如何周天气预报呢？
最近，我们团队研发了一套基于机器学习的短期气候预测系统，可以实现对一周内的温度、降水、湿度等气候要素进行预测。该系统的预测精度在同类系统中居于领先位置。 下面我介绍一下这个系统。
我们的目标是建立一个能够提前一周预测未来气温和降水的系统。由于地球大气环流具有周循环特征，因此我们可以适当放宽预测的时间窗口，以获得更好的训练样本。图1给出了一种简化的大气边界层参数化方案，将大气分为两层：温度层（t）和高层（u）。其中，t表示距离地面10km高度处的平均热量密度；u表示300hpa处的平均风向风速。这样，我们将整个大气划分为四个区域：对流层(t)、暖盖(ut)、冷盖(vt)和对流层顶(ud)。
为了利用历史的天气数据来学习预测的模型，我们需要将历史资料按照上述边界层参数化方案进行切割，每一块代表一个“时间窗”，用于建立及验证模型。 在每个“时间窗”中，我们考虑如下变量来描述历史的气象条件： （1）历史温度：距离地面1.5m高度的气温； （2）历史气压：千帕； （3）历史湿度和露点温差：摄氏度； （4）历史风速和风向：米/秒。 (具体细节请参见论文[1] )
基于这些历史观测值，我们的目标是通过机器学习的方法，得到一个能最好描述历史数据的数学模式。然后，用这个已建立的模型去预测“时间窗”中未知量的数值。如果使用合适的时间窗，那么就可以利用已有数据来完成从过去到未来的连续预测。 经过大量的试验和分析，我们认为下列算法更适合于我们的数据和问题：支持向量机（SVM）。 SVM是一种基于统计学习理论的机器学习方法，它能在保持模型的复杂性和描述能力之间取得很好的平衡，并已广泛应用于各个领域。
利用SVM我们实现了对一个区域一周内天气状况的预测，图2显示的是我们建立的SVM预测机的结构。 图中X表示输入的数据，即上一周每一天的气温、气压、相对湿度等；Y表示对于一周后的预报结果，即下一星期每天的气温、气压、相对湿度等。通过优化方法找到模型的最优解，即可得到模型的输出。
利用这个SVM预测器，我们实现了对中国部分地区未来7天的温度、降雨等预报。 从预测的结果来看，SVM能较好地模拟未来温度、降雨等的变化趋势。
当然，SVM只是一个机器学习的建模工具，其本身不能用来做最终预测。要获得最终的预报结果，还需要对模型的性能进行评价和优化。