渤海湾为封闭的浅海区域,地理环境复杂,频繁受到温带气旋和寒潮的影响,经常出现大风天气。大风天气对海上工程建筑、海上运输等经济活动有较大的影响,因此对渤海湾洋面风速进行预报有着重要意义。机器学习是实现人工智能的一种方法,主要是利用算法解析数据、学习数据中深层次的信息,然后构建对具体问题提供决策或预测的模型。近年来,越来越多的机器学习方法应用到科学研究和工业过程中,在诸多领域都得到有效的发展并具有极大的潜力。本文通过对渤海湾A平台气象测站数据和集合预报格点数据的研究分析,提出了基于回声状态网络和集成学习回归决策树的风速预测方法,主要工作如下:(1)特征构建与特征选择。通过渤海湾A平台气象测站基本气象物理量数据,构建气象分析中常用的组合物理量特征;并通过相关程度分析实现了连续属性的特征选择,有效地减少输入物理量特征之间的信息冗余,降低了后期预测模型的复杂度,为模型预测性能的提升和运行时间的降低奠定了基础。(2)基于气象物理量特征构建风速预测模型。引入泄露积分型神经元和在线学习算法,构建泄露积分型回声状态网络(LIESN)时间序列预测模型,并通过遗传算法对LIESN关键参数进行优化,避免了模型参数的盲目选择,实现了基于气象物理量的风速预报。(3)基于集合预报数据构建风速预测模型。提出利用分类回归树(CART)剪枝挑选集合预报最优成员的方法,并通过梯度提升树(GBDT)集成学习算法构建回归预报模型,实现了小样本的集合预报风速预测。实验结果表明,LIESN预报模型的精度更高,集成学习的方法对小样本数据更为有效。