准确性一直是气象预报的难点，气象预测的基础是观测数据，而观测数据理想的状态是观测点足够多，不过这在现实中无法实现，通常一个城市只有有限的几个观测点来收集气象数据，而位于观测点之间的盲点数据，只能通过推算等方式获得。
作为国内气象APP领头羊的墨迹天气，为了弥补传统气象观测的短板，将海量数据汇总，并加以研判，提升预报准确性。
墨迹天气的数据主要来源于三方面：第三方气象组织、各种设备传感器和时景社区。
首先，是和其他气象公司合作，如中国国家气象局，美国NOAA(美国国家海洋和大气管理局)的GFS，欧洲EC(欧洲中期天气预报中心)，日本气象卫星数据以及中国国家气象局的数据等。这些组织有全球观测数据，这些观测数据通过卫星做遥感，所以质量相对较高，每天约有500G左右的量。
其次，就是利用各种传感器所收集的气象数据，如墨迹C端用户的手机基本都带有气压计、温度传感器；与通用汽车合作，在汽车上配置的气温、气压等传感器；还有魅族、华为等手机预装的墨迹APP。这部分数据量每天约8000万左右，但由于形式不一，每个设备上的数据都有偏差波动，导致质量参差不齐，要进行统一化的处理才能投入使用。
最后，结合时景社区，也就是实时天气社区，每天约有十万张天气照片上传至时景社区，总气象图片资源达亿级，是目前国内最大的实时天气图片社区。
墨迹天气的数据分析分为两部分，一部分是0~2两个小时的短时预报和2~8小时的短临预报。另一部分是8小时到15天的中长期预报。机器学习主要用在短时预报，主要采用业界比较先进的神经学习网络，如用FCN网络(全卷积网络)和Conv-LSTM网络(长短时记忆网络)等这些具体的分支，实现把不同来源的数据先做噪音排除，之后融合，去学习这些气象数据在历史上的变化趋势。
准确性一直是气象预报的难点，气象预测的基础是观测数据，而观测数据理想的状态是观测点足够多，不过这在现实中无法实现，通常一个城市只有有限的几个观测点来收集气象数据，而位于观测点之间的盲点数据，只能通过推算等方式获得。
作为国内气象APP领头羊的墨迹天气，为了弥补传统气象观测的短板，将海量数据汇总，并加以研判，提升预报准确性。
墨迹天气的数据主要来源于三方面：第三方气象组织、各种设备传感器和时景社区。
首先，是和其他气象公司合作，如中国国家气象局，美国NOAA(美国国家海洋和大气管理局)的GFS，欧洲EC(欧洲中期天气预报中心)，日本气象卫星数据以及中国国家气象局的数据等。这些组织有全球观测数据，这些观测数据通过卫星做遥感，所以质量相对较高，每天约有500G左右的量。
其次，就是利用各种传感器所收集的气象数据，如墨迹C端用户的手机基本都带有气压计、温度传感器；与通用汽车合作，在汽车上配置的气温、气压等传感器；还有魅族、华为等手机预装的墨迹APP。这部分数据量每天约8000万左右，但由于形式不一，每个设备上的数据都有偏差波动，导致质量参差不齐，要进行统一化的处理才能投入使用。
最后，结合时景社区，也就是实时天气社区，每天约有十万张天气照片上传至时景社区，总气象图片资源达亿级，是目前国内最大的实时天气图片社区。
墨迹天气的数据分析分为两部分，一部分是0~2两个小时的短时预报和2~8小时的短临预报。另一部分是8小时到15天的中长期预报。机器学习主要用在短时预报，主要采用业界比较先进的神经学习网络，如用FCN网络(全卷积网络)和Conv-LSTM网络(长短时记忆网络)等这些具体的分支，实现把不同来源的数据先做噪音排除，之后融合，去学习这些气象数据在历史上的变化趋势。
短时预报除C端用户可以在出门前查看实时天气之外，B端用户也可以结合气象，节省成本，提升效率。墨迹商业化VP张明明介绍，像运输、末端物流、农业等行业对短时预报的需求相对较高，例如中石油物流配送案例，双方把历史天气数据和中石油的销售数据整合，进行模型训练，帮助中石油解决周期长且跨省的资源调配问题。
墨迹天气短时预报系统是从2015年纠察小队长内测开始发展，一步步趋近成熟。下图是墨迹短时预报的发展历程：
当前，气象领域的市场竞争愈演愈烈，不知道墨迹这条基于海量气象数据分析的领先技术，为企业级用户提供企业级气象服务的吸金路能走多远，但至少墨迹从功能类App运营商向互联网综合气象服务提供商的转型，使得墨迹的路越走越宽。
加载全文
[an error occurred while processing this directive]
