朱國棟，朱 蕾，王 楠，孫少明，梁 艷

（1.民航新疆空中交通管理局空管中心氣象中心，新疆 烏魯木齊830016；2.民航新疆空中交通管理局培訓(xùn)中心，新疆 烏魯木齊830016；3.民航新疆空中交通管理局氣象服務(wù)部，新疆 烏魯木齊830016）

在民航機(jī)場運(yùn)行中，機(jī)場溫度是決定航空器配載和起飛降落滑跑距離的重要?dú)庀笾笜?biāo)。隨著機(jī)場溫度的升高，航空器的起飛全重會逐漸減小，滑跑距離變長，為確保航空器運(yùn)行的安全，必須對航空器進(jìn)行減載[1]，或者調(diào)整起飛計劃等待溫度降低，這些操作都將會對航空公司運(yùn)力資源調(diào)配造成困難，嚴(yán)重影響航空公司效益和旅客出行體驗[2]。

溫度作為天氣預(yù)報中最基本的氣象要素，其變化受到諸如季節(jié)、日照、天氣現(xiàn)象等因子的影響。國內(nèi)已有研究表明，ECMWF細(xì)網(wǎng)格模式2 m溫度預(yù)報產(chǎn)品對制作烏魯木齊市未來24和48 h溫度預(yù)報具有很好的指導(dǎo)意義[3]，國內(nèi)多地采用該產(chǎn)品進(jìn)行最高、最低溫度預(yù)測，均取得較好效果[4-6]。結(jié)合東北中東部復(fù)雜地形條件下，EC模式溫度預(yù)報產(chǎn)品在山區(qū)預(yù)報準(zhǔn)確率偏低，系統(tǒng)性偏差較大，而通過客觀訂正方法，可將山區(qū)的預(yù)報均方根誤差由1.48℃降低至平均0.03℃[7]。通過采用一元線性回歸、多元回歸方程、誤差訂正以及最優(yōu)集合訂正等方法，并結(jié)合本地天氣特征，進(jìn)行溫度客觀預(yù)報[8-11]，能較好地改善ECMWF細(xì)網(wǎng)格模式直接輸出的溫度預(yù)報效果。除了結(jié)合EC數(shù)值預(yù)報之外，還有結(jié)合WRF中尺度模式產(chǎn)品，通過MOS方法改善機(jī)場要素預(yù)報的效果[12]。

隨著近些年機(jī)器學(xué)習(xí)及深度學(xué)習(xí)方法的快速發(fā)展，國內(nèi)外學(xué)者嘗試?yán)弥С窒蛄繖C(jī)、人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等方法，構(gòu)建預(yù)測模型，改善溫度預(yù)測結(jié)果[13-25]。但是已有的站點(diǎn)溫度預(yù)測方法，缺少逐小時的溫度預(yù)測研究，且未綜合考量不同機(jī)器學(xué)習(xí)方法的差異，因此本文根據(jù)ECMWF細(xì)網(wǎng)格數(shù)值模式0～72 h預(yù)報產(chǎn)品，引入各層次風(fēng)、溫度、高度及地面風(fēng)、降水、氣壓、溫度等要素構(gòu)建模型因子，利用自動機(jī)器學(xué)習(xí)工具包，分別構(gòu)建深度學(xué)習(xí)模型[26]（Auto-Keras）和常規(guī)機(jī)器學(xué)習(xí)模型[27]（Auto-sklearn），進(jìn)行機(jī)場逐小時溫度預(yù)報的預(yù)測，經(jīng)過自動機(jī)器學(xué)習(xí)方法的自動建模和參數(shù)尋優(yōu)，模型改善了數(shù)值模式直接輸出的站點(diǎn)溫度預(yù)報，提高了機(jī)場逐小時溫度預(yù)報準(zhǔn)確率。

1 資料與研究方法

1.1 資料引用

結(jié)合機(jī)場氣象服務(wù)工作的需求，將烏魯木齊機(jī)場逐小時2 m溫度作為預(yù)報對象。選取2015年1月—2021年3月ECMWF細(xì)網(wǎng)格數(shù)值預(yù)報的預(yù)報產(chǎn)品作為因子，包含逐3 h各層次高度、u分量、v分量、溫度、相對濕度、垂直速度、散度等要素，以及地面風(fēng)、溫度、露點(diǎn)溫度、氣壓、降水等要素?？紤]模式的不穩(wěn)定和準(zhǔn)確性，臨近起報時間的預(yù)報場準(zhǔn)確性和參考性較高，故選取0～72 h內(nèi)的預(yù)報產(chǎn)品進(jìn)行建模?？紤]地面、高空的模式產(chǎn)品網(wǎng)格間距的差異，此處統(tǒng)一選用最近網(wǎng)格點(diǎn)方法，將地面、高空的預(yù)報產(chǎn)品中距離烏魯木齊機(jī)場最近網(wǎng)格點(diǎn)的數(shù)據(jù)抽取出來，并與小時、月份信息共同構(gòu)成數(shù)據(jù)集，合計93個因子。

由于EC細(xì)網(wǎng)格數(shù)值預(yù)報產(chǎn)品時間間隔3 h，與機(jī)場逐小時溫度預(yù)報無法一一對應(yīng)建模，此處將EC細(xì)網(wǎng)格數(shù)據(jù)3 h間隔數(shù)據(jù)線性插值至1 h，剔除缺測數(shù)據(jù)后，與機(jī)場逐小時溫度構(gòu)建訓(xùn)練樣本，合計44 529條樣本，為確保足夠的訓(xùn)練樣本，并預(yù)留一定數(shù)量的檢驗樣本，將67%的樣本（29 835條）用于建模訓(xùn)練和參數(shù)尋優(yōu)，剩余33%的樣本（14 694條）用于模型結(jié)果的檢驗。模型訓(xùn)練過程中為防止欠擬合和過擬合，不同的自動機(jī)器學(xué)習(xí)方法采用不同的方法來處理，其中Auto-sklearn方法通過多次嘗試模型尋優(yōu)的時長，防止訓(xùn)練次數(shù)過多、或過少，并按比率保留多個機(jī)器學(xué)習(xí)方法，集成獲得最優(yōu)模型。而Auto-Keras則采用K-fold交叉驗證，在模型構(gòu)建過程中從訓(xùn)練樣本中抽取20%的數(shù)據(jù)進(jìn)行交叉驗證，構(gòu)建最優(yōu)的深度學(xué)習(xí)模型。

1.2 自動機(jī)器學(xué)習(xí)方法

在給定的數(shù)據(jù)集中實現(xiàn)最佳的預(yù)測模型，傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要數(shù)據(jù)預(yù)處理和清洗、選擇和構(gòu)建合適的特征、選擇合適的模型、優(yōu)化模型超參數(shù)、機(jī)器學(xué)習(xí)模型后流程處理等，這些任務(wù)的處理通常非常復(fù)雜，一般非機(jī)器學(xué)習(xí)專家無法處理，隨著越來越多的模型不斷被開發(fā)出來，如何選擇合適的模型變得越來越困難，并且參數(shù)調(diào)優(yōu)需要遍歷所有可能的值，這些都需要大量的人工操作，進(jìn)而導(dǎo)致流程效率低，難于管理。

自動機(jī)器學(xué)習(xí)（AutoML）的任務(wù)是使所有這些步驟（或至少其中一些步驟）自動化[26]，消除常規(guī)的操作順序和模型的手動枚舉，隱藏建模過程中大量的數(shù)學(xué)問題和代碼編寫過程，簡化氣象領(lǐng)域中應(yīng)用機(jī)器學(xué)習(xí)方法的流程，將機(jī)器學(xué)習(xí)專家的經(jīng)驗固化，利用最優(yōu)的數(shù)據(jù)科學(xué)實踐，減少人工對機(jī)器學(xué)習(xí)過程的參與，幫助非機(jī)器學(xué)習(xí)專家輕松處理任務(wù)，在確保預(yù)測準(zhǔn)確性的基礎(chǔ)上提高建模效率。

目前，許多商業(yè)公司也在積極發(fā)展自動機(jī)器學(xué)習(xí)平臺的開發(fā)，例如微軟Azure Automated ML、谷歌的AutoML，通過購買公有云平臺的算力和機(jī)器學(xué)習(xí)算法，即可快速構(gòu)建機(jī)器學(xué)習(xí)業(yè)務(wù)流程。同時機(jī)器學(xué)習(xí)開源社區(qū)，也積極借鑒商業(yè)公司成熟的算法，推出各類開源的自動機(jī)器學(xué)習(xí)工具，例如基于貝葉斯優(yōu)化和自動集成構(gòu)造的Auto-sklearn，以及利用神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的Auto-Keras深度自動學(xué)習(xí)工具?？紤]到氣象歷史建模數(shù)據(jù)體量和系統(tǒng)設(shè)計成本，本文選取Auto-sklearn和Auto-Keras兩種成熟的開源工具包來構(gòu)建自動機(jī)器學(xué)習(xí)，并利用本地CPU、GPU資源進(jìn)行建模運(yùn)算。

1.2.1Auto-sklearn自動機(jī)器學(xué)習(xí)方法

Auto-sklean是基于Auto-Weka的組合算法選擇和超參數(shù)優(yōu)化問題的定義，采用與微軟Azure Automated ML相同的思路構(gòu)建的，同時選擇一個學(xué)習(xí)算法和設(shè)置其超參數(shù)的問題。主要區(qū)別是將兩個額外的步驟合并到主進(jìn)程中，首先是元學(xué)習(xí)步驟，最后是自動化集成構(gòu)造步驟[27]。

圖1 Auto-sklearn自動機(jī)器學(xué)習(xí)方法示意圖

該方法使用元特征來描述數(shù)據(jù)集，包括簡單的、信息論的和統(tǒng)計的元特征，如數(shù)據(jù)點(diǎn)的數(shù)量、特征和分類，以及數(shù)據(jù)偏度和目標(biāo)的熵。利用這些信息，選擇k個采樣點(diǎn)作為貝葉斯優(yōu)化的初始采樣點(diǎn)。在完成貝葉斯優(yōu)化之后，構(gòu)建一個由所有嘗試過的模型組成的集成模型。這一步的思路是將訓(xùn)練每個模型所做的努力都存儲下來。沒有拋棄這些模型而選擇更好的模型，而是將它們存儲起來，最終構(gòu)建出一個集成模型。這種自動集成構(gòu)造方法避免了陷入單個超參數(shù)的設(shè)置中，因此魯棒性更強(qiáng)且不容易過擬合。使用集成選擇（這個貪婪過程從空集成開始，迭代地添加能夠最大化集成驗證性能的模型）來構(gòu)建集成模型。

結(jié)合基于EC細(xì)網(wǎng)格數(shù)值預(yù)報產(chǎn)品建立的訓(xùn)練樣本，使用Auto-sklearn工具包進(jìn)行模型訓(xùn)練，Auto-sklearn方法無需關(guān)注參數(shù)設(shè)置和模型選擇，僅需要通過設(shè)置不同的運(yùn)行時間，讓算法在給定的時間內(nèi)，盡可能嘗試更多的模型和參數(shù)方案，進(jìn)而得到其中最優(yōu)的集成模型（表1）。

表1 Auto-sklearn自動機(jī)器學(xué)習(xí)的最優(yōu)集成模型

1.2.2Auto-Keras自動深度學(xué)習(xí)方法

Auto-Keras使用一個通過循環(huán)訓(xùn)練的RNN控制器，對候選架構(gòu)（即子模型）進(jìn)行采樣，然后對其進(jìn)行訓(xùn)練，以測量其在期望任務(wù)中的性能[28]。接著，控制器使用性能作為指導(dǎo)信號，以找到更有前景的架構(gòu)。然而神經(jīng)架構(gòu)搜索在計算上非常昂貴、耗時。為了解決這個問題，Auto-Keras使用了高效神經(jīng)架構(gòu)搜索（ENAS）。ENAS采用類似于遷移學(xué)習(xí)的概念，在特定任務(wù)上為特定模型學(xué)習(xí)的參數(shù)可以用于其他任務(wù)上的模型。因此，ENAS迫使所有生成的子模型共享權(quán)值，從而刻意防止從頭開始訓(xùn)練每一個子模型。ENAS不僅可以在子模型之間共享參數(shù)，還能夠獲得非常強(qiáng)的性能。

本文使用Nvidia P6000 GPU進(jìn)行Auto-Keras的模型構(gòu)建和運(yùn)算加速，解決神經(jīng)架構(gòu)搜索的計算耗時問題。結(jié)合整體計算資源和建模時效性，設(shè)置Auto-Keras方法構(gòu)建100種組合進(jìn)行模型訓(xùn)練，通過訓(xùn)練最終獲得最優(yōu)的深度學(xué)習(xí)模型（表2）。

表2 Auto-Keras自動深度學(xué)習(xí)的最優(yōu)模型及參數(shù)

1.2.3機(jī)器學(xué)習(xí)方法

為了綜合衡量自動機(jī)器學(xué)習(xí)方法的預(yù)測能力，本文引入機(jī)器學(xué)習(xí)方法的決策樹回歸進(jìn)行對比，考慮到單決策樹功能過于簡單，且容易出現(xiàn)過擬合現(xiàn)象，此處采用迭代決策樹（GBRT）[29]和隨機(jī)森林（RF）[30，31]方法構(gòu)建多決策樹進(jìn)行機(jī)場溫度的回歸預(yù)測。

1.3 檢驗方法

由于每種方法都有各自的優(yōu)缺點(diǎn)，Auto-sklearn主要應(yīng)用于回歸、分類任務(wù)，計算量較少，實現(xiàn)成本較低，Auto-Keras則使用神經(jīng)架構(gòu)搜索和強(qiáng)化學(xué)習(xí)，構(gòu)建更復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)模型，但計算量巨大，實現(xiàn)成本較高。為了綜合考量不同自動機(jī)器學(xué)習(xí)方法的差異，并與傳統(tǒng)的集成學(xué)習(xí)方法、數(shù)值模式2 m溫度進(jìn)行對比，分析不同的方法下溫度預(yù)測效果的差異。本文使用平均絕對誤差（MAE）、預(yù)報準(zhǔn)確率[32]來判定模型對機(jī)場溫度的回歸預(yù)測效果，具體公式為：

2 預(yù)測效果分析

2.1 模型預(yù)測總體效果對比

通過使用EC細(xì)網(wǎng)格2 m溫度、自動機(jī)器學(xué)習(xí)方法以及常規(guī)機(jī)器學(xué)習(xí)方法，分析烏魯木齊機(jī)場溫度預(yù)測的平均絕對誤差可知，EC細(xì)網(wǎng)格2 m溫度直接輸出的烏魯木齊機(jī)場溫度平均絕對誤差為1.68℃，誤差相對較大，通過機(jī)器學(xué)習(xí)方法構(gòu)建的預(yù)測模型，能夠改善模式直接輸出的溫度預(yù)報，GBRT方法的平均絕對誤差改善至1.44℃，而采用自動機(jī)器學(xué)習(xí)方法的Auto-Keras和Auto-sklearn預(yù)測烏魯木齊機(jī)場溫度效果更好，其中Auto-sklearn模型的平均絕對誤差最低，達(dá)到1.35℃。

通過分析烏魯木齊機(jī)場溫度的預(yù)報準(zhǔn)確率可以看到，EC細(xì)網(wǎng)格2 m溫度的預(yù)報準(zhǔn)確率（≤2℃）為67.09%，預(yù)報準(zhǔn)確率（≤1℃）為40.21%，機(jī)器學(xué)習(xí)方法構(gòu)建的模型均能夠提升預(yù)報準(zhǔn)確率，其中Auto-sklearn模型的預(yù)報準(zhǔn)確率（≤2℃）最高，達(dá)到77.84%，Auto-Keras模型的預(yù)報準(zhǔn)確率（≤1℃）則達(dá)到49.67%，而常規(guī)的機(jī)器學(xué)習(xí)方法GBRT和RF的預(yù)報準(zhǔn)確率則低于自動機(jī)器學(xué)習(xí)方法，具體結(jié)果見表3。

表3 不同方法預(yù)測烏魯木齊機(jī)場溫度的誤差統(tǒng)計

通過模型總體預(yù)測效果可以看到，自動機(jī)器學(xué)習(xí)方法通過自動構(gòu)建模型和參數(shù)尋優(yōu)，能夠改善模式直接輸出的溫度預(yù)測結(jié)果，且預(yù)測效果優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法；但是考慮到自動機(jī)器學(xué)習(xí)方法需要利用大量的資源進(jìn)行模型和參數(shù)的遍歷和嘗試，相對傳統(tǒng)機(jī)器學(xué)習(xí)方法更加耗時，在實際業(yè)務(wù)建模中，需要預(yù)留充足的計算資源來提高建模工作的效率。

2.2 模型預(yù)測效果的月度差異

2.2.1平均絕對誤差分析

通過分析2020年1月—2021年2月烏魯木齊機(jī)場逐月溫度的平均絕對誤差得到，EC細(xì)網(wǎng)格預(yù)測的溫度平均絕對誤差存在明顯的月度變化，2月、4—6月以及11月誤差較小，維持在1.5℃左右，其余月份誤差均＞1.7℃，12月誤差最大（2.28℃），由此可見，EC模式輸出的溫度預(yù)測在12月—次年1月平均絕對誤差較大，4—6月平均絕對誤差較小。

4種機(jī)器學(xué)習(xí)方法均能夠改善模式直接輸出的溫度預(yù)測結(jié)果見表4，其中4—11月誤差最小，平均絕對誤差均維持在1.2℃左右，Auto-sklearn模型在5月達(dá)到最低，為0.97℃；針對冬季12月的溫度，Auto-Keras模型改善效果明顯，平均絕對誤差僅為1.79℃；1月不同模型的預(yù)測效果差異較大，Auto-Keras模型預(yù)測效果與EC模式基本持平，其余模型預(yù)測效果均比EC模式差，平均絕對誤差比EC模式偏大0.1～0.2℃；2月機(jī)器學(xué)習(xí)方法則沒有明顯改善模式輸出的溫度預(yù)測效果。

表4 烏魯木齊機(jī)場溫度逐月平均絕對誤差/℃

通過平均絕對誤差的月度對比分析發(fā)現(xiàn)，針對不同季節(jié)下烏魯木齊機(jī)場溫度，Auto-sklearn模型在4—5月、7月、9—10月平均絕對誤差最小，Auto-Keras模型在冬季12月平均絕對誤差最小；但是在1、2月，機(jī)器學(xué)習(xí)方法并沒有改善模式輸出的溫度預(yù)報效果，上述機(jī)器學(xué)習(xí)模型的平均絕對誤差均超過了EC模式，因此不同月份的溫度預(yù)報，需要綜合考慮EC模式直接輸出及不同機(jī)器學(xué)習(xí)方法預(yù)測的結(jié)果。

2.2.2預(yù)報準(zhǔn)確率分析

通過分析2020年1月—2021年2月逐月的烏魯木齊機(jī)場溫度預(yù)報準(zhǔn)確率得到，EC細(xì)網(wǎng)格預(yù)測的機(jī)場溫度預(yù)報準(zhǔn)確率有明顯的月季變化，11月預(yù)報準(zhǔn)確率（≤2℃）最高為80.94%，4—6月預(yù)報準(zhǔn)確率（≤2℃）相對較高，維持在75%左右，其余月份的預(yù)報準(zhǔn)確率（≤2℃）相對較低，預(yù)報準(zhǔn)確率（≤2℃）維持在60%～65%，12月最低，僅有48.38%，12月—次年1月，模式直接輸出的溫度預(yù)報效果較差。

機(jī)器學(xué)習(xí)方法構(gòu)建的模型則能夠直接改善預(yù)報準(zhǔn)確率，4—10月的預(yù)報準(zhǔn)確率（≤2℃）均超過80%，大幅提升模式直接預(yù)報溫度的準(zhǔn)確率；1—3月的預(yù)報準(zhǔn)確率（≤2℃）相對較差，且變化范圍較大，為57%～75%，12月的預(yù)報準(zhǔn)確率最差為50%～60%（圖2）。3—10月各類模型的預(yù)報準(zhǔn)確率均有大幅提升，2、11月的預(yù)報準(zhǔn)確率提升不明顯，基本持平模式直接輸出的預(yù)報準(zhǔn)確率，1、12月Auto-sklearn、GBRT、RF模型預(yù)測準(zhǔn)確率低于模式直接輸出的預(yù)報準(zhǔn)確率，僅有Auto-Keras模型能夠維持或略微改善模式直接輸出的結(jié)果。

圖2 逐月不同方法預(yù)測烏魯木齊機(jī)場溫度的預(yù)報準(zhǔn)確率差異（溫度誤差≤2℃）

2.3 不同溫度區(qū)間的預(yù)測效果分析

烏魯木齊機(jī)場2020年1月—2021年2月平均溫度為7.97℃，最低溫度為-26℃，最高溫度為40℃，溫度變化區(qū)間大，其中90%的溫度記錄分布在-20～30℃，為考量不同溫度的預(yù)測效果，將溫度按照10℃量級進(jìn)行劃分，分析不同溫度下的預(yù)測效果。

從表5可知，EC細(xì)網(wǎng)格預(yù)測機(jī)場溫度的平均絕對誤差大部分為1.7℃左右，其中30～40℃平均絕對誤差最小，為1.19℃，因溫度≥40℃區(qū)間樣本數(shù)量僅為4個，故不單獨(dú)分析該溫度區(qū)間的平均絕對誤差。

表5 不同溫度范圍內(nèi)機(jī)場溫度預(yù)測的平均絕對誤差/℃

機(jī)器學(xué)習(xí)方法構(gòu)建的模型能夠改善模式直接輸出的溫度預(yù)測結(jié)果，但是在不同溫度區(qū)間下，不同的模型預(yù)測效果差別顯著。20～40℃平均絕對誤差穩(wěn)定維持在1℃左右，且不同的模型預(yù)測效果差異較??；-10～20℃平均絕對誤差在1.2～1.4℃，Autosklearn模型預(yù)測的效果最優(yōu)，Auto-Keras模型預(yù)測效果最差為1.4℃；-30～-10℃平均絕對誤差偏大，Auto-Keras模型預(yù)測的效果優(yōu)于數(shù)值模式直接輸出的溫度預(yù)報，其余模型均出現(xiàn)平均絕對誤差大于數(shù)值模式直接輸出的溫度預(yù)報。Auto-Keras模型預(yù)測的效果整體優(yōu)于數(shù)值模式直接輸出的結(jié)果，機(jī)場溫度≥0℃Auto-sklearn模型預(yù)測效果更好，Auto-Keras模型預(yù)測效果在機(jī)場溫度＜0℃情況下更好，常規(guī)機(jī)器學(xué)習(xí)方法GBRT和RF雖然能夠改善模式直接輸出結(jié)果，但是整體預(yù)測效果不如自動機(jī)器學(xué)習(xí)方法構(gòu)建的模型。

3 結(jié)論和討論

本文基于EC細(xì)網(wǎng)格模式直接輸出的烏魯木齊機(jī)場2 m溫度預(yù)報產(chǎn)品，運(yùn)用自動機(jī)器學(xué)習(xí)方法，簡化常規(guī)的機(jī)器學(xué)習(xí)方法中的模型選擇和參數(shù)尋優(yōu)過程，降低氣象技術(shù)人員運(yùn)用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的難度，通過構(gòu)建Auto-sklearn機(jī)器學(xué)習(xí)模型和Auto-Keras深度學(xué)習(xí)模型，改善模式直接輸出的預(yù)報產(chǎn)品。

（1）Auto-Keras模型和Auto-sklearn模型將溫度平均絕對誤差由模式直接輸出的1.7℃降低至1.4℃左右，并且預(yù)測效果優(yōu)于GBRT和RF方法手動參數(shù)調(diào)優(yōu)的模型，自動機(jī)器學(xué)習(xí)方法獲得的模型能夠提升溫度預(yù)報的平均絕對誤差。

（2）構(gòu)建的模型均能夠大幅提升4—10月的預(yù)報準(zhǔn)確率，其中Auto-sklearn模型的預(yù)報準(zhǔn)確率（≤2℃）在4—10月穩(wěn)定在85%以上，效果優(yōu)于其余模型，但是在1、12月Auto-sklearn、GBRT、RF模型預(yù)測準(zhǔn)確率低于模式直接輸出的預(yù)報準(zhǔn)確率，僅有Auto-Keras模型能夠維持或略微改善模式直接輸出的結(jié)果。

（3）機(jī)場溫度≥0℃時，Auto-sklearn模型預(yù)測效果較好，Auto-Keras模型預(yù)測效果在機(jī)場溫度＜0℃情況下更好，常規(guī)機(jī)器學(xué)習(xí)方法GBRT和RF雖然能夠改善模式直接輸出結(jié)果，但是整體預(yù)測效果不如自動機(jī)器學(xué)習(xí)方法構(gòu)建的模型。

自動機(jī)器學(xué)習(xí)方法的訓(xùn)練樣本基于EC細(xì)網(wǎng)格數(shù)值模式產(chǎn)品，因此模型預(yù)測的效果依賴于數(shù)值模式產(chǎn)品本身的準(zhǔn)確性，在冬季低溫情況下，數(shù)值模式輸出的產(chǎn)品，尤其是低空及地面的物理量預(yù)測準(zhǔn)確性較差，進(jìn)而導(dǎo)致模型在冬季的溫度預(yù)測效果較差。為提升冬季低溫預(yù)測效果，后續(xù)將對比EC細(xì)網(wǎng)格、GRAPES以及區(qū)域中尺度數(shù)值模式，并優(yōu)化站點(diǎn)數(shù)據(jù)插值方法，分析相關(guān)產(chǎn)品的溫度預(yù)測結(jié)果，通過選取預(yù)測性能更優(yōu)的數(shù)值預(yù)報產(chǎn)品作為訓(xùn)練樣本，改善溫度預(yù)測的準(zhǔn)確性。

另外，不同機(jī)器學(xué)習(xí)方法底層實現(xiàn)算法的區(qū)別，也導(dǎo)致模型預(yù)測效果存在差異，為彌補(bǔ)不同方法缺陷，改善溫度預(yù)測結(jié)果，后續(xù)將結(jié)合機(jī)器學(xué)習(xí)工具的改進(jìn)，引入更多適合溫度回歸預(yù)測的模型方法，通過綜合應(yīng)用多種機(jī)器學(xué)習(xí)方法進(jìn)行溫度預(yù)測，提高預(yù)報產(chǎn)品的穩(wěn)定性和準(zhǔn)確性。