Способ и система для создания прогноза погоды

Изобретение относится к области прогнозирования погоды, конкретнее к способам и системам для создания прогноза погоды. Способ выполняется на сервере, включающем процессор и модуль машинного обучения. Причем способ включает в себя: получение модулем машинного обучения текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения; получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения; создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения; обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения. Технический результат заключается в повышении точности прогнозирования параметров погоды за счет снижения погрешности алгоритма прогнозирования. 4 н. и 41 з.п. ф-лы, 7 ил.

 

ОБЛАСТЬ ТЕХНИКИ

[1] Представленная технология относится к области прогнозирования погоды, конкретнее к способам и системам для создания прогноза погоды.

УРОВЕНЬ ТЕХНИКИ

[2] В настоящее время прогнозирование погоды широко используется в различных целях. Прогнозы погоды можно разделить, например, на следующие типы в зависимости от целей. Сельскохозяйственные прогнозы, содержащие детальную характеристику атмосферных осадков; морские и речные прогнозы, содержащие детальную характеристику ветра, волнения, атмосферных явлений, температуры воздуха; авиационные прогнозы, содержащие детальную характеристику ветра, видимости, атмосферных явлений, облачности, температуры воздуха; прогнозы общего пользования, содержащие краткую информацию об облачности, атмосферных осадках, атмосферных явлениях, ветре, температуре, влажности воздуха, атмосферном давлении и т.д.

[3] Данные о текущих параметрах погоды для заданной территории пользователь может получать из различных источников таких как, в частности, радиостанции, телевидение, Интернет и др. При этом точность текущих параметров погоды достаточно высока, поскольку основана на реальных данных, получаемых от метеостанций. На Фиг. 1 представлен снимок экрана 100 с сайта Realmeteo по адресу: http://www.realmeteo.ru/moscow/2/current. На данном снимке экрана 100 отображено текущее время и дата 102, территория 104 (г. Москва), текущие параметры погоды 106, а также данные 108 о месте установки метеостанции, с которой получены текущие параметры погоды 106. При этом точность измерения текущих параметров погоды зависит от точности оборудования поставщика данных, в данном примере метеостанции, установленной в районе аэропорта Внуково. На сегодняшний день Всемирная метеорологическая организация (WMO) осуществляет сбор метеорологических, климатологических, гидрологических, а также морских и океанографических данных по всему миру более чем с 15 спутников, 100 заякоренных буев, 600 дрейфующих буев, 3000 самолетов, 7 300 судов и порядка 10 000 наземных станций. Страны-члены WMO имеют доступ к этим данным.

[4] Данные о спрогнозированных параметрах погоды на момент времени прогнозирования (заданный момент времени в будущем, после текущего момента времени) для заданной территории пользователь может получать из тех же самых и/или иных источников. Однако точность спрогнозированных параметров погоды будет зависеть от заблаговременности заданного момента времени прогнозирования, метода прогнозирования, заданной территории и иных условий. Так, например, по заблаговременности прогнозы делятся на: сверхкраткосрочные (СКПП) — до 12 часов; краткосрочные (КПП) — от 12 до 36 часов; среднесрочные (СПП) — от 36 часов до 10 суток; долгосрочные (ДПП) — от 10 суток до сезона (3 месяца); сверхдолгосрочные (СДПП) — более чем на 3 месяца (год, несколько лет). Точность прогнозов тем ниже, чем выше заблаговременность. Точность (оправданность) СКПП составляет приблизительно 95—96 %, КПП 85—95 %, СПП 65—80 %, ДПП 60—65 %, СДПП — около 50 %.

[5] Точность прогнозов зависит также от методов прогнозирования. В настоящее время наибольшей точностью и достоверностью среди всех известных методов прогнозирования обладают численные модели прогнозирования погоды. То есть методы прогнозирования, реализуемые вычислительными системами для прогнозирования погоды на основе различных текущих исходных данных. В качестве текущих исходных данных используют, например, данные, получаемые от метеозондов, метеоспутников и наземных метеостанций.

[6] При этом повышение точности прогнозов погоды является актуальной задачей, на решение которой направлены многие известные технические решения.

[7] Из патента США №US6778929, опубл. 17.08.2014, известен способ и система для оценки (прогнозирования) метеорологических величин. Способ оценки для получения результатов оценки метеорологических величин в указанной области в течение указанного периода времени в будущем, включает в себя этапы: предварительного создания метеорологической модели временных рядов на основе исторических данных метеорологических величин, наблюдаемых в указанной области; настраивают параметры созданной модели временных рядов на основе данных долгосрочного прогноза погоды дальнего для более широкой области, которая содержит метеорологическую тенденцию на будущее относительно обычных лет, для корректировки созданной модели временных рядов; и проведения моделирования с использованием скорректированного модели временного ряда для получения результатов оценки.

[8] В патентной заявке США №20100274542, опубл. 28.10.2010, описан способ и программное обеспечение для предоставления прогноза атмосферных параметров погоды для летательных аппаратов, включающий в себя сбор по меньшей мере одного статистического описания прогноза погоды или исторических данных о погоде, обработку текущих атмосферных данных, полученных от датчиков на борту летательного аппарата, с образованием смоделированных данных, основанных на обработанных текущих атмосферных данных и, по меньшей мере, одном из статистическом описании прогноза погоды или исторических данных о погоде, смешивание смоделированных данных по меньшей мере с одним из статистическим описанием прогноза погоды или историческими данными о погоде, и прогнозирование атмосферных параметров, основываясь на этапе смешивания.

[9] Из патента США № US5461699, опубл. 24.10.1995, известны система и способ для прогнозирования, которые представляют собой сочетание нейронной сети и статистического прогноза. Нейронная сеть имеющая входной слой, скрытый слой и выходной слой, каждый слой включает в себя один или несколько узлов. Каждый узел во входном слое соединен с каждым узлом в скрытом слое и каждый узел в скрытом слое соединен с каждым узлом в выходном слое. Каждое соединение между узлами имеет соответствующий вес. Один узел во входном слое связан с статистическим прогнозом, который выполняется статистической моделью. Все другие узлы во входном слое связаны с различными историческими данными из набора исторических данных. Нейронная сеть осуществляет вывод прогноза, на выходе узлов выходного слоя, при вводе входных данных. Веса, связанные с соединениями нейронной сети сначала регулируют с помощью обучающего устройства. Обучающее устройство применяет множество обучающих наборов к нейронной сети, каждый обучающий набор, состоит из исторических данных, связанных статистических результатов и требуемого прогноза, причем для каждого набора обучающих данных обучающее устройство определяет различия между прогнозом производимым нейронной сетью с учетом обучающих данных и требуемого прогноза, то обучающее устройство корректирует веса нейронной сети, на основе различия.

[10] Настоящая технология основана на выдвинутых изобретателем(ями) предположениях о том, что существует по меньшей мере одна техническая проблема присущая известному уровню техники, связанная с необходимостью повышения точности прогнозирования параметров погоды.

РАСКРЫТИЕ

[11] Задачей настоящей технологии является повышение точности прогнозирования параметров погоды за счет снижения погрешности алгоритма прогнозирования. Первым объектом настоящей технологии является способ для создания прогноза погоды. Способ выполняется на сервере, включающем процессор и модуль машинного обучения, включает в себя: получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения; получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения; создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения; обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[12] Возможен вариант осуществления способа, в котором дополнительно выполняют: получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования; создание модулем машинного обучения параметра прогнозирования погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[13] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды основано на исторических данных параметра погоды, полученных до текущего параметра измерения погоды до момента времени измерения.

[14] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием статистической модели прогнозирования погоды.

[15] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием второго алгоритма машинного обучения.

[16] Возможен вариант осуществления способа, в котором параметр измерения погоды является по меньшей мере одним из следующего: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[17] Возможен вариант осуществления способа, в котором дополнительно выполняют получение модулем машинного обучения от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования; при этом обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды выполняют с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды для момента времени прогнозирования и нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[18] Возможен вариант осуществления способа, в котором дополнительно выполняют получение от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования и исторических данных прогнозов погоды упомянутым сторонним сервисом прогноза погоды до момента времени измерения; при этом обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды выполняют с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды, для момента времени прогнозирования и исторических данных прогнозов погоды упомянутым сторонним сервисом прогноза погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после текущего момента времени.

[19] Возможен вариант осуществления способа, в котором сторонний сервис прогноза погоды представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования.

[20] Возможен вариант осуществления способа, в котором задают максимальное отклонение значения параметра прогнозирования, получаемого от стороннего сервиса прогноза погоды, от нормализованного значения параметра прогнозирования погоды; в ответ на превышение максимального отклонения значением параметра прогнозирования, полученного от стороннего сервиса прогноза погоды, игнорирование данного значения параметра прогнозирования при создании второго нормализованного значения параметра измерения погоды.

[21] Возможен вариант осуществления способа, в котором на сервере предварительно получают запрос с указанием конкретного момента времени прогнозирования.

[22] Возможен вариант осуществления способа, в котором момент времени прогнозирования представляет собой множество моментов времени прогнозирования, причем модулем машинного обучения создают множество нормализованных значений параметра прогнозирования погоды для каждого момента времени прогнозирования.

[23] Возможен вариант осуществления способа, в котором множество моментов времени прогнозирования представляет собой моменты времени прогнозирования для множества связанных географических объектов в один момент времени прогнозирования.

[24] Возможен вариант осуществления способа, в котором множество моментов времени прогнозирования представляет собой по меньшей мере одно из следующего: часы одних суток, дни, недели, месяцы.

[25] Возможен вариант осуществления способа, в котором на сервере предварительно получают запрос с указанием местоположения объекта, дополнительно выполняют определение нормализованного значения параметра прогнозирования для указанного местоположения объекта.

[26] Другим объектом настоящей технологии является способ создания прогноза погоды, осуществляемый на сервере, включающем процессор и модуль машинного обучения. Способ, включающий: получение запроса на создание прогноза погоды; получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения; получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения; создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения; создание модулем машинного обучения нормализованного значения параметра прогнозирования погоды на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения; на основе нормализованного значения параметра прогнозирования погоды создание прогноза погоды.

[27] Возможен вариант осуществления способа, в котором дополнительно выполняют: получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования; создание прогноза погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[28] Возможен вариант осуществления способа, в котором запрос на создание прогноза погоды получают от по меньшей мере одного электронного устройства.

[29] Возможен вариант осуществления способа, в котором модуль машинного обучения предварительно обучают создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды.

[30] Возможен вариант осуществления способа, в котором после этапа создания прогноза погоды осуществляют передачу прогноза погоды на по меньшей мере одно электронное устройство.

[31] Другим объектом настоящей технологии является способ создания прогноза погоды, осуществляемый на сервере, включающем процессор и модуль машинного обучения, способ, включающий: получение запроса на создание прогноза погоды с указанием местоположения объекта; получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения для указанного местоположения объекта; получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения для указанного местоположения объекта; создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения для указанного местоположения объекта; создание модулем машинного обучения нормализованного значения параметра прогнозирования погоды на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения; на основе нормализованного значения параметра прогнозирования погоды создание прогноза погоды для указанного местоположения объекта.

[32] Возможен вариант осуществления способа, в котором дополнительно выполняют: получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта; создание прогноза погоды для указанного местоположения объекта на основе различия между нормализованным значением параметра прогнозирования погоды для указанного местоположения объекта и вторым средним значением исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта.

[33] Возможен вариант осуществления способа, в котором запрос на создание прогноза погоды с указанием местоположения объекта получают от по меньшей мере одного электронного устройства.

[34] Возможен вариант осуществления способа, в котором модуль машинного обучения предварительно обучают создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды.

[35] Возможен вариант осуществления способа, в котором текущий параметр измерения погоды для указанного местоположения объекта является параметром погоды, измеренным в наиболее близком местоположении относительно указанного местоположения объекта; первое среднее значение исторического параметра погоды для момента времени измерения для указанного местоположения объекта является средним значением исторического параметра погоды для наиболее близкого местоположения относительно указанного местоположения объекта.

[36] Возможен вариант осуществления способа, в котором второе среднее значение исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта является вторым средним значением исторического параметра погоды для момента времени прогнозирования для наиболее близкого местоположения относительно указанного местоположения объекта.

[37] Возможен вариант осуществления способа, в котором после этапа создания прогноза погоды для указанного местоположения осуществляют передачу прогноза погоды на по меньшей мере одно электронное устройство.

[38] Еще одним объектом настоящей технологии является сервер для создания прогноза погоды, включающий в себя модуль машинного обучения, и процессор, функционально соединенный с модулем машинного обучения, процессор выполнен с возможностью осуществлять: получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения; получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения; создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения; обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[39] Возможен вариант осуществления сервера, в котором процессор дополнительно выполнен с возможностью осуществлять: получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования; создание модулем машинного обучения параметра прогнозирования погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[40] Возможен вариант осуществления сервера, в котором первое среднее значение исторического параметра погоды основано на исторических данных параметра погоды, полученных до текущего параметра измерения погоды до момента времени измерения.

[41] Возможен вариант осуществления сервера, в котором процессор дополнительно выполнен с возможностью осуществлять создание первого среднего значения исторического параметра погоды на основе исторических данных параметра погоды с использованием статистической модели прогнозирования погоды.

[42] Возможен вариант осуществления сервера, в котором процессор дополнительно выполнен с возможностью осуществлять создание первого среднего значения исторического параметра погоды на основе исторических данных параметра погоды с использованием второго алгоритма машинного обучения.

[43] Возможен вариант осуществления сервера, в котором параметр измерения погоды является по меньшей мере одним из следующего: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[44] Возможен вариант осуществления сервера, в котором процессор дополнительно выполнен с возможностью осуществлять получение модулем машинного обучения от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования; и выполнять обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды для момента времени прогнозирования и нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[45] Возможен вариант осуществления сервера, в котором процессор дополнительно выполнен с возможностью осуществлять получение от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования и исторических данных прогнозирования погоды упомянутым сторонним сервисом прогноза погоды до момента времени измерения; и выполнять обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды, для момента времени прогнозирования и исторических данных прогнозирования погоды упомянутым сторонним сервисом прогноза погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после текущего момента времени.

[46] Возможен вариант осуществления сервера, в котором сторонний сервис прогноза погоды представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования.

[47] Возможен вариант осуществления сервера, в котором процессор дополнительно выполнен с возможностью задавать максимальное отклонение значения параметра прогнозирования, получаемого от стороннего сервиса прогноза погоды, от нормализованного значения параметра прогнозирования погоды; в ответ на превышение максимального отклонения значением параметра прогнозирования, полученного от стороннего сервиса прогноза погоды, игнорирование данного значения параметра прогнозирования при создании второго нормализованного значения параметра измерения погоды.

[48] Возможен вариант осуществления сервера, в котором процессор дополнительно выполнен с возможностью получать запрос с указанием конкретного момента времени прогнозирования.

[49] Возможен вариант осуществления сервера, в котором момент времени прогнозирования представляет собой множество моментов времени прогнозирования, причем процессор дополнительно выполнен с возможностью осуществлять создание модулем машинного обучения нормализованного значения параметра прогнозирования погоды для каждого момента времени прогнозирования.

[50] Возможен вариант осуществления сервера, в котором множество моментов времени прогнозирования представляет собой моменты времени прогнозирования для множества связанных географических объектов в один момент времени прогнозирования.

[51] Возможен вариант осуществления сервера, в котором множество моментов времени прогнозирования представляет собой по меньшей мере одно из следующего: часы одних суток, дни, недели, месяцы.

[52] Возможен вариант осуществления сервера, в котором процессор дополнительно выполнен с возможностью осуществлять получение запроса с указанием местоположения объекта, и определение нормализованного значения параметра прогнозирования для указанного местоположения объекта.

[53] Возможен вариант осуществления сервера, в котором процессор выполнен с возможностью осуществлять: получение запроса на создание прогноза погоды.

[54] Возможен вариант осуществления сервера, в котором процессор выполнен с возможностью осуществлять: получение данных о местоположении объекта от по меньшей мере одного электронного устройства.

[55] Возможен вариант осуществления сервера, в котором процессор выполнен с возможностью осуществлять: передачу прогноза погоды на по меньшей мере одно электронное устройство.

[56] В контексте настоящего описания «сервер» подразумевает под собой компьютерную программу, работающую на соответствующем оборудовании, которая способна получать запросы (например, от электронных устройств) по сети и выполнять эти запросы или инициировать выполнение этих запросов. Оборудование может представлять собой один физический компьютер или одну физическую компьютерную систему, но ни то, ни другое не является обязательным для представленной технологии. В настоящем контексте использование выражения «сервер» не означает, что каждая задача (например, полученные инструкции или запросы) или какая-либо конкретная задача будет получена, выполнена или инициирована к выполнению одним и тем же сервером (то есть одним и тем же программным обеспечением и/или аппаратным обеспечением); это означает, что любое количество элементов программного обеспечения или аппаратных устройств может быть вовлечено в прием/передачу, выполнение или инициирование выполнения любого запроса или последствия любого запроса, и все это программное и аппаратное обеспечение может быть одним сервером или несколькими серверами, оба варианта включены в выражение «по меньшей мере один сервер».

[57] В контексте настоящего описания «электронное устройство» (или компьютерное устройство) подразумевает под собой любое компьютерное устройство, способное работать с программным обеспечением, подходящим к решению соответствующей задачи. Таким образом, примерами электронных устройств (среди прочего) могут служить персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.) смартфоны, планшеты, а также сетевое оборудование, такое как маршрутизаторы, коммутаторы и шлюзы. Следует иметь в виду, что устройство, ведущее себя как электронное устройство в настоящем контексте, может вести себя как сервер по отношению к другим электронным устройствам. Использование выражения «электронное устройство» не исключает возможности использования множества электронных устройств для получения/отправки, выполнения или инициирования выполнения любой задачи или запроса, или же последствий любой задачи или запроса, или же этапов любого вышеописанного способа.

[58] В контексте данной заявки, слова «первый», «второй», «третий» и т.д. были использованы в качестве порядковых числительных только для того, чтобы показать различие между существительными, отличающимися друг от друга, а не в целях описания любой конкретной взаимосвязи данных между этими существительными.

[59] В контексте настоящего описания «база данных» подразумевает под собой любой структурированный набор данных, не зависящий от конкретной структуры, программного обеспечения по управлению базой данных, аппаратного обеспечения компьютера, на котором данные хранятся, используются или иным образом оказываются доступны для использования. База данных может находиться на том же оборудовании, которое выполняет процесс, который сохраняет или использует информацию, хранящуюся в базе данных, или же она может находиться на отдельном оборудовании, например, выделенном сервере или множестве серверов.

[60] В контексте настоящего описания «информация» содержит информацию любого рода или типа, которая может храниться в базе данных. Таким образом, информация содержит, среди прочего, аудиовизуальные произведения (изображения, видео, звукозаписи, презентации и т.д.), данные (данные о местоположении, цифровые данные и т.д.), текст (описания, рекламные объявления, сообщения и т.д.), документы, таблицы и т.д.

[61] В контексте настоящего описания, если четко не указано иное, «указание» на цифровой объект может представлять собой сам цифровой объект или указатель, отсылку, ссылку или другой косвенный способ, позволяющий получателю указания найти сеть, память, базу данных или другой машиночитаемый носитель, из которого может быть извлечен цифровой объект. Например, указание на документ может включать в себя сам документ (т.е. его содержимое), или же оно может являться уникальным дескриптором документа, идентифицирующим файл по отношению к конкретной файловой системе, или каким-то другими средствами передавать получателю указание на сетевую папку, адрес памяти, таблицу в базе данных или другое место, в котором можно получить доступ к файлу. Как будет понятно специалистам в данной области техники, степень точности, необходимая для такого указания, зависит от степени первичного понимания того, как должна быть интерпретирована информация, которой обмениваются получатель и отправитель указателя. Например, если до установления связи между отправителем и получателем понятно, что указатель на цифровой объект принимает вид ключа базы данных для записи в конкретной таблице заранее установленной базы данных, содержащей цифровой объект, то передача ключа базы данных – это все, что необходимо для эффективной передачи цифрового объекта получателю, несмотря на то, что сам по себе цифровой объект не передавался между отправителем и получателем указания.

[62] В контексте настоящего описания «текущий параметр измерения погоды» подразумевает под собой последнее (наиболее актуальное) измеренное значение параметра измерения погоды. Причем в качестве параметра измерения погоды могут быть, в частности, температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[63] В контексте настоящего описания «исторический параметр погоды» подразумевает под собой значение параметра погоды для конкретной даты и местоположения, известное из истории наблюдений (измерений) в предыдущие годы. Так, например, по данным всемирной метеорологической организации (WMO) 01 марта 2015 года (в прошлом году) в Москве значение температуры воздуха составляло +1°С, а 01 Марта 1965 года оно составляло -12.6°С, и т.д. Ретроспектива и количество известных исторических параметров погоды для различных местоположений может отличаться.

[64] В контексте настоящего описания «параметр прогнозирования погоды» подразумевает под собой спрогнозированное значение параметра погоды для конкретного местоположения или различных местоположений в конкретный момент времени или временной отрезок в будущем.

[65] В контексте настоящего описания «сторонний сервис прогноза погоды» подразумевает под собой ресурс, содержащий доступные для извлечения данные о прогнозированиях параметров погоды для различных местоположений в различные моменты времени или временные отрезки в будущем и/или компьютерную программу, способную генерировать параметры прогнозирования погоды по запросу для конкретного местоположения в конкретный момент времени или временной отрезок в будущем.

[66] В контексте настоящего описания «исторический параметр прогнозирования погоды» подразумевает под собой значение параметра погоды, которое было спрогнозировано ранее для уже наступившего момента времени. В частности, исторические параметры прогноза погоды могут отражать изменения прогноза погоды по мере приближения момента времени прогноза.

[67] В контексте настоящего описания «местоположением объекта» понимается местоположение географического объекта, в частности, конкретная область, город, район, аэропорт, железнодорожная станция и др. Под местоположением объекта могут пониматься также конкретные географические координаты, например, данные геолокации, которые могут быть получены сервером с электронного устройства по сети передачи данных.

[68] В контексте настоящего описания «хранилище данных» подразумевает под собой носитель любого типа и характера, включая ОЗУ, ПЗУ, диски (CD-ROM, DVD-диски, дискеты, жесткие диски и т.д.), USB флеш-накопители, твердотельные накопители, накопители на магнитной ленте и т.д.

[69] Варианты осуществления настоящей технологии содержат, по меньшей мере, одну из вышеупомянутых целей и/или объектов.

[70] Дополнительные и/или альтернативные характеристики, аспекты и преимущества вариантов осуществления настоящей технологии станут очевидными из последующего описания, прилагаемых фигур и прилагаемой формулы изобретения.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[71] Для лучшего понимания представленной технологии, а также других ее аспектов и дополнительных характеристик сделана ссылка на следующее описание, которое должно использоваться в сочетании с прилагаемыми чертежами, в которых:

[72] Фиг. 1 представляет собой снимок экрана, отражающий пример представления данных о текущих параметрах погоды для заданной территории согласно известному уровню техники;

[73] Фиг. 2 представляет собой схематическую диаграмму иллюстрирующую систему 200, подходящую для осуществления настоящей технологии;

[74] Фиг. 3 представляет собой иллюстративный пример базы данных текущих параметров погоды;

[75] Фиг. 4 представляет собой иллюстративный пример базы данных исторических параметров погоды;

[76] Фиг. 5 представляет собой иллюстративный пример базы данных стороннего сервиса прогноза погоды;

[77] Фиг. 6 представляет собой блок-схему заявляемого способа для создания прогноза погоды, выполняемый сервером в системе, реализованного в соответствии с не ограничивающими вариантами осуществления настоящей технологии;

[78] Фиг. 7 представляет собой блок-схему заявляемого способа создания прогноза погоды, выполняемого сервером в системе, реализованного в соответствии с не ограничивающими вариантами осуществления настоящей технологии.

ПОДРОБНОЕ ОПИСАНИЕ

[79] Все примеры и используемые здесь условные конструкции предназначены, главным образом, для того, чтобы помочь читателю понять принципы настоящей технологии, а не для установления границ ее объема.

[80] Кроме того, для ясности в понимании, следующее описание касается достаточно упрощенных вариантов осуществления настоящей технологии. Как будет понятно специалисту в данной области техники, многие варианты осуществления настоящей технологии будут обладать гораздо большей сложностью.

[81] Некоторые полезные примеры модификаций настоящей технологии также могут быть охвачены нижеследующим описанием. Целью этого является также исключительно помощь в понимании, а не определение объема и границ настоящей технологии. Эти модификации не представляют собой исчерпывающего списка, и специалисты в данной области техники могут создавать другие модификации, остающиеся в границах объема настоящей технологии. Кроме того, те случаи, в которых не были представлены примеры модификаций, не должны интерпретироваться как то, что никакие модификации невозможны, и/или что то, что было описано, является единственным вариантом осуществления этого элемента настоящей технологии.

[82] На Фиг. 2 проиллюстрирована диаграмма сетевой компьютерной системы 200. Важно иметь в виду, что компьютерная система 200 является лишь одним из возможных вариантов осуществления настоящей технологии. Таким образом, все последующее описание представлено только как описание иллюстративного примера представленной технологии. Это описание не может определять объем и сущность представленной технологии. В некоторых случаях, которые считаются полезными примерами модификаций компьютерной системы 200 также могут быть охвачены нижеследующим описанием. Это сделано только для помощи в понимании и, снова-таки, не для определения объема и сущности представленной технологии. Эти модификации не являются исчерпывающим списком и для специалиста в данной области техники будет очевидно, что другие модификации возможны. Кроме того, следует иметь в виду, что компьютерная система 200 представляет собой в некоторых конкретных проявлениях достаточно простой вариант осуществления технологии, и в подобных случаях представлен здесь с целью облегчения понимания. Как будет понятно специалисту в данной области техники, многие варианты осуществления будут обладать большей сложностью.

[83] Фиг. 2 представляет собой схематическую диаграмму иллюстрирующую систему 200 в соответствии с одним вариантом осуществления представленной технологии.

[84] Система 200 включает в себя по меньшей мере один сервер 202, сеть передачи данных 208, хранилище данных текущих параметров погоды 210, хранилище данных исторических параметров погоды 212. Дополнительно система 200 может включать в себя по меньшей мере один сервер стороннего сервиса прогноза погоды 222 и/или по меньшей мере одно клиентское устройство 232.

[85] Сервер 202 может представлять собой обычный компьютерный сервер. В примере варианта осуществления представленной технологии, сервер 202 может представлять собой сервер Dell™ PowerEdge™, на котором используется операционная система Microsoft™ Windows Server™. Излишне говорить, что сервер 202 может представлять собой любое другое подходящее аппаратное и/или прикладное программное, и/или системное программное обеспечение или их комбинацию. В представленном не ограничивающем варианте осуществления представленной технологии, сервер 202 является одиночным сервером. В других не ограничивающих вариантах осуществления представленной технологии, функциональность сервера 202 может быть распределена, и может выполняться с помощью нескольких серверов.

[86] Вариант осуществления сервера 202 хорошо известен. Тем не менее, вкратце, сервер 202 содержит коммуникационный интерфейс (не показан), который настроен и выполнен с возможностью устанавливать соединение с различными элементами (например, хранилищем данных текущих параметров погоды 210, хранилищем данных исторических параметров погоды 212 и другими устройствами, потенциально присоединенными к сети 208 передачи данных) через сеть 208 передачи данных. Сервер также содержит по меньшей мере один компьютерный процессор 204, функционально соединенный с коммуникационным интерфейсом, настроенный и выполненный с возможностью выполнять различные процессы, описанные здесь. Сервер 202 дополнительно содержит по меньшей мере один модуль машинного обучения 206, при использовании которого процессор 204 способен осуществлять различные процессы, описанные здесь.

[87] Модуль машинного обучения 206 может быть выполнен в виде программных инструкций, реализующих алгоритм машинного обучения. В качестве алгоритма машинного обучения может быть применен любой подходящий алгоритм, например: искусственная нейронная сеть, Байесовская статистика, Гауссовский процесс регрессии, деревья решений и т.д.

[88] Модуль машинного обучения 206 дополнительно может содержать программные инструкции, реализующие и иные алгоритмы, в частности, вычисление среднего исторического значения, создание нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и средним значением исторического параметра погоды для момента времени измерения и др. Подробнее модуль машинного обучения 206 будет описан ниже.

[89] Сервер 202 коммуникативно соединен (или иным образом имеет доступ) к по меньшей мере одному хранилищу данных текущих параметров погоды 210, и по меньшей мере одному хранилищу данных исторических параметров погоды 212. Хранилище данных текущих параметров погоды 210 и хранилище данных исторических параметров погоды 212 могут представлять собой одно общее хранилище данных, либо по меньшей мере два разных хранилища данных (показано на Фиг. 2). Несмотря на то, что упомянутые хранилища данных 210 и 212 отделены от сервера 202, в альтернативных вариантах, функциональность по меньшей мере одного из хранилищ данных 210 и 212 может реализовать сервер 202. В других не ограничивающих вариантах осуществления представленной технологии, функциональность каждого из упомянутых хранилищ данных 210 и 212 может быть распределена между несколькими хранилищами данных.

[90] Со ссылкой на Фиг. 2 и Фиг. 3 основной задачей хранилища данных текущих параметров погоды 210 является хранение базы данных текущих параметров погоды 300. Наполнение базы данных 300 происходит в режиме реального или близкого к реальному времени путем получения измеренных или вычисленных параметров погоды для конкретной географической местности, в частности, от метеостанций, метеозондов и метеоспутников (не показаны). В иллюстративном примере на Фиг. 1 показаны данные, полученные 11 февраля 2016 года в 16:45 в реальном времени с метеостанции, установленной в районе аэропорта Внуково в Москве. Примером базы данных текущих параметров погоды 300 может быть база данных климатического центра Росгидромета http://cc.voeikovmgo.ru/ru/klimat/weather или, например, база данных Национального управления по исследованию океана и атмосферы США http://www.weather.gov/current, или, например, база данных Всемирной метеорологической организации (WMO).

[91] Возможен вариант осуществления настоящей технологии, в котором сервер 202 выполнен с возможностью получать данные напрямую от по меньшей мере одной метеостанции и формировать базу данных текущих параметров погоды 300.

[92] На фиг. 3 показан иллюстративный пример базы данных 300, расположенной на хранилище данных текущих параметров погоды 210. В данном примере на фиг. 3 отображено текущее время и дата 302 (11 февраля 2016 года, 16:45), местоположение 304 (Россия, Москва, аэропорт Внуково) и текущие значения параметров погоды 306, полученных от метеостанции в реальном или близком к реальному времени. Стоит отметить, что количество и качество наполнения базы данных 300 никак конкретно не ограничено. Так, например, база данных 300 может содержать по меньшей мере один текущий параметр погоды для по меньшей мере одного местоположения. База данных 300 может содержать и существенно большее количество наблюдаемых или вычисляемых текущих параметров погоды для различных местоположений. В качестве текущих параметров погоды могут быть, в частности: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[93] Со ссылкой на Фиг. 2 и Фиг. 4 основной задачей хранилища данных исторических параметров погоды 212 является хранение базы данных исторических параметров погоды 400. В по меньшей мере одной базе данных 400 могут быть сохранены исторические данные наблюдений параметров погоды для конкретных местоположений за определенный период времени и их средние значения. В иллюстративном примере на Фиг. 4 показана база данных 400, содержащая данные о дате измерений 402 (11 февраля с 2001 по 2015 гг.), данные о местоположении 404 (Россия, Москва, аэропорт Внуково), параметры погоды 406 (температура воздуха, скорость ветра, влажность). Количество и качество наполнения базы данных 400 никак конкретно не ограничено, однако доступная ретроспектива исторических измерений для различных местоположений может отличаться.

[94] На Фиг. 2 показан также сторонний сервис прогноза погоды 222, представленный в виде сервера, подключенного к сети передачи данных 208. Сторонний сервис прогноза погоды 222 включает в себя базу данных параметров прогнозирования 224 для по меньшей мере одного местоположения по меньшей мере в один момент времени в будущем (после текущего момента времени) и/или временной отрезок в будущем. Сторонний сервис 222 может получать значения параметров прогнозирования погоды для момента времени прогнозирования с использованием различных методов и алгоритмов и сохранять их в базе данных параметров прогнозирования 224. Для целей настоящей технологии не имеет значения то, как именно сторонний сервис 222 получает параметры прогнозирования погоды для конкретного местоположения для момента времени прогнозирования.

[95] В иллюстративном примере на Фиг. 5 база данных параметров прогнозирования 224 содержит всего две записи всего для одного местоположения, однако в реальной жизни база данных прогнозирования может содержать значительно большее число записей. Например, месячный прогноз (на каждый день за будущий месяц) для 10 000 местоположений, или, например, недельный прогноз для двух местоположений и т.д.

[96] В иллюстративном примере на Фиг. 5 база данных параметров прогнозирования 224 содержит всего один параметр погоды- температура воздуха. Число прогнозируемых параметров погоды так же никак не ограничено. В качестве параметров погоды может быть выбран по меньшей мере один из следующих: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[97] Сторонний сервис прогноза погоды 222 может включать в себя и базу данных исторических прогнозов 226 (Фиг. 5). В базе данных исторических прогнозов 226 сохраняется история прогнозов параметров погоды сторонним сервисом прогноза погоды 222. Например, на 11 февраля 2016 года для местоположения Россия, Москва, аэропорт Внуково за месяц до этого (11 января) сторонний сервис прогноза погоды 222 прогнозировал параметр погоды температура воздуха -5°С, за две недели до этого уже -3°С, а за 3 дня до этого +1°С. Все эти исторические данные прогнозов могут быть сохранены в базе данных исторических прогнозов 226.

[98] Сервер 202 выполнен с возможностью получать от стороннего сервиса прогноза погоды 222 по сети передачи данных 208 параметры прогнозирования погоды из базы данных прогнозов 224. Возможен вариант осуществления настоящей технологии, в котором модуль машинного обучения 206 сервера 202 выполнен с возможностью получать по меньшей мере одно значение параметра прогнозирования погоды для момента времени прогнозирования.

[99] Сервер 202 выполнен с возможностью получать от стороннего сервиса прогноза погоды 222 по сети передачи данных 208 исторические параметры прогнозирования погоды из базы данных исторических прогнозов 226. Указанная база данных исторических прогнозов 226 может храниться на стороннем сервисе прогноза погоды 222 как показано на фиг.2, однако возможен вариант осуществления настоящей технологии, согласно которому такую базу данных исторических прогнозов 226 может включать в себя сервер 202, путем последовательного отслеживания базы данных параметров прогнозирования 224 стороннего сервиса прогноза погоды 222. Модуль машинного обучения 206 выполнен с возможностью использовать полученные параметры прогноза погоды и/или исторические параметры прогноза погоды стороннего сервиса прогноза погоды 222 в качестве дополнительных входных параметров алгоритма машинного обучения.

[100] Система 200 может включать в себя по меньшей мере одно электронное устройство 232. Электронное устройство 232 обычно связано с пользователем 230 и, таким образом, иногда может упоминаться как «клиентское устройство». Следует отметить, что тот факт, что электронное устройство 232 связано с пользователем, не подразумевает какого-либо конкретного режима работы, равно как и необходимости входа в систему, регистрации, или чего-либо подобного.

[101] Варианты осуществления электронного устройства 232 конкретно не ограничены, но в качестве примера электронного устройства 232 могут использоваться персональные компьютеры (настольные компьютеры, ноутбуки, нетбуки и т.п.), устройства беспроводной связи (смартфоны, мобильные телефоны, планшеты и т.п.), а также сетевое оборудование (маршрутизаторы, коммутаторы или шлюзы).

[102] Электронное устройство 232 включает в себя аппаратное и/или прикладное программное, и/или системное программное обеспечение (или их комбинацию), позволяющее осуществлять доступ к информации, хранящейся на сервере 202 и сторонним сервисам прогноза погоды 222 и отправлять запросы по сети передачи данных 208. Электронное устройство 232 может осуществлять отправку запроса на создание прогноза погоды на сервер 202 по сети передачи данных 208, а сервер 202 выполнен с возможностью получения запроса на создание прогноза погоды. Электронное устройство 232 может также осуществлять отправку данных о местоположении (например, данные геолокации) на сервер 202. Возможен вариант осуществления, в котором сервер 202 выполнен с возможностью получения данных о местоположении объекта от электронного устройства 232 по сети передачи данных 208.

[103] Доступ к информации, хранящейся на сервере 202 и сторонним сервисам прогноза погоды 222 а также отправка запросов может осуществляться электронным устройством 232 посредством браузерного приложения путем доступа пользователем 230 на соответствующий веб-сайт. Альтернативно или дополнительно на электронном устройстве 232 может быть установлено собственное программное обеспечение поставщика данных, обеспечивающее обмен данными с соответствующим поставщиком данных, например, сервером 202 и/или сторонним сервисом прогноза погоды 222.

[104] Возможен вариант осуществления, в котором электронное устройство 232 выполнено с возможностью отправки запроса на предоставление прогноза погоды с указанием конкретного момента времени прогнозирования. Например, пользователь 230 желает получить прогноз на конкретную дату (еще не наступившую), допустим, 12 февраля 2016 года.

[105] Возможен вариант осуществления, в котором электронное устройство 232 выполнено с возможностью отправки на сервер 202 запроса с указанием точного местоположения пользователя 230, связанного с электронным устройством 232.

[106] На Фиг. 6, представлена блок-схема этапов способа 600, который выполняется в соответствии с не ограничивающими вариантами осуществления представленной технологии.

[107] Этап 602 – получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения.

[108] Способ 600 начинается на этапе 602, в котором модуль машинного обучения 206 сервера 202 получает из базы данных текущих параметров погоды 300 соответствующего хранилища данных 210 по меньшей мере один текущий параметр измерения погоды, связанный с соответствующим местоположением в момент времени измерения.

[109] При этом параметр измерения погоды является по меньшей мере одним из следующего: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[110] Возможен вариант осуществления настоящей технологии, в котором модуль машинного обучения 206 сервера 202 получает по меньшей мере один текущий параметр измерения погоды от по меньшей мере одного измерительного устройства напрямую. Конструкция и тип такого измерительного устройства никак конкретно не ограничен и выбирается исходя из измеряемого параметра погоды и требуемой точности измерений. Измерительное устройство может представлять собой, в частности, термометр, анемометр, гигрометр, барометр и др.

[111] Затем способ 600 переходит к этапу 604.

[112] Этап 604 – получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения.

[113] На этапе 604, модуль машинного обучения 206 сервера 202 получает из базы данных исторических параметров погоды 400 соответствующего хранилища данных 212 по меньшей мере одно первое среднее значение исторического параметра погоды для момента времени измерения, связанное с соответствующим местоположением.

[114] Возможен вариант осуществления сервера 202 в котором сервер дополнительно содержит модуль вычисления среднего значения (не показан), содержащий машиночитаемые инструкции, при исполнении которых процессор 204 способен вычислять средние значения исторического параметра погоды. Модуль машинного обучения 206 также может содержать указанные машиночитаемые инструкции для вычисления среднего значения исторического параметра погоды для момента времени измерения. При получении исторических данных из базы данных исторических параметров погоды 400 процессор 204 вычисляет среднее значение для каждого из параметров погоды 406. При этом, первое среднее значение исторического параметра погоды может быть получено с использованием всех или части данных доступных в базе данных исторических параметров погоды 400. Так, например, первое среднее значение исторического параметра погоды может представлять собой среднее значение температуры воздуха в районе аэропорта Внуково 11 февраля за последние 5 лет. Альтернативно, например, первое среднее значение исторического параметра погоды может представлять собой среднее значение влажности воздуха в районе аэропорта Внуково 11 февраля за последние 14 лет. Альтернативно или дополнительно база данных исторических параметров погоды 400 может содержать вычисленные средние значения исторических параметров погоды. То есть модуль машинного обучения 206 может получать первое среднее значение исторического параметра погоды как от модуля вычисления среднего (не показан), так и напрямую из базы данных исторических параметров погоды 400. При этом модуль вычисления среднего значения (не показан) может являться частью модуля машинного обучения 206.

[115] Возможен вариант осуществления способа, в котором дополнительно осуществляют получение модулем машинного обучения 206 второго среднего значения исторического параметра погоды для момента времени прогнозирования. Например, первое среднее значение исторического параметра погоды для момента времени измерения может представлять собой среднее значение температуры воздуха в районе аэропорта Внуково 11 февраля за последние 5 лет, а второе среднее значение исторического параметра погоды для момента времени прогнозирования может представлять собой среднее значение температуры воздуха в районе аэропорта Внуково 12 февраля за последние 5 лет. Очевидно, что может быть выбрана и иная ретроспектива исторических параметров погоды, даты, местоположения и др. в зависимости от доступных данных в базе данных 400.

[116] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды основано на исторических данных параметра погоды, полученных до текущего параметра измерения погоды до момента времени измерения.

[117] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием статистической модели прогнозирования погоды.

[118] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием второго алгоритма машинного обучения. Например, в случае недоступности либо недостаточности исторических данных параметра погоды в базе данных исторических параметров погоды 400 соответствующего хранилища данных 212 недостающие данные могут быть получены посредством второго алгоритма машинного обучения. Так, при наличии не всех исторических данных параметров погоды 406, как показано на фиг. 4 (незаполненные поля таблицы), среднее значения исторического параметра погоды для момента времени измерения может быть получено после обучения второго алгоритма машинного обучения на основе известных (заполненные поля таблицы) исторических параметров погоды в базе данных исторических параметров погоды 400. Причем сервер 202 может включать в себя по меньшей мере один второй модуль машинного обучения (не показан). Альтернативно или дополнительно второй алгоритм машинного обучения может быть реализован модулем машинного обучения 206.

[119] Возможен вариант осуществления способа, в котором дополнительно в качестве входных данных модулем машинного обучения 206 от стороннего сервиса прогноза погоды 222 может быть получено по меньшей мере одно значение параметра прогнозирования погоды для момента времени прогнозирования.

[120] Возможен вариант осуществления способа, в котором дополнительно в качестве входных данных модулем машинного обучения 206 от стороннего сервиса прогноза погоды 222 может быть получено по меньшей мере одно значение параметра прогнозирования погоды для момента времени прогнозирования и исторические данные прогнозирования погоды упомянутым сторонним сервисом прогноза погоды до момента времени измерения.

[121] Возможен вариант осуществления способа, в котором сторонний сервис прогноза погоды 222 представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования. При этом среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования может быть вычислено модулем машинного обучения 206 сервера 202, либо отдельным модулем вычисления среднего (не показан). Примерами стороннего сервиса прогноза погоды 222 могут быть, например, weather.com, gismeteo.ru, и др.

[122] Затем способ переходит к этапу 606.

[123] Этап 606 – создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения.

[124] На этапе 606 сервер 202 посредством модуля машинного обучения 206 создает нормализованное значение параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения.

[125] Со ссылкой на иллюстративные примеры на фиг. 3 и фиг. 4 процессор осуществляет определение разности между текущим значением параметра измерения погоды для аэропорта Внуково 11.02.2016 и среднего исторического значения того же параметра погоды для того же местоположения на ту же дату.

[126] Нормализованное значение параметра измерения погоды может быть вычислено по формуле ΔT=|T1-T2|, где T1 - текущим параметром измерения погоды, T2 - среднее значение исторического параметра погоды, а ΔT- нормализованное значение параметра измерения погоды.

[127] Возможен вариант осуществления способа, в котором дополнительно выполняют: получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования; создание модулем машинного обучения параметра прогнозирования погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[128] Затем способ переходит к этапу 608.

[129] Этап 608 - обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогноза после момента времени измерения.

[130] На этапе 608 сервер 202 осуществляет обучение модуля машинного обучения 206 создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогноза после момента времени измерения.

[131] Возможен вариант осуществления способа, в котором дополнительно выполняют получение модулем машинного обучения от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования; при этом обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды осуществляют с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды для момента времени прогнозирования и нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[132] Возможен вариант осуществления способа в котором дополнительно выполняют получение от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования и исторических данных прогнозов погоды упомянутым сторонним сервисом прогноза погоды до момента времени измерения; при этом обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды осуществляют с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды, для момента времени прогнозирования и исторических данных прогнозов погоды упомянутым сторонним сервисом прогноза погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после текущего момента времени.

[133] Возможен вариант осуществления способа, в котором в котором сторонний сервис прогноза погоды представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования.

[134] Возможен вариант осуществления способа, в котором задают максимальное отклонение значения параметра прогнозирования, получаемого от стороннего сервиса прогноза погоды, от нормализованного значения параметра прогнозирования погоды; в ответ на превышение максимального отклонения значением параметра прогнозирования, полученного от стороннего сервиса прогноза погоды, игнорирование данного значения параметра прогнозирования при создании второго нормализованного значения параметра измерения погоды.

[135] Обучение алгоритма машинного обучения осуществляется следующим образом. В качестве входных данных используют: нормализованное значение параметра измерения погоды, полученное на основе различия между текущим параметром измерения погоды, представляющим собой параметр погоды в момент времени измерения и первым средним значением исторического параметра погоды для момента времени измерения. Дополнительно в качестве входных параметров алгоритма машинного обучения может быть использовано по меньшей мере одно из следующего: параметр прогнозирования погоды, полученный на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования, второе среднее значение исторического параметра погоды для момента времени прогнозирования, по меньшей мере одно значение параметра прогнозирования погоды для момента времени прогнозирования, полученное от по меньшей мере одного стороннего сервиса прогноза погоды 222, исторические данные прогнозов погоды упомянутым сторонним сервисом прогноза погоды 222 до момента времени измерения. В качестве выходных данных получают нормализованное значение параметра прогноза погоды.

[136] После выполнения этапа 608 способ завершается.

[137] На Фиг. 7, представлена блок-схема этапов способа 700, который выполняется в соответствии с не ограничивающими вариантами осуществления представленной технологии.

[138] Этап 702 – получение запроса на создание прогноза погоды.

[139] Способ 700 начинается на этапе 702, в котором сервер 202 получает по сети передачи данных 208 запрос на создание прогноза погоды. Возможен вариант осуществления, в котором запрос на создание прогноза погоды получают от по меньшей мере одного электронного устройства 232.

[140] Возможен вариант осуществления способа, в котором на этапе получения запроса дополнительно получают указание местоположения объекта Возможен вариант осуществления способа, в котором данные о местоположении объекта получают от по меньшей мере одного электронного устройства 232.

[141] Местоположение может быть выбрано пользователем 230 из списка доступных местоположений посредством электронного устройства 232, например, город Москва, аэропорт Внуково. Список доступных местоположений может быть размещен, в частности на веб-ресурсе, доступном по сети передачи данных 208. Кроме того, в качестве данных о местоположении объекта, посредством электронного устройства 232 по сети передачи данных 208 на сервер 202, могут быть переданы данные геолокации, указывающие точное местоположение пользователя 230.

[142] Этап 704 – получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения.

[143] Способ 700 продолжается на этапе 704, в котором модуль машинного обучения 206 сервера 202 получает из базы данных текущих параметров погоды 300 соответствующего хранилища данных 210 по меньшей мере один текущий параметр измерения погоды, в момент времени измерения.

[144] При этом параметр измерения погоды является по меньшей мере одним из следующего: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[145] Возможен вариант осуществления способа, в котором модуль машинного обучения 206 сервера 202 получает из базы данных текущих параметров погоды 300 соответствующего хранилища данных 210 по меньшей мере один текущий параметр измерения погоды, для указанного местоположения объекта в момент времени измерения.

[146] Возможен вариант осуществления настоящей технологии, в котором модуль машинного обучения 206 сервера 202 получает по меньшей мере один текущий параметр измерения погоды от по меньшей мере одного измерительного устройства напрямую. Конструкция и тип такого измерительного устройства никак конкретно не ограничен и выбирается исходя из измеряемого параметра погоды и требуемой точности измерений. Измерительное устройство может представлять собой, в частности, термометр, анемометр, гигрометр, барометр и др.

[147] Затем способ 700 переходит к этапу 706.

[148] Этап 706 – получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения.

[149] На этапе 706, модуль машинного обучения 206 сервера 202 получает из базы данных исторических параметров погоды 400 соответствующего хранилища данных 212 по меньшей мере одно первое среднее значение исторического параметра погоды для момента времени измерения, связанное с указанным местоположением.

[150] Возможен вариант осуществления способа, в котором на этапе 706, модуль машинного обучения 206 сервера 202 получает из базы данных исторических параметров погоды 400 соответствующего хранилища данных 212 по меньшей мере одно первое среднее значение исторического параметра погоды для момента времени измерения, связанное с указанным местоположением.

[151] Возможен вариант осуществления сервера 202 в котором сервер дополнительно содержит модуль вычисления среднего значения (не показан), содержащий машиночитаемые инструкции, при исполнении которых процессор 204 способен вычислять средние значения исторического параметра погоды. Модуль машинного обучения 206 также может содержать указанные машиночитаемые инструкции для вычисления среднего значения исторического параметра погоды для момента времени измерения. При получении исторических данных из базы данных исторических параметров погоды 400 процессор 204 вычисляет среднее значение для каждого из параметров погоды 406. При этом, первое среднее значение исторического параметра погоды может быть получено с использованием всех или части данных доступных в базе данных исторических параметров погоды 400. Так, например, первое среднее значение исторического параметра погоды может представлять собой среднее значение температуры воздуха в районе аэропорта Внуково 11 февраля за последние 5 лет. Альтернативно, например, первое среднее значение исторического параметра погоды может представлять собой среднее значение влажности воздуха в районе аэропорта Внуково 11 февраля за последние 14 лет. Альтернативно или дополнительно база данных исторических параметров погоды 400 может содержать вычисленные средние значения исторических параметров погоды. То есть модуль машинного обучения 206 может получать первое среднее значение исторического параметра погоды как от модуля вычисления среднего (не показан), так и напрямую из базы данных исторических параметров погоды 400. При этом модуль вычисления среднего значения (не показан) может являться частью модуля машинного обучения 206.

[152] Возможен вариант осуществления способа, в котором дополнительно осуществляют получение модулем машинного обучения 206 второго среднего значения исторического параметра погоды для момента времени прогнозирования. Например, первое среднее значение исторического параметра погоды может представлять собой среднее значение температуры воздуха в районе аэропорта Внуково 11 февраля за последние 5 лет, а второе среднее значение исторического параметра погоды для момента времени прогнозирования может представлять собой среднее значение температуры воздуха в районе аэропорта Внуково 15 февраля за последние 5 лет. Очевидно, что может быть выбрана и иная ретроспектива исторических параметров погоды в зависимости от доступных данных в базе данных 400.

[153] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды основано на исторических данных параметра погоды, полученных до текущего параметра измерения погоды до момента времени измерения.

[154] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием статистической модели прогнозирования погоды.

[155] Возможен вариант осуществления способа, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием второго алгоритма машинного обучения. Например, в случае недоступности либо недостаточности исторических данных параметра погоды в базе данных исторических параметров погоды 400 соответствующего хранилища данных 212 недостающие данные могут быть получены посредством второго алгоритма машинного обучения. Так при наличии не всех исторических данных параметров погоды 406, как показано на фиг. 4 (незаполненные поля таблицы), среднее значения исторического параметра погоды для момента времени измерения может быть получено после обучения второго алгоритма машинного обучения на основе известных (заполненные поля таблицы) исторических параметров погоды в базе данных исторических параметров погоды 400. Причем сервер 202 может включать в себя по меньшей мере один второй модуль машинного обучения (не показан). Альтернативно или дополнительно второй алгоритм машинного обучения может быть реализован модулем машинного обучения 206.

[156] Возможен вариант осуществления способа, в котором дополнительно в качестве входных данных модулем машинного обучения 206 от стороннего сервиса прогноза погоды 222 может быть получено по меньшей мере одно значение параметра прогнозирования погоды для момента времени прогнозирования.

[157] Возможен вариант осуществления способа, в котором дополнительно в качестве входных данных модулем машинного обучения 206 от стороннего сервиса прогноза погоды 222 может быть получено по меньшей мере одно значение параметра прогнозирования погоды для момента времени прогнозирования и исторические данные прогнозирования погоды упомянутым сторонним сервисом прогноза погоды до момента времени измерения.

[158] Возможен вариант осуществления способа, в котором сторонний сервис прогноза погоды 222 представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования. При этом среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования может быть вычислено модулем машинного обучения 206 сервера 202, либо отдельным модулем вычисления среднего (не показан).

[159] Возможен вариант осуществления способа, в котором текущий параметр измерения погоды для указанного местоположения объекта является параметром погоды, измеренным в наиболее близком местоположении относительно указанного местоположения объекта; первое среднее значение исторического параметра погоды для момента времени измерения для указанного местоположения объекта является средним значением исторического параметра погоды для наиболее близкого местоположения относительно указанного местоположения объекта.

[160] Затем способ переходит к этапу 708.

[161] Этап 708 – создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения.

[162] На этапе 708 сервер 202 посредством модуля машинного обучения 206 создает нормализованное значение параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения.

[163] Возможен вариант осуществления способа, в котором на этапе 708 сервер 202 посредством модуля машинного обучения 206 создает нормализованное значение параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения для указанного местоположения объекта.

[164] Со ссылкой на иллюстративные примеры на фиг. 3 и фиг. 4 процессор осуществляет определение разности между текущим значением параметра измерения погоды для аэропорта Внуково 11.02.2016 и среднего исторического значения того же параметра погоды для того же местоположения на ту же дату.

[165] Нормализованное значение параметра измерения погоды может быть вычислено по формуле ΔT=|T1-T2|, где T1 - текущим параметром измерения погоды, T2 - среднее значение исторического параметра погоды, а ΔT- нормализованное значение параметра измерения погоды.

[166] Возможен вариант осуществления способа, в котором дополнительно выполняют: получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования; создание модулем машинного обучения параметра прогнозирования погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[167] Затем способ переходит к этапу 710.

[168] Этап 710 – создание модулем машинного обучения нормализованного значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогноза после момента времени измерения.

[169] На этапе 710 модуль машинного обучения 206 создает нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогноза после момента времени измерения. При этом, модуль машинного обучения 206 предварительно обучен создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды.

[170] Обучение алгоритма машинного обучения осуществляется следующим образом. В качестве входных данных используют: нормализованное значение параметра измерения погоды, полученное на основе различия между текущим параметром измерения погоды, представляющим собой параметр погоды в момент времени измерения и первым средним значением исторического параметра погоды для момента времени измерения. Дополнительно в качестве входных параметров алгоритма машинного обучения может быть использовано по меньшей мере одно из следующего: параметр прогнозирования погоды, полученный на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования, второе среднее значение исторического параметра погоды для момента времени прогнозирования, по меньшей мере одно значение параметра прогнозирования погоды для момента времени прогнозирования, полученное от по меньшей мере одного стороннего сервиса прогноза погоды 222, исторические данные прогнозов погоды упомянутым сторонним сервисом прогноза погоды 222 до момента времени измерения. В качестве выходных данных получают нормализованное значение параметра прогноза погоды.

[171] Возможен вариант осуществления способа, в котором осуществляют получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования; сравнивают нормализованное значение параметра прогноза погоды для момента времени прогнозирования со вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[172] После выполнения этапа 710 способ переходит к этапу 712.

[173] Этап 712 - на основе нормализованного значения параметра прогнозирования погоды создание прогноза погоды.

[174] На этапе 712 с учетом полученного нормализованного значения прогноза погоды создают прогноз погоды.

[175] Прогноз погоды включает в себя по меньшей мере один параметр прогнозирования погоды для по меньшей мере одного момента времени прогнозирования.

[176] Возможен вариант осуществления способа, в котором после этапа создания прогноза погоды осуществляют передачу прогноза погоды на по меньшей мере одно электронное устройство 232.

[177] Возможен вариант осуществления способа, в котором на этапе 712 с учетом полученного нормализованного значения прогноза погоды создают прогноз погоды для указанного местоположения.

[178] Возможен вариант осуществления способа, в котором после этапа создания прогноза погоды для указанного местоположения осуществляют передачу прогноза погоды на по меньшей мере одно электронное устройство 232.

[179] После выполнения этапа 712 способ завершается.

[180] С некоторой точки зрения, варианты осуществления настоящей технологии можно изложить следующим образом, структурированно, пронумерованными пунктами:

[181] ПУНКТ 1. Способ (600) для предоставления прогноза погоды, способ выполняется на сервере (202), включающем процессор (204) и модуль машинного обучения (206), способ включает в себя:

получение (602) модулем машинного обучения (206) по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения;

получение (604) модулем машинного обучения (206) первого среднего значения исторического параметра погоды для момента времени измерения;

создание (606) модулем машинного обучения (206) нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения;

обучение (608) модуля машинного обучения (206) создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[182] ПУНКТ 2. Способ (600) по п. 1, в котором дополнительно выполняют:

получение модулем машинного обучения (206) второго среднего значения исторического параметра погоды для момента времени прогнозирования;

создание модулем машинного обучения (206) параметра прогнозирования погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[183] ПУНКТ 3. Способ (600) по любому из пп. 1, 2, в котором первое среднее значение исторического параметра погоды основано на исторических данных параметра погоды, полученных до текущего параметра измерения погоды до момента времени измерения.

[184] ПУНКТ 4. Способ (600) по п. 3, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием статистической модели прогнозирования погоды.

[185] ПУНКТ 5. Способ (600) по п. 3, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием второго алгоритма машинного обучения.

[186] ПУНКТ 6. Способ (600) по любому из пп. 1-5, в котором параметр измерения погоды является по меньшей мере одним из следующего: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[187] ПУНКТ 7. Способ (600) по любому из пп. 1-6, в котором дополнительно выполняют получение модулем машинного обучения (206) от стороннего сервиса прогноза погоды (222) по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования;

при этом обучение модуля машинного обучения (206) создавать нормализованное значение параметра прогнозирования погоды выполняют с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды (222) для момента времени прогнозирования и нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[188] ПУНКТ 8. Способ (600) по любому из пп. 1-7, в котором дополнительно выполняют получение от стороннего сервиса прогноза погоды (222) по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования и исторических данных прогнозов погоды упомянутым сторонним сервисом прогноза погоды (222) до момента времени измерения;

при этом обучение модуля машинного обучения (206) создавать нормализованное значение параметра прогнозирования погоды выполняют с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды (222), для момента времени прогнозирования и исторических данных прогнозов погоды упомянутым сторонним сервисом прогноза погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после текущего момента времени.

[189] ПУНКТ 9. Способ (600) по п. 8, в котором сторонний сервис прогноза погоды (222) представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования.

[190] ПУНКТ 10. Способ (600) по п. 9, в котором задают максимальное отклонение значения параметра прогнозирования, получаемого от стороннего сервиса прогноза погоды (222), от нормализованного значения параметра прогнозирования погоды;

в ответ на превышение максимального отклонения значением параметра прогнозирования, полученного от стороннего сервиса прогноза погоды (222), игнорирование данного значения параметра прогнозирования при создании второго нормализованного значения параметра измерения погоды.

[191] ПУНКТ 11. Способ (600) по любому из пп. 1-10, в котором на сервере (202) предварительно получают запрос с указанием конкретного момента времени прогнозирования.

[192] ПУНКТ 12. Способ (600) по любому из пп. 1-11, в котором момент времени прогнозирования представляет собой множество моментов времени прогнозирования, причем модулем машинного обучения (206) создают множество нормализованных значений параметра прогнозирования погоды для каждого момента времени прогнозирования.

[193] ПУНКТ 13. Способ (600) по п. 12, в котором множество моментов времени прогнозирования представляет собой моменты времени прогнозирования для множества связанных географических объектов в один момент времени прогнозирования.

[194] ПУНКТ 14. Способ (600) по п. 12, в котором множество моментов времени прогнозирования представляет собой по меньшей мере одно из следующего: часы одних суток, дни, недели, месяцы.

[195] ПУНКТ 15. Способ (600) по любому из пп.1-14, в котором на сервере (202) предварительно получают запрос с указанием местоположения объекта, дополнительно выполняют определение нормализованного значения параметра прогнозирования для указанного местоположения объекта.

[196] ПУНКТ 16. Способ (700) создания прогноза погоды, осуществляемый на сервере (202), включающем процессор (204) и модуль машинного обучения (206), способ, включающий:

получение (702) запроса на создание прогноза погоды;

получение (704) модулем машинного обучения (206) по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения;

получение (706) модулем машинного обучения (206) первого среднего значения исторического параметра погоды для момента времени измерения;

создание (708) модулем машинного обучения (206) нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения;

создание (710) модулем машинного обучения (206) нормализованного значения параметра прогнозирования погоды на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения;

на основе нормализованного значения параметра прогнозирования погоды создание (712) прогноза погоды.

[197] ПУНКТ 17. Способ (700) по п. 16, в котором дополнительно выполняют:

получение модулем машинного обучения (206) второго среднего значения исторического параметра погоды для момента времени прогнозирования;

создание прогноза погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[198] ПУНКТ 18. Способ (700) по п. 16, в котором запрос на создание прогноза погоды получают от по меньшей мере одного электронного устройства (232).

[199] ПУНКТ 19. Способ (700) по п. 16, в котором модуль машинного обучения (206) предварительно обучают создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды

[200] ПУНКТ 20. Способ (700) по п. 16, в котором после этапа (712) создания прогноза погоды осуществляют передачу прогноза погоды на по меньшей мере одно электронное устройство (232).

[201] ПУНКТ 21. Способ создания прогноза погоды, осуществляемый на сервере (202), включающем процессор (204) и модуль машинного обучения (206), способ, включающий:

получение запроса на создание прогноза погоды с указанием местоположения объекта;

получение модулем машинного обучения (206) по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения для указанного местоположения объекта;

получение модулем машинного обучения (206) первого среднего значения исторического параметра погоды для момента времени измерения для указанного местоположения объекта;

создание модулем машинного обучения (206) нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения для указанного местоположения объекта;

создание модулем машинного обучения (206) нормализованного значения параметра прогнозирования погоды на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения;

на основе нормализованного значения параметра прогнозирования погоды создание прогноза погоды для указанного местоположения объекта.

[202] ПУНКТ 22. Способ по п. 21, в котором дополнительно выполняют:

получение модулем машинного обучения (206) второго среднего значения исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта;

создание прогноза погоды для указанного местоположения объекта на основе различия между нормализованным значением параметра прогнозирования погоды для указанного местоположения объекта и вторым средним значением исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта.

[203] ПУНКТ 23. Способ по п. 21, в котором модуль машинного обучения (206) предварительно обучают создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды.

[204] ПУНКТ 24. Способ по п. 21, в котором запрос на создание прогноза погоды с указанием местоположения объекта получают от по меньшей мере одного электронного устройства (232).

[205] ПУНКТ 25. Способ по п. 21, в котором текущий параметр измерения погоды для указанного местоположения объекта является параметром погоды, измеренным в наиболее близком местоположении относительно указанного местоположения объекта;

первое среднее значение исторического параметра погоды для момента времени измерения для указанного местоположения объекта является средним значением исторического параметра погоды для наиболее близкого местоположения относительно указанного местоположения объекта.

[206] ПУНКТ 26. Способ по п. 22, в котором второе среднее значение исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта является вторым средним значением исторического параметра погоды для момента времени прогнозирования для наиболее близкого местоположения относительно указанного местоположения объекта.

[207] ПУНКТ 27. Способ по п. 21, в котором после этапа создания прогноза погоды для указанного местоположения осуществляют передачу прогноза погоды на по меньшей мере одно электронное устройство (232).

[208] ПУНКТ 28. Сервер (202) для создания прогноза погоды, включающий в себя модуль машинного обучения (206), и процессор (204), функционально соединенный с модулем машинного обучения (206), процессор (204) выполнен с возможностью осуществлять: получение (602, 704) модулем машинного обучения (206) по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения; получение (604, 706) модулем машинного обучения (206) первого среднего значения исторического параметра погоды для момента времени измерения; создание (606, 708) модулем машинного обучения (206) нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения; обучение (608) модуля машинного обучения (206) создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[209] ПУНКТ 29. Сервер (202) по п. 28, в котором процессор (204) дополнительно выполнен с возможностью осуществлять: получение модулем машинного обучения (206) второго среднего значения исторического параметра погоды для момента времени прогнозирования; создание модулем машинного обучения (206) параметра прогнозирования погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

[210] ПУНКТ 30. Сервер (202) по любому из пп. 28, 29, в котором первое среднее значение исторического параметра погоды основано на исторических данных параметра погоды, полученных до текущего параметра измерения погоды до момента времени измерения.

[211] ПУНКТ 31. Сервер (202) по п. 30, в котором процессор (204) дополнительно выполнен с возможностью осуществлять создание первого среднего значения исторического параметра погоды на основе исторических данных параметра погоды с использованием статистической модели прогнозирования погоды.

[212] ПУНКТ 32. Сервер (202) по любому из пп. 28-31, в котором процессор (204) дополнительно выполнен с возможностью осуществлять создание первого среднего значения исторического параметра погоды на основе исторических данных параметра погоды с использованием второго алгоритма машинного обучения.

[213] ПУНКТ 33. Сервер (202) по любому из пп. 28-32, в котором параметр измерения погоды является по меньшей мере одним из следующего: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

[214] ПУНКТ 34. Сервер (202) по любому из пп. 28-33, в котором процессор (204) дополнительно выполнен с возможностью осуществлять получение модулем машинного обучения (206) от стороннего сервиса прогноза погоды (222) по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования; и выполнять обучение модуля машинного обучения (206) создавать нормализованное значение параметра прогнозирования погоды с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды (222) для момента времени прогнозирования и нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

[215] ПУНКТ 35. Сервер (202) по любому из пп. 28-34, в котором процессор (204) дополнительно выполнен с возможностью осуществлять получение от стороннего сервиса прогноза погоды (222) по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования и исторических данных прогнозирования погоды упомянутым сторонним сервисом прогноза погоды (222) до момента времени измерения; и выполнять обучение модуля машинного обучения (206) создавать нормализованное значение параметра прогнозирования погоды с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды (222), для момента времени прогнозирования и исторических данных прогнозирования погоды упомянутым сторонним сервисом прогноза погоды (222), причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после текущего момента времени.

[216] ПУНКТ 36. Сервер (202) по п. 35, в котором сторонний сервис прогноза погоды (222) представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования.

[217] ПУНКТ 37. Сервер (202) по любому из пп. 35-37, в котором процессор (204) дополнительно выполнен с возможностью задавать максимальное отклонение значения параметра прогнозирования, получаемого от стороннего сервиса прогноза погоды (222), от нормализованного значения параметра прогнозирования погоды; в ответ на превышение максимального отклонения значением параметра прогнозирования, полученного от стороннего сервиса прогноза погоды, игнорирование данного значения параметра прогнозирования при создании второго нормализованного значения параметра измерения погоды.

[218] ПУНКТ 38. Сервер (202) по любому из пп. 28-37, в котором процессор (204) дополнительно выполнен с возможностью получать запрос с указанием конкретного момента времени прогнозирования.

[219] ПУНКТ 39. Сервер (202) по п. 38, в котором момент времени прогнозирования представляет собой множество моментов времени прогнозирования, причем процессор (204) дополнительно выполнен с возможностью осуществлять создание модулем машинного обучения множества нормализованных значений параметра прогнозирования погоды для каждого момента времени прогнозирования.

[220] ПУНКТ 40. Сервер (202) по п. 39, в котором множество моментов времени прогнозирования представляет собой моменты времени прогнозирования для множества связанных географических объектов в один момент времени прогнозирования.

[221] ПУНКТ 41. Сервер (202) по п. 39, в котором множество моментов времени прогнозирования представляет собой по меньшей мере одно из следующего: часы одних суток, дни, недели, месяцы.

[222] ПУНКТ 42. Сервер (202) по любому из пп. 28-41, в котором процессор (204) дополнительно выполнен с возможностью осуществлять получение запроса с указанием местоположения объекта, и определение нормализованного значения параметра прогнозирования для указанного местоположения объекта.

[223] ПУНКТ 43. Сервер (202) по любому из пп. 28-42, в котором процессор (204) выполнен с возможностью осуществлять: получение запроса на создание прогноза погоды.

[224] ПУНКТ 44. Сервер (202) по любому из пп. 28-43, в котором процессор (204) выполнен с возможностью осуществлять: получение данных о местоположении объекта от по меньшей мере одного электронного устройства (232).

[225] ПУНКТ 45. Сервер (202) по любому из пп. 28-44, в котором процессор (204) выполнен с возможностью осуществлять: передачу прогноза погоды на по меньшей мере одно электронное устройство (232).

[226] Модификации и усовершенствования описанных выше вариантов осуществления представленной технологии могут быть очевидны специалисту в данной области техники. Предшествующее описание является скорее примерным, чем ограничивающим. Таким образом, объем представленной технологии ограничен только объемом прилагаемой формулы изобретения.

1. Способ для предоставления прогноза погоды, способ выполняется на сервере, включающем процессор и модуль машинного обучения, способ включает в себя:

получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения;

получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения;

создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения;

обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

2. Способ по п. 1, в котором дополнительно выполняют:

получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования;

создание модулем машинного обучения параметра прогнозирования погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

3. Способ по п.1, в котором первое среднее значение исторического параметра погоды основано на исторических данных параметра погоды, полученных до текущего параметра измерения погоды до момента времени измерения.

4. Способ по п.3, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием статистической модели прогнозирования погоды.

5. Способ по п.3, в котором первое среднее значение исторического параметра погоды создают на основе исторических данных параметра погоды с использованием второго алгоритма машинного обучения.

6. Способ по п. 1, в котором параметр измерения погоды является по меньшей мере одним из следующего: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

7. Способ по п. 1, в котором дополнительно выполняют получение модулем машинного обучения от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования;

при этом обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды выполняют с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды для момента времени прогнозирования и нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

8. Способ по п. 1, в котором дополнительно выполняют получение от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования и исторических данных прогнозов погоды упомянутым сторонним сервисом прогноза погоды до момента времени измерения;

при этом обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды выполняют с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды, для момента времени прогнозирования и исторических данных прогнозов погоды упомянутым сторонним сервисом прогноза погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после текущего момента времени.

9. Способ по п. 8, в котором сторонний сервис прогноза погоды представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования.

10. Способ по п. 9, в котором задают максимальное отклонение значения параметра прогнозирования, получаемого от стороннего сервиса прогноза погоды, от нормализованного значения параметра прогнозирования погоды;

в ответ на превышение максимального отклонения значением параметра прогнозирования, полученного от стороннего сервиса прогноза погоды, игнорирование данного значения параметра прогнозирования при создании второго нормализованного значения параметра измерения погоды.

11. Способ по п. 1, в котором на сервере предварительно получают запрос с указанием конкретного момента времени прогнозирования.

12. Способ по п.1, в котором момент времени прогнозирования представляет собой множество моментов времени прогнозирования, причем модулем машинного обучения создают множество нормализованных значений параметра прогнозирования погоды для каждого момента времени прогнозирования.

13. Способ по п. 12, в котором множество моментов времени прогнозирования представляет собой моменты времени прогнозирования для множества связанных географических объектов в один момент времени прогнозирования.

14. Способ по п.12, в котором множество моментов времени прогнозирования представляет собой по меньшей мере одно из следующего: часы одних суток, дни, недели, месяцы.

15. Способ по п.1, в котором на сервере предварительно получают запрос с указанием местоположения объекта, дополнительно выполняют определение нормализованного значения параметра прогнозирования для указанного местоположения объекта.

16. Способ создания прогноза погоды, осуществляемый на сервере, включающем процессор и модуль машинного обучения, способ, включающий:

получение запроса на создание прогноза погоды;

получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения;

получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения;

создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения;

создание модулем машинного обучения нормализованного значения параметра прогнозирования погоды на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения;

на основе нормализованного значения параметра прогнозирования погоды создание прогноза погоды.

17. Способ по п. 16, в котором дополнительно выполняют:

получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования;

создание прогноза погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

18. Способ по п. 16, в котором запрос на создание прогноза погоды получают от по меньшей мере одного электронного устройства.

19. Способ по п. 16, в котором модуль машинного обучения предварительно обучают создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды.

20. Способ по п. 16, в котором после этапа создания прогноза погоды осуществляют передачу прогноза погоды на по меньшей мере одно электронное устройство.

21. Способ создания прогноза погоды, осуществляемый на сервере, включающем процессор и модуль машинного обучения, способ, включающий:

получение запроса на создание прогноза погоды с указанием местоположения объекта;

получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения для указанного местоположения объекта;

получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения для указанного местоположения объекта;

создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения для указанного местоположения объекта;

создание модулем машинного обучения нормализованного значения параметра прогнозирования погоды на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения;

на основе нормализованного значения параметра прогнозирования погоды создание прогноза погоды для указанного местоположения объекта.

22. Способ по п. 21, в котором дополнительно выполняют:

получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта;

создание прогноза погоды для указанного местоположения объекта на основе различия между нормализованным значением параметра прогнозирования погоды для указанного местоположения объекта и вторым средним значением исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта.

23. Способ по п. 21, в котором модуль машинного обучения предварительно обучают создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды.

24. Способ по п. 21, в котором запрос на создание прогноза погоды с указанием местоположения объекта получают от по меньшей мере одного электронного устройства.

25. Способ по п. 21, в котором текущий параметр измерения погоды для указанного местоположения объекта является параметром погоды, измеренным в наиболее близком местоположении относительно указанного местоположения объекта;

первое среднее значение исторического параметра погоды для момента времени измерения для указанного местоположения объекта является средним значением исторического параметра погоды для наиболее близкого местоположения относительно указанного местоположения объекта.

26. Способ по п. 22, в котором второе среднее значение исторического параметра погоды для момента времени прогнозирования для указанного местоположения объекта является вторым средним значением исторического параметра погоды для момента времени прогнозирования для наиболее близкого местоположения относительно указанного местоположения объекта.

27. Способ по п. 21, в котором после этапа создания прогноза погоды для указанного местоположения осуществляют передачу прогноза погоды на по меньшей мере одно электронное устройство.

28. Сервер для создания прогноза погоды, включающий в себя модуль машинного обучения и процессор, функционально соединенный с модулем машинного обучения, процессор выполнен с возможностью осуществлять: получение модулем машинного обучения по меньшей мере одного текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения; получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения; создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения; обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

29. Сервер по п. 28, в котором процессор дополнительно выполнен с возможностью осуществлять: получение модулем машинного обучения второго среднего значения исторического параметра погоды для момента времени прогнозирования; создание модулем машинного обучения параметра прогнозирования погоды на основе различия между нормализованным значением параметра прогнозирования погоды и вторым средним значением исторического параметра погоды для момента времени прогнозирования.

30. Сервер по п. 28, в котором первое среднее значение исторического параметра погоды основано на исторических данных параметра погоды, полученных до текущего параметра измерения погоды до момента времени измерения.

31. Сервер по п. 30, в котором процессор дополнительно выполнен с возможностью осуществлять создание первого среднего значения исторического параметра погоды на основе исторических данных параметра погоды с использованием статистической модели прогнозирования погоды.

32. Сервер по п. 28, в котором процессор дополнительно выполнен с возможностью осуществлять создание первого среднего значения исторического параметра погоды на основе исторических данных параметра погоды с использованием второго алгоритма машинного обучения.

33. Сервер по п. 28, в котором параметр измерения погоды является по меньшей мере одним из следующего: температура воздуха, температура воды, атмосферное давление, скорость ветра, направление ветра, влажность, осадки, облачность.

34. Сервер по п. 28, в котором процессор дополнительно выполнен с возможностью осуществлять получение модулем машинного обучения от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования;

и выполнять обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды для момента времени прогнозирования и нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения.

35. Сервер по п. 28, в котором процессор дополнительно выполнен с возможностью осуществлять получение от стороннего сервиса прогноза погоды по меньшей мере одного значения параметра прогнозирования погоды для момента времени прогнозирования и исторических данных прогнозирования погоды упомянутым сторонним сервисом прогноза погоды до момента времени измерения;

и выполнять обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды с учетом значения параметра прогнозирования погоды, полученного от стороннего сервиса прогноза погоды, для момента времени прогнозирования и исторических данных прогнозирования погоды упомянутым сторонним сервисом прогноза погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после текущего момента времени.

36. Сервер по п. 35, в котором сторонний сервис прогноза погоды представляет собой множество сторонних сервисов прогноза погоды, а значение параметра прогнозирования погоды для момента времени прогнозирования представляет собой среднее значение параметров прогнозирования, полученных от множества сторонних сервисов прогноза погоды для момента времени прогнозирования.

37. Сервер по п. 35, в котором процессор дополнительно выполнен с возможностью задавать максимальное отклонение значения параметра прогнозирования, получаемого от стороннего сервиса прогноза погоды, от нормализованного значения параметра прогнозирования погоды;

в ответ на превышение максимального отклонения значением параметра прогнозирования, полученного от стороннего сервиса прогноза погоды, игнорирование данного значения параметра прогнозирования при создании второго нормализованного значения параметра измерения погоды.

38. Сервер по п. 28, в котором процессор дополнительно выполнен с возможностью получать запрос с указанием конкретного момента времени прогнозирования.

39. Сервер по п. 38, в котором момент времени прогнозирования представляет собой множество моментов времени прогнозирования, причем процессор дополнительно выполнен с возможностью осуществлять создание модулем машинного обучения множества нормализованных значений параметра прогнозирования погоды для каждого момента времени прогнозирования.

40. Сервер по п. 39, в котором множество моментов времени прогнозирования представляет собой моменты времени прогнозирования для множества связанных географических объектов в один момент времени прогнозирования.

41. Сервер по п. 39, в котором множество моментов времени прогнозирования представляет собой по меньшей мере одно из следующего: часы одних суток, дни, недели, месяцы.

42. Сервер по п. 28, в котором процессор дополнительно выполнен с возможностью осуществлять получение запроса с указанием местоположения объекта и определение нормализованного значения параметра прогнозирования для указанного местоположения объекта.

43. Сервер по п. 28, в котором процессор выполнен с возможностью осуществлять: получение запроса на создание прогноза погоды.

44. Сервер по п. 28, в котором процессор выполнен с возможностью осуществлять: получение данных о местоположении объекта от по меньшей мере одного электронного устройства.

45. Сервер по п. 28, в котором процессор выполнен с возможностью осуществлять: передачу прогноза погоды на по меньшей мере одно электронное устройство.



 

Похожие патенты:

Изобретение относится к вычислительным средствам, предназначенным для формирования и мониторинга инвестиционных портфелей акций. Технический результат заключается в расширении арсенала технических средств мониторинга инвестиционных портфелей акций.

Изобретение относится к средствам электронной оплаты в сети «Интернет». Техническим результатом является повышение скорости выполнения онлайн транзакций с помощью мобильного устройства пользователя.

Изобретение относится к средствам обработки информации для сглаживания и прогнозирования стационарных и нестационарных случайных процессов. Технический результат заключается в расширении функциональных возможностей путем увеличения реального времени прогноза в четыре раза при том же объеме буфера памяти предыстории, без какого-либо ущерба для точности прогноза.

Изобретение относится к области поисковых систем в общем смысле, в частности к способу и устройству для создания рекомендуемого списка содержимого. Техническим результатом является уменьшение времени для предоставления релевантных рекомендаций содержимого для конкретного пользователя.

Группа изобретений относится к поисковым системам. Технический результат – реализация назначения расширенного арсенала технических средств для предоставления пользователю страницы результатов поиска на электронном устройстве.

Изобретение раскрывает способ и устройство для передачи ресурсов, которое относится к области компьютерных технологий. Технический результат заключается в уменьшении сложности потоковой передачи ресурсов с одновременным обеспечением безопасности.

Изобретение относится к способу передачи аудио- и видеоинформации для интернет-заказа товара. Технический результат заключается в обеспечении интернет-заказа товара посредством передачи аудио- и видеоинформации между пользователем и продавцом.

Предложены способ заказа товаров и система на его основе. Система для заказа товаров содержит по меньшей мере один сервер поставщика, по меньшей мере один основной сервер, выполненный с возможностью обмена данными с указанными серверами поставщика, и по меньшей мере одно пользовательское устройство, выполненное с возможностью обмена данными с указанными основными серверами.

Изобретение относится к измерению части тела. Техническим результатом является обеспечение отслеживания движения сканера с 6-ю степенями свободы.

В настоящем раскрытии раскрыты способ, терминальное устройство и сервер для передачи данных NFC. Технический результат заключается в расширении арсенала технических средств передачи данных NFC.

Способ исследования изменений климата Земли заключается в том, что измерительную систему, включающую два идентичных оптических телескопа, располагают на видимой поверхности Луны.

Изобретение относится к области метеорологии и может быть использовано для прогнозирования погоды. Сущность: выбирают информацию о погоде, включающую в себя данные температуры, связанную с временами и областями.

Изобретение относится к области метеорологии и может быть использовано для прогнозирования погоды. Сущность: выбирают из множества элементов информации о погоде, которые относятся к областям и моментам времени и которые включают в себя, по меньшей мере, температурные данные, множество наборов информации о погоде, относящихся к множеству моментов времени в течение фиксированного периода, касающихся первой области, содержащей местоположение, в котором размещается устройство использования воздуха.

Изобретение относится к области метеорологии и может быть использовано для определения зон возможного обледенения воздушных судов в режиме реального времени. Согласно заявленному способу проводится регистрация фактических значений вертикального профиля температуры приземного слоя атмосферы n раз при помощи наземного температурного профилемера, который устанавливают в заданном районе наблюдения, а по данным наземных наблюдений определяют приземное значение относительной влажности воздуха, приземное значение температуры точки росы и значение высоты нижней кромки облачности.

Изобретение относится к области солнечно-земной физики и может быть использовано для прогнозирования погодно-климатических характеристик. Сущность: наблюдают за текущей активностью Солнца.

Изобретение относится к области прогноза космической погоды, определяемой вспышечной активностью Солнца, и может быть использовано для прогноза геоэффективных последствий солнечных вспышек, в частности явлений нарушения коротковолновой радиосвязи, ухудшение определения местоположения по данным ГЛОНАСС/GPS навигации; повышение радиационной опасности для экипажей и пассажиров высотных самолетов с трассами полета в полярных областях, а также сбоям в работе бортовых космических приборов и возрастанию опасности радиационного поражения экипажей пилотируемых космических аппаратов.

Изобретение относится к системам связи, а именно к информационным системам для обеспечения потребителей мониторинговой информацией, и может быть использовано для контроля объекта (района, явления) и прогнозирования развития ситуации на территориях без стационарных средств мониторинга.

Изобретение относится к солнечно-земной физике и может быть использовано для краткосрочного прогноза мощных солнечных вспышек. .

Изобретение относится к физике ионосферы и может быть использовано для предсказания экстремальных изменений ионосферы. .

Изобретение относится к области метеорологии и может быть использовано как на метеорологических станциях, так в любом месте и в любом регионе суши, в пределах ареала обитания ногохвосток (везде, кроме пустынь и высокогорий).

Изобретение относится к области графических интерфейсов пользователя для управления расписаниями в портативном терминале. Техническим результатом является обеспечение индикации того, к каким из ключевых слов относятся найденные записи расписания в случае поиска по нескольким ключевым словам. Для этого при управлении расписаниями в портативном терминале осуществляют прием ввода ключевых слов для поиска в портативном терминале и поиск расписаний, соответствующих условию поиска по ключевым словам, в ответ на ввод поиска расписания. При этом отображают каждый объект графического пользовательского интерфейса (GUI), включающий в себя заголовок каждого расписания, соответствующий одному из по меньшей мере одного ключевого слова, и текст ключевого слова, в двумерном виде, имеющем ось времени и ось расписания, в соответствии с временной последовательностью, в качестве результата поиска. 2 н. и 13 з.п. ф-лы, 4 ил.

Изобретение относится к области прогнозирования погоды, конкретнее к способам и системам для создания прогноза погоды. Способ выполняется на сервере, включающем процессор и модуль машинного обучения. Причем способ включает в себя: получение модулем машинного обучения текущего параметра измерения погоды, представляющего собой параметр погоды в момент времени измерения; получение модулем машинного обучения первого среднего значения исторического параметра погоды для момента времени измерения; создание модулем машинного обучения нормализованного значения параметра измерения погоды на основе различия между текущим параметром измерения погоды и первым средним значением исторического параметра погоды для момента времени измерения; обучение модуля машинного обучения создавать нормализованное значение параметра прогнозирования погоды по меньшей мере частично на основе нормализованного значения параметра измерения погоды, причем нормализованное значение параметра прогнозирования погоды связано с моментом времени прогнозирования после момента времени измерения. Технический результат заключается в повышении точности прогнозирования параметров погоды за счет снижения погрешности алгоритма прогнозирования. 4 н. и 41 з.п. ф-лы, 7 ил.

Наверх