博士生 Roope Tervo 将于 2021 年 11 月 2 日在阿尔托大学为他的计算机科学博士论文答辩。论文研究使用机器学习进行天气影响预测，重点是停电和火车延误预测。这项工作是与芬兰气象研究所 (FMI) 和阿尔托大学 Alex Jung 教授的大数据研究小组合作完成的。

在灾害共影响超过4十亿人以及所需123万名2000和2019年间居住在芬兰，恶劣天气如雷雨，风暴，以及持久的降雪造成多种破坏，包括电力中断和列车晚点。气象部门在预测即将到来的极端天气方面有着悠久而光荣的传统。然而，在他们自己的挑战性任务中，电网和轨道交通运营商希望对其领域的影响进行更具体的预测。

“机器学习——在现有数据中寻找模式的方法，从而能够对新数据进行预测——是预测天气造成的影响的理想选择，”特沃说。

该论文研究了几种先进的机器学习方法，例如随机森林、神经网络和高斯过程在两个应用中的应用。

第一个应用程序使用天气雷达数据和地面观测来识别、跟踪和分类风暴对象。该方法根据风暴单体对电网的破坏潜力对风暴单体进行分类。它预测了几个小时前的风暴细胞运动，为电网运营商提供了重要的进步。泰尔沃也通过将其修改到与粗得多的数值天气工作延长了的方法来大规模风暴和天超前时间范围预测(NWP)数据。

有希望的结果

此外，该论文还研究了通过将天气参数与列车延误数据相结合来预测因天气造成的列车延误数天的任务。此类预测为轨道交通运营商准备具有挑战性的条件提供了重要信息。

结果是有希望的：“面向对象的方法是一种可靠的方法，可以预测对流风暴引起的停电，类似的方法也适用于大规模风暴，”Tervo 说。该论文还表明，可以使用高质量的训练数据预测与恶劣天气相关的列车延误。

结果应该是比较一般的。

“据推测，如果有足够的影响数据可用，类似的方法可以应用于由可识别的天气事件产生的定量影响的任何其他领域，”Tervo 总结道。