Pipeline
数据处理流程
4 源采集
和风 / OM / wttr / WA
→
快照存储
SQLite WAL 72h
→
Brier 评分
非对称 3:1
→
权重学习
14天指数衰减
→
BMA 融合
加权 + MAX-boost
→
日报输出
13 城预警
Mechanism
核心机制
BMA 贝叶斯模型平均
根据各数据源历史预测准确度动态分配权重。准确度高的源获得更大话语权，自适应调整无需人工干预。
非对称 Brier Score
漏报惩罚 3 倍于虚报。确保系统偏向「宁可多报，不可漏报」，对出行安全保持充分敬畏。
Lead-time 分桶权重
按 0-6h / 6-24h / 24-48h / 48-72h 四个时距桶独立学习。不同源在不同预测时距各有优劣。
MAX-boost 保底机制
当任意单源概率 ≥60% 时，融合结果不低于 35%，防止低权重源的强信号被埋没。
Parameters
核心参数
| 参数 | 值 | 说明 |
|---|---|---|
| RAIN_PROB_THRESHOLD | 45% | 降雨判定阈值 |
| CONSENSUS_MIN_SOURCES | 2源 | 最少共识源数量 |
| CONSENSUS_MIN_PROB | 25% | 单源最低支持概率 |
| MAX_BOOST_SOURCE_THRESHOLD | 60% | 单源强信号保底触发 |
| MAX_BOOST_FLOOR | 35% | 保底概率下限 |
| DECAY_HALF_LIFE_DAYS | 14天 | 时间衰减半衰期 |
| MIN_WEIGHT | 5% | 最低权重约束 |
| ASYMMETRIC_MISS_WEIGHT | 3.0x | 漏报惩罚倍率 |
| ASYMMETRIC_FA_WEIGHT | 1.0x | 虚报惩罚倍率 |
Weights
实时权重分布