江苏气象 AI 算法挑战赛亚军比赛攻略 _DontMind 队
关联比赛: 2022江苏气象AI算法挑战赛-AI助力强对流天气预报
2022 江苏气象 AI 算法挑战赛亚军比赛攻略_DontMind 队
成员介绍
一、赛题分析
本次比赛主要是针对大风/雷达回波/降水的短临预报,属于典型的时空序列预测问题,此类问题可以从分类和回归预测两个角度来解决。
按照各气象要素阈值区间进行分类,可以转化为分类预测问题;
从回归预测的角度又分为单变量回归预测和多变量回归预测。
由于大风和降水预测很难转换为分类预测问题,而且我们经过大量的模型试验表明,多变量回归预测很难同时达到最优,且很难超越单变量回归预测。因此,我们最终采用了单变量回归预测思路,并利用过去一小时数据预测未来两小时各气象要素的时空演变。以下将围绕我们决赛最终采用的模型和策略进行介绍
二、总体设计思路
三、数据预处理
数据清洗: 去除雷达回波低值伪影以及异常降水值。样本重采样和降采样: 由于数据分布不平衡问题,根据各要素阈值区间分布情况对样本进行重采样和降采样,以平衡不同强度样本占比。数据集调整: 由于所给的数据集中相邻个例仅相差一帧,重复率过高,因此我们将临近个例的间隔调整为 5 帧,降低样本重叠率,提升模型训练稳定性。
四、模型选择与优化
风速预测—— SEResNet
雷达回波预测模型——TrajGRU
降水预测模型:双模型融合
模型一:U2Net
模型二:PhyDNet
双模型融合:两个模型预测结果取平均
五、损失函数
针对不同模型,设计不同损失函数,由于本赛题预测对象均有严重不平衡问题,因此针对 MSE 和 MAE 类型损失函数需要给与相应权重设置。而 DiceLoss 本身仅针对目标区域计算损失,因此无需再给定权重。此外,针对降水,加入了 60/90/120min 的累计降水的损失作为正则项。
六、性能提升策略
Two-stage 优化: 冻结模型部分层,调整损失函数权重,调低学习率,进行模型参数微调,提高强回波/降水的预测技能评分
模型集成: 针对降水预测,融合 U2Net 与 PhyDNet 预测,提升模型泛化能力和稳定性
偏差订正: 考虑了预测能力的时间衰减和阈值的影响,对模型预测进行偏差订正,提高强回波/降水的预测技能评分
七、官方个例真实性
风速预测
雷达回波
降水预测
八、总结
样本不平衡: 样本重采样+损失加权和正则/类别不平衡损失+Two-stage 优化减轻类别极度不平衡导致的强回波/降水难预测问题
模型性能及稳定性: 多模型集成进一步提高降水的整体预报技能评分及模型的稳定性
后处理方法: 引入模型预测偏差订正后处理方法提高强回波/降水预报技能评分
本次比赛我们初赛和复赛均为第二,其中复赛实时评测阶段 22 天大部分时段取得前 6 成绩,其中 10 天取得第 1,模型总体表现较为稳定
评论