Способ и система для создания прогноза погоды

Иллюстрации

Показать все

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.

Реферат

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, следую