使用神经网络进行当地天气预测

应用实例

1. 最小温度预测

研究人员使用RPROP，PSO和RBF网络对实验组数据进行了测试，并预测出既定地区内15分钟、1小时、3小时、6小时、12小时和24小时后的温度情况。[1]

2. 使用神经网络创建天气预测模型

在非线性关系被发现前，研究人员试图建立天气数据中输入输出数据的线性关系。尽管也有可行的非线性数据的预测方法，但都是基于提前建立好的非线性模型。这篇文章介绍了一种可行的人工神经网络，可以生成根据有效、可靠的非线性模型，并通过不同的变换公式对模型进行测评和改进[2]

卷积神经网络(Convolutional Neural Networks)

- 计算机视觉和人类识别的区别 人类看到一张图片，是会根据自身经验或者认知对目标进行快速提取；而计算机看到的则是一个矩阵，矩阵中的数字代表RGB各个通道的色彩亮度，比如下图1。所以计算机想要达到人类的视觉能力，就需要进行机器学习。幸运的是，计算能力正是计算机的特长，因此神经网络应运而生，使得机器学习的效率大增。

- 神经网络学习图像的原理神经网络中有很多层，每一层包含很多算法和函数，可以对数字矩阵进行特征计算。比如：卷积、池化、非线性以及最后的softmax评估函数，这些函数的应用，让计算机看起来好像有了人类的学习认知能力。 如图所示的卷及神经网络(图2)，卷积神经网络是通过多个卷积层和池化层的组合，搭建出可以提取图像特征的神经网络，并通过非线性化和全连接层的对应关系，把每个特征片段连接到到提前标记好的节点上，从而通过复杂的链接，对输入的图片里的目标进行预测和学习。

逐层解析

卷积层

本层主要目的是特征提取。最左边的输入层是一张2828像素的图片，有3个通道(RGB)，每个通道对应256个像素值(0-255)。经过第一个卷积层(convolutionlayer)时，由提前设定好的过滤器(filter,kernel)对输入图片按照步数(stride)进行卷积运算，图中可以看到5层卷积层输出的叠加，说明进行了5种不同过滤器的分别运算，输出图像依然是2828，不过图片中的轮廓基本被提取出来(像素梯度)。

池化层

卷积层的输出会进入池化层，将会对图片尺寸进行缩小。池化层的过滤器，也会按照给定的尺寸和步数对图片进行运算，不同的是，不再是卷积运算，而是取区域内最大值，从而在不影响图片内目标的轮廓的情况下，对尺寸进行缩减。原本2828的图片，池化后成为1414的图片，但依然保有不同过滤下的图像特征。

全链接层(Fully Connected Layer)

池化后的1414图像又经过若干轮卷积和池化，成为44的512张特征图片。在这一层再被依次降维，最终输出256个可以代表原本图片的连接层，和提前标记好的标签c1、c2、c3、c4进行相关连接，结果即为预测值。

参考

[1]Andrew Culclasure. Using Neural Networks to Provide Local Weather Forcasts,Graduate studies,Jack N.Averitt College of Georgia Southern University, 2013.

[2]Kumar Abhishek,M.P.Singh,Saswata Ghosh,AbhishekAnand. "Weather Forecasting Model using Artificial Neural Network", Procedia Technology, volume 4, 2012, pages 311-318.

[3]CS231n Convolutional neural network for visual recongnization,lecture slides for 2017 fall,Stanford University."http://cs231n.github.io/classification/"

[4]Convolutional neural networks(CNN) tutorail,Jonathan hui' Blog,May 16,2017."https://jhui.github.io/2017/03/16/CNN-Convolutional-neural-network/"