自动气象站的普及和观测因素的增多， 使气象数据量不断上 升，累积达到 PB 级，一般的技术和平台已无法对其进行存储和 处理，而大数据平台为这一问题提供了一个切实可行的解决方案， 减少了信息的繁杂度。随着用户需求的提高，智能决策、推送系 统等被应用到天气预报系统， 促使进一步向人性化方向发展。 本 文从大数据平台的角度出发， 对气象信息预测和智能推送等相关 技术进行分析。 1天气预报系统分析
基于对大量天气预报系统的分析， 气象信息预测和智能推送 的框架的划分如图 1 所示。
气象数据预测是一个信息处理层， 用云计算和各种数据挖掘 技术来处理大量的气象数据， 以动态变化特征建立预测模型。 智 能信息推送主要通过基于深度学习的推荐系统与 LBS相结合，挖 掘与用户兴趣相符合的气象信息， 并通过数据可视化技术为智能 终端的用户提供个性化的信息。
2气象数据预测分析 自然界各類物理信号经过多种传感器采集后转化为电信号， 再经过模数转换原理转化成时间序列排列的离散的数据列， 要显 现不同气象要素的变化趋势仍需对所得离散数据列作进一步处
2.1 数据预处理
传感器对物理信息的采集具有时间差， 故模数转换后的数据 将会是按时间序列排列的， 那么平稳性检验和白噪声检验显然是 必要的。 而在传感器进行信息采集的时候， 周围环境的部分扰动 同样会被采集， 故如何消除其他要素的干扰， 还原真实数据则是 预处理需要解决的问题。 由于各类数据被干扰程度存在差异， 故 预处理的方式亦甚多，以下列举部分数据预处理方法。
Kalman 滤波处理法：通过对数据噪点的某些统计特质进行 假设，对数据本身进行系统的、无偏的、线性的最优解估计，从 而获得最接近真实信号的估计值。
EEMD分解法：通过对数据施加均匀的高斯白噪声，同时将 信号按照不同频率的区段逐次分解成相互联系小、频率相异的 IMF 分量和一个剩余量，减弱了 EMD 分解法中 IMF 分量模态混 叠的情况 [3， 4]。
2.2不同气象要素的预测模型 不同的气象要素数据存在着不同的特点， 因而其预测模型也 存在差异。
2.2.1 十堰旅游景点大全排名气温预测模型
BP 神经网络模型：其基本思想为通过局部搜索达到输入信 号与期望信号均方差最小的信息处理系统。 工作期间， 信号通常 呈正向传递，经隐含层非线性处理后由传递函数输送到输出层。 若输出信号与预期输出信号相差较大， 则转入误差反向传递的过 程，在此过程中将误差均等分配到各个权值和阀值进行调整， 直 到实际输出与预期输出信号误差小于误差设定值或超出迭代次 数。基于气温受诸多因素的影响， 应用非线性处理能力较强的 BP 神经网络作为气温在部分季节或时间段的预测模型能取得较为 准确的预测结果。 在选择输入变量后， 运用归一化处理解决不同 参变量之间单位及数量级相差较大的问题， 随后确定隐含层和输 出层的传递函数便可，隐含层节点数目可由多次训练实验获得。
2.2.2 湿度预测模型
天坛公园门票优惠政策GM (1, 1)预测模型：该模型旨在展现数据的动态输入变 化，基本思想为侧重凸显近期输入
数据的特征， 故在时间序列中 能较好地凸显所测变量的动态变化结果， 是理想的短期预测模型。 设定起始时间序列点后对自变量建立自化微分方程， 再用最小二 乘法确定各参数的值即可推导出预测模型。
2.2.3 能见度预测模型
遗传神经网络模型： 遗传神经网络是提高了随机搜索能力的 BP 阿塞拜疆为何打不过亚美尼亚神经网络，其基本思想是对问题情境的不同切入点随机生成 一组起始解，随后通过建立适应度函数评定不同个体的适应度， 适应度越高， 被选取的概率越大， 继而被选取的个体将会发生交 叉和变异， 从而诱变产生更高适应度的个体， 起始解生成到问题 适应解生成的过程称为一次迭代。 在充分迭代之后， 收敛区域将 余下一个个体， 最后拆解选中个体即可得最适解。 遗传神经网络 可看作糅合 “适者生存 ”的自然选择思想的人工神经网络，降低了 整个机制忽视全局性或陷入平坦区域的机率， 更多地使拟合倾向 于随机搜索，提高拟合精度。针对问题情景设定输入、输出向量 和网络结构参数， 经过训练集、 实验集和检验集处理后同样可得 到问题情景的预测结果。
2.2.4 风速预测模型
离散 Hopfield 模式识别以及 GRNN 非线性组合预测法：离 散 Hopfield 网络是一种模拟生物记忆联想功能的神经网络，通 过确定权值矩阵记忆期望的稳定平衡点达到记忆的目的 ;网上预约挂医院专家号通过自
身的动力学演化达到稳定平衡点来领悟新的模式而达到联想的 目的。 GRNN 以非线性回归分析为理论基础，在逼近、学习、分 类这些领域具有较强能力， 同时兼具较强的非线性映射能力以及 高度容错性。
2.2.5 降水量预测模型
EEMD-GRNN 模型： EEMD-GRNN 模型由两部分组成， 一部 分是 EEMD 分解法，另一部分是 GRNN 非线性组合预测法。非 线性、非平稳是大多自然数据所具有的特点， EEMD 可通过自适 应的时频分解能力提高数据的辨析度，提高后续 GRNN 的预测 精度。较于传统的降水量预测模型， EEMD-GRNN 模型通过提高 数据辨析度， 使得预测模型更多地基于样本数据， 更能反应自然 降水量的变化。模型整体预测思路为通过 EEMD将数据分解成相 互联系小的 IMF 分量和一个剩余的分量， 继而是络结果对所分解 的分量进行预测，后经 GRNN 对各从属系统预测值进行线性化 处理后得到最终预测结果。
西塘古镇在哪里怎么去
3智能信息推送分析 智能信息推送层的作用是为用户推送所在地区的个性化气
象信息。该层由LBS技术、气象信息推荐系统、 数据可视化技术 和智能终端所构成，LBS技术能准确获取移动端用户的地理位置 推荐系统通过深度学习技术， 生成与用户兴趣度相匹配的气象信 息推荐表 ;丽江三日游攻略数据可视化技术， 对推送的内容进行可视化， 帮助用户 更好地理解气象信息 ;智能终端用于与用户交互，收集用户的反 馈信息，返回给系统，提升系统推荐的精确度。下面将逐步介绍 这四个方面的内容。
3.1 LBS技术
LBS技术的功能有获取位置和推送信息。 通过GPS或移动通
讯网络（如 CDMA 网）来获取移动端用户的位置信息，并借助 GIS平台，为用户提供所在地区的信息服务。 LSB技术的组成分
