博士候选人Roope Tervo将于2021年11月2日在阿尔托大学为其计算机科学博士论文进行答辩。本文将机器学习应用于天气影响预测，重点研究停电和列车延误预测。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。
2000年至2019年期间，灾害总共影响了40多亿人，并造成123万人死亡。在芬兰，雷暴、风暴和长期降雪等恶劣天气会造成多种破坏，包括停电和火车延误。气象部门预测即将到来的极端天气有着悠久而光荣的传统。然而，就在电网和轨道交通运营商自身面临挑战的过程中，他们希望对其领域的影响做出更具体的预测。
“机器学习方法在现有数据中找到模式，从而能够对新数据进行预测，这是预测天气造成的影响的理想方法，”Tervo说。
本文研究了几种先进的机器学习方法，如随机森林、神经网络和高斯过程在两个应用。
第一个应用程序使用天气雷达数据和地面观测来识别、跟踪和分类风暴物体。该方法根据风暴单体对电网的潜在破坏程度对其进行分类。它预测几小时前会有一场风暴移动为电网运营商提供了重要的进展。Tervo还将该方法扩展到大尺度风暴和数天前的时间范围，并对其进行了修改，使其适用于更粗略的数值天气预报(NWP)数据。
有前景的结果
此外，本文还研究了利用天气参数对列车延误数据进行预报的任务。这些预测为轨道交通运营商准备应对具有挑战性的条件提供了重要信息。
结果很有希望:“面向对象的方法是一种可靠的方法，可以预测由对流风暴造成的停电，类似的方法也适用于大规模风暴，”Tervo说。论文还表明，利用良好的训练数据可以预测与恶劣天气有关的列车延误。
结果应该是相对普遍的。
Tervo总结道:“如果有足够的影响数据，可以推测，类似的方法可以应用到任何其他由可识别的天气事件产生定量影响的领域。”
