文献综述（或调研报告）：
气象要素的变化深刻影响着人类的生活。因此，精确的未来气象要素的预报十分重要且被广泛应用于各领域。随着更多的地球观测卫星被使用以及更有效的气候模型被建立，研究者能够获得大量的气候数据。此时，人工智能作为一种新型且强有力的方法被融合进传统天气预报模型，进行数据挖掘并提高天气预报的精度[1]。
目前，数值预报与基于人工智能的预报是天气预报的主要方法[2]。对于数值天气预报方法而言，短期预报需要复杂的物理大气模型仿真。近年来，机器学习与深度学习已开始被应用于天气预报[3-9]。比如，深层卷积神经网络被应用于检测气候数据集中的极端天气[3]。一种名为“Dynamic 卷积网络”的新的深层网络被提出来进行短时间范围天气预报[4]。多层长短期记忆(LSTM)模型[5]也被广泛应用于时间序列问题。此外，模型例如Seq2Seq(序列到序列，Encoder-decoder，编码器-解码器)和the transformer，这些在自然语言处理领域里著名的模型可以迁移与应用于天气预报[10] [11]。对于涉及到图像的时空序列预测问题，基于雷达回拨图的卷积LSTM (ConvLSTM) 达到了短时降水预测的更高预测水平[12]。
深度学习模型结合传统数值预报的预测精度比传统预测方法高，但是它们的训练收敛时间也相对较长。机器学习中基于决策树的模型，能有效地解决大数据问题，同时训练时间也较短。比如Random Forest方法中，每棵树都被不同地定义，产生一种“专家集合”的并且比任何一棵树都更好的效果[13]。另外，基于原始GBDT(梯度提升决策树)的XGBoost能获得比传统GBDT更好的表现。至于LightGBM，融合了直方图加速方法和叶状树生成法的优势，在训练速度上优越于XGBoost [14]。此外，Catboost也是一种比XGBoost更好的GBDT算法[15]。
在阿里天池IEEE ICDM 2018全球气象AI挑战赛中，TrajGRU（轨迹GRU）展现了强劲的预测实力。LSTM是常用于处理随时间、空间变化的序列数据的网络结构；GRU（Gated Recurrent Unit）将遗忘门和输入门合成了一个单一的更新门，最终的模型比标准的LSTM简单，是一种非常流行的LSTM变体；ConvGRU是为了解决时空多维数据预测而提出的改进GRU变体，使用卷积运算代替了原本GRU结构中的矩阵乘积运算；TrajGRU是ConvGRU的一种变体，为了更好地预测雷达图中云团的位移或尺度变换，TrajGRU引入了双线性采样核，能够主动学习预测样本的位置变换结构，同时将原本K*K的卷积核运算转换为L*1维，大大降低运算量[16]。
参考文献：
[1] N. Jones, Machine learning tapped to improve climate forecasts, Nature, 2017(548): 379-380.
[2] A. Mcgovern, Using artificial intelligence to improve real-time decision-making for high-impact weather, BAMS, 2017: 2073-2088.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
