。 权利要求书4页 说明书12页 附图1页 CN 114564487 B 2022.08.02 CN 114564487 B 1.预报预测相结合的气象栅格数据更新方法， 其特 征在于， 包括如下步骤： 步骤1， 获取气象栅格数据， 对于待更新的气象要素， 将气象栅格数据中该气象要素的 值按照时间顺序依次排列， 得到该气象要素的一组时间序列； 步骤2， 采用ADF单位根检验法检验步骤1得到的时间序列是否平稳， 若平稳则进入步骤 3， 若不平稳则对时间序列进行处 理， 使处理后的时间序列达 到平稳性要求； 步骤3， 对于达到平稳性要求的时间序列， 计算自相关系数和偏相关系数， 根据自相关 系数和偏相关系数识别待更新的气象要素的时间序列的预测模型， 并对预测模型定阶； 其中， 识别待更新的气象要素的时间序列的预测模型， 并对预测模型定阶， 具体如下： 采用2倍标准差范围识别待更新的气象要素的时间序列的预测模型， 对于时间序列的 自 相 关 系 数 若 均 大 于 且 均 小 于 等 于 则确定时间序列的预测模型为阶数为q的MA(q)模型； 对于时间序列的偏相关系数 若 均大于 且 均小于等于 则确定时间序列的预测 模型为阶数为p的AR(p)模型； 若时间序列的自相关系数 不满足以上自相关系数对应的条件且偏相关系数 不满 足以上偏相关系数对应的条件， 则确定时间序列的预测模 型为ARMA(p,q)模 型； 采用最小信 息准则函数定阶法， 即AIC 法， 对ARMA(p,q)模型进行定阶， ARMA(p,q)模型拟合的AIC准则函 数为： 为残差方差的估计值， p,q为模型阶数， 当AIC函数取值 最小时对应的p,q就 为模型的阶数； 步骤4， 利用最小二乘法对步骤3识别的预测模型进行参数估计， 完成预测模型的建模； 具体过程如下： 当步骤3识别的预测模型为ARMA(p,q)模型时： 参数估计 即求解自回归系数φi和移动平均系数θj， εt‑j为残差， 根据条件最小二乘法， t≤0时， xt＝0， 得到残差 的有限项表达式： 其中πm为ARMA(p,q)模型逆转形式中的逆函 数； 则残差平方和 再通过迭代使残差平方和到达最小值， 因 为 联立方程 即能估计出φ0,φ1,...,φp, θ1,..., θq的值； 同理， 当步骤3识别的预测模型为A R(p)模型或MA(q)模型 时， 同样按照最小二乘法估计 出参数；权　利　要　求　书 1/4 页 2 CN 114564487 B 2步骤5， 利用建模后的预测模型实现时间序列未来时间的气象要素值的预测与更新。 2.根据权利要求1所述的预报预测相结合的气象栅格数据 更新方法， 其特征在于， 所述 步骤2的具体过程如下： 设定气象要素的时间序列 {x1,x2,...,xn‑1,xn}满足p阶自回归， 则有模型： xt＝φ0+φ1xt‑1+φ2xt‑2+...+φpxt‑p+ εt 其中， x1,x2,...,xn‑1,xn分别为时间序列中第1,2, …,n‑1,n个气象要素的值， xt为t时刻 气象栅格气象要素的值， φ0,φ1,...,φp均为自回归系数， εt为残差， t＝1,. ..,n； 上述p阶自回归 模型对应的特 征方程为： λp‑φ1λp‑1‑φ2λp‑2‑...‑φp＝0 其中， λp、 λp‑1、 ...、 λ均为特征根； 若上述特征方程的所有特征根都在单位圆内， 则时间 序列平稳， 否则不平稳； 即φ1+φ2+...+φp‑1＜0时， 时间序列平稳， φ1+φ2+...+φp‑1＝0 时， 时间序列不平稳； 采用假设检验的方式进行检验， 原假设为φ1+φ2+...+φp‑1＝0， 即时间序列不平稳； 备择假设为φ1+φ2+...+φp‑1＜0， 即时间序列平稳； 令φ1+φ2+...+φp‑1记为γ， 构造ADF 统计量 其中， 表示γ的估计， 表示估计标准差， 当τ小于临界值时， 认为时间序列 平稳， 反之不平稳； 其中临界值 通过蒙特卡洛模拟得到； 若判定待更新的气象要素的时间序列不平稳， 则对时间序列进行一阶差分法处理， 对 一阶差分处理后的时间序列用ADF单位根检验法进行检验， 若平稳则进入步骤3， 若不能达 到平稳性要求， 则 在一阶差 分的基础上进 行二阶差 分处理， 并继续用ADF单位根检验法进 行 检验。 3.根据权利要求2所述的预报预测相结合的气象栅格数据 更新方法， 其特征在于， 所述 步骤3中， 自相关系数 计算如下： 其中， n为平稳时间序列的样本容量， xt为平稳时间序列中t时刻的气象要素值， xt+k为平 稳时间序列中t+k时刻的气象要素值， 为所有样本气象要素的均值； 偏相关系数 计算如下： 其中， 系数矩阵的行列式分别为 权　利　要　求　书 2/4 页 3 CN 114564487 B 3