1. 研究目的与意义及国内外研究现状

目的：为了选择一个能够更好的进行天气预测的模型，而且不用分析复杂的物理过程，达到高效的预测目的。

意义：找到一个全新的方法来进行天气预测，将会是两个不同的学科的交叉，一种全新的尝试。而且对数据的拟合程度甚至比过去的经典方法还好，也为了说明机器学习方法在各个领域的适用性。

国内外研究现状

国外已经有人开始关注这方面的问题了，有人提出了很多机器学习用来学习这个模型，但是具体的成果还不是很多。国内，在香港科技大学已经有人提出了用ConvLSTM来进行预测并且发表了论文。相信越来越多的方法会被提出来。这个话题也是最近的一个研究热点，人们开始将机器学习应用于各个领域。

2. 研究的基本内容

使用LSTM神经网络建立encoder-decder的模型，将模型用于预测时间序列问题，首先是对移动的手写数字的预测，最后是雷达图序列。

问题的重点就是观察利用LSTM的机器学习方法是否能够解决这类时间序列问题，最主要的是检验这种方法是否能在气象领域内适用并且具有高效性。

3. 实施方案、进度安排及预期效果

实施方案：学习python语言和keras包然后编写出encoder-decoder的结构模型，利用网上的雷达数据进行调试。

进度安排：前两个月对python编程语言进行学习。然后花一个月对网上的已有的论文进行学习，熟悉lstm模型。最后自己用keras包写出该模型进行调试。

预期效果：最后能够顺利的利用keras包将模型写出来，最后调试的结果应该比传统的天气算法好很多，而且快速。

4. 参考文献

【1】 sepp hochreiter and jurgen schmidhuber. long short-term memory. neural computation, 9(8):1735–1780, 1997.

【2】 i. sutskever, o. vinyals, and q. v. le. sequence to sequence learning with neural networks. in nips,pages 3104–3112, 2014.

【3】 j. sun, m. xue, j. w. wilson, i. zawadzki, s. p. ballard, j. onvlee-hooimeyer, p. joe, d. m. barker,p. w. li, b. golding, m. xu, and j. pinto. use of nwp for nowcasting convective precipitation: recent progress and challenges. bulletin of the american meteorological society, 95(3):409–426, 2014.