gavindiaz/PolyWeather
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
98451ff9e53e28efc66eb4354e866ca3e1f19d36
PolyWeather/README_ZH.md
T

12 KiB
Raw Blame History

🌡️ PolyWeather: 实时天气查询与分析机器人

专为预测市场和天气博弈设计的智能天气机器人。通过绕过 CDN 缓存直接从全球气象站获取最新数据，并提供模型共识评分和入场时机信号等通俗易懂的自动趋势分析。

🚀 快速开始

环境要求

  • Python 3.11+
  • 依赖安装: pip install -r requirements.txt
  • 环境变量: 在 .env 中设置 TELEGRAM_BOT_TOKEN（必需）。可选设置 METEOBLUE_API_KEY 以激活伦敦高精度预报。

VPS 部署 (推荐)

首次部署：

git clone https://github.com/yangyuan-zhen/PolyWeather.git
cd PolyWeather
pip install -r requirements.txt
cp .env.example .env  # 编辑 .env 填入你的 Token 和 API Key

创建一键更新脚本（只需执行一次）：

cat > ~/update.sh << 'EOF'
#!/bin/bash
cd ~/PolyWeather
git fetch origin
git reset --hard origin/main
pkill -f run.py
pkill -f bot_listener.py
sleep 1
nohup python3 run.py > bot.log 2>&1 &
echo "✅ 已更新并重启！"
EOF
chmod +x ~/update.sh

日常更新（每次代码推送后）：

~/update.sh

一条命令完成：拉取最新代码 → 杀旧进程 → 启动新进程。无需手动处理分支冲突。

本地开发 (Windows)

py -3.11 run.py

本地笔记本不需要安装依赖，只用来编辑代码和 Git 推送。IDE 的 import 报错是因为本地没装依赖，不影响 VPS 运行。

🤖 Telegram 机器人指令

指令 功能 说明
/city [城市] 查询城市天气 获取详细预报、机场实测与趋势分析
/id 获取 Chat ID 获取当前 Telegram 聊天 ID
/help 帮助 显示所有可用指令

支持的城市

城市 缩写/别名 METAR 机场 额外数据源
伦敦 London lon, 伦敦 EGLC (City Airport) Meteoblue
巴黎 Paris par, 巴黎 LFPG (Charles de Gaulle) —
安卡拉 Ankara ank, 安卡拉 LTAC (Esenboğa) MGM
纽约 New York nyc, ny, 纽约 KLGA (LaGuardia) NWS
芝加哥 Chicago chi, 芝加哥 KORD (O'Hare) NWS
达拉斯 Dallas dal, 达拉斯 KDAL (Love Field) NWS
迈阿密 Miami mia, 迈阿密 KMIA (International) NWS
亚特兰大 Atlanta atl, 亚特兰大 KATL (Hartsfield-Jackson) NWS
西雅图 Seattle sea, 西雅图 KSEA (Sea-Tac) NWS
多伦多 Toronto tor, 多伦多 CYYZ (Pearson) —
首尔 Seoul sel, 首尔 RKSI (Incheon) —
布宜诺斯艾利斯 Buenos Aires ba, 布宜诺斯艾利斯 SAEZ (Ezeiza) —
惠灵顿 Wellington wel, 惠灵顿 NZWN (Wellington) —

使用示例

/city 巴黎
/city london
/city par

✨ 核心功能

1. 🏛️ 多源数据融合

数据源 数据角色 覆盖范围 优势
多模型 (5 NWP) 共识评分 全球 ECMWF、GFS、ICON、GEM、JMA — 5 个完全独立的数值预报模型，经 Open-Meteo 统一获取
Open-Meteo 基础预测 全球 72h 逐小时温度曲线、日出日落、日照时长、短波辐射
Open-Meteo Ensemble 不确定性区间 全球 51 成员集合预报：中位数、P10、P90 散度用于置信度评估
Meteoblue (MB) 高精度共识 仅限伦敦 聚合多家模型，对微气候处理极佳
METAR 结算标准 全球机场 Polymarket 结算参考的绝对真理，实时机场观测
NWS 官方预测(美) 仅限美国 美国国家气象局高精度预报
MGM 实测数据(土) 仅限安卡拉 土耳其气象局：气压、云量、体感温度、24h 降水

⚠️ 所有 NWP 模型查询使用机场坐标（与 METAR 站点一致），而非市中心。这消除了预报位置与结算位置之间的系统性偏差。

Open-Meteo API 架构关系：三个 API 调用都经过 Open-Meteo 平台，但获取的是不同维度的数据：

                    Open-Meteo (API 平台)
                          │
            ┌─────────────┼─────────────┐
            │             │             │
     ┌──────┴──────┐      │      ┌──────┴──────┐
     │ /forecast   │      │      │ /forecast   │
     │ (默认模式)   │      │      │ ?models=... │
     │ = best_match│      │      │ = 多模型模式 │
     └──────┬──────┘      │      └──────┬──────┘
            │             │             │
            ▼             │             ▼
     自动选最佳模型        │      返回每个模型单独结果
     (通常 ≈ ECMWF)       │      ECMWF / GFS / ICON
     → 逐小时曲线         │      GEM / JMA
     → 日出日落           │      → 共识评分
     → 日照/辐射          │
                   ┌──────┴──────┐
                   │  /ensemble  │
                   │  51成员集合  │
                   └──────┬──────┘
                          │
                          ▼
                   中位数 / P10 / P90
                   → 不确定性区间

💡 OM 默认预报本质上是 5 个模型中的某一个（自动选择），因此不参与共识评分，避免双重计数。

2. ⚡ 超新鲜数据 (零缓存)

  • 动态时间戳：每个 API 请求都附带唯一令牌，强制服务器绕过 CDN 缓存。
  • MGM 实时同步：针对土耳其 MGM API 做了专门的 Header 伪装和时区校正。

3. 🎯 多模型共识评分

机器人同时查询 5 个独立 NWP 模型（ECMWF、GFS、ICON、GEM、JMA）来评估预报一致性：

等级 条件（摄氏/华氏） 含义
🎯 高共识 极差 ≤ 0.8°C / 1.5°F 5 个模型高度收敛 — 高置信，低风险
⚖️ 中共识 极差 ≤ 1.5°C / 3.0°F 轻微分歧 — 中等置信
⚠️ 低共识 极差 > 1.5°C / 3.0°F 模型严重分歧 — 不确定性大，建议观察

主要模型：ECMWF IFS（欧洲）、GFS（美国 NOAA）、ICON（德国 DWD）、GEM（加拿大）、JMA（日本）。伦敦额外有 Meteoblue，美国城市额外有 NWS。集合预报中位数不参与评分，避免双重计数。

核心逻辑：当 5 个独立模型在温度区间上高度收敛，而市场定价尚未反映时，这就是典型的结构性定价错误——低风险套利的黄金机会。

4. 📊 集合预报散度（新功能）

从 Open-Meteo 获取 51 成员集合预报，量化预测不确定性：

📊 集合预报：中位数 10.8°C，90% 区间 [9.5°C - 12.1°C]，波动幅度 2.6°。

区间窄 = 大气状态明确，预报可信。区间宽 = 大气混沌，风险高。

确定性 vs 集合偏差检测：当 OM 确定性预报超过集合 P90 或低于 P10 时，机器人会发出警告。如果实测数据随后验证了预报，警告会升级为 ✅ 预报验证 消息。

5. ⏰ 入场时机信号（新功能）

综合三个因子打分，给出入场建议：

因子 分值
最热已过 +3
距峰值 ≤ 2h +2
距峰值 ≤ 4h +1
模型高共识 +2
模型中共识 +1
实测 ≈ 预报（差 ≤ 0.5°） +2
实测接近预报（差 ≤ 1.5°） +1
总分 ≥ 信号 建议
5 ⏰ 理想 不确定性低，适合下注
3 ⏰ 较好 可以考虑小仓位入场
2 ⏰ 谨慎 建议继续观察
<2 ⏰ 不建议 不确定性大，等更多数据

核心理念：拒绝过早布局，选择接近解析时刻、波动率压缩时晚入场，降低不确定性风险。

6. 🧠 智能趋势分析（通俗语言）

机器人自动生成人类可读的分析洞察：

  • 🚨 预报击穿预警：当 METAR 实测最高温超过所有预报时自动警报。
  • ⏱️ 峰值时段预测：精确预测当日最高温出现的时间窗口。
  • 🌬️ 风向交叉验证：同时对比 METAR 和 MGM 风向数据，差异超 90° 自动告警。
  • 🍃 风速分析：标注风速并结合风向判断对温度的影响。
  • ☁️ 云层遮挡分析：评估云量对升温潜力的影响（晴天/多云/阴天）。
  • 📉 气压分析：低气压意味着暖湿气流过境，有利升温。
  • 🌧️ 降雨检测：交叉验证 METAR 天气代码和实际降水量，避免误报。
  • 📊 最高温时间追踪：精确显示每日最高温出现的时间（如 最高: 12°C @14:20）。
  • ☀️ 天气状况一览：综合 METAR 天气现象 + 云量，生成一目了然的天气图标 + 文字（如 ⛅ 晴间多云）。
  • 🌤️ 太阳辐射分析：追踪累计短波辐射 vs 全天总量；当云层严重遮挡阳光时发出预警。
  • 🌙 暖平流检测：当最高温出现在太阳辐射为零的时段（如凌晨 3 点），自动识别并标注"气温由暖空气推高，而非太阳晒热"。

7. 📊 风险等级

每个城市都有基于机场-市区距离的数据偏差风险档案：

  • 🔴 高危：首尔 (48.8km)、芝加哥 (25.3km) — 偏差大
  • 🟡 中危：安卡拉 (24.5km)、巴黎 (25.2km)、达拉斯、布宜诺斯艾利斯 — 有系统偏差
  • 🟢 低危：伦敦 (12.7km)、惠灵顿 (5.1km) — 数据靠谱

8. 🌅 增强显示

  • 日出日落 + 日照时长：🌅 07:34 | 🌇 18:29 | ☀️ 9.9h
  • 天气状况一目了然：✈️ 实测 (METAR): 9°C | ⛅ 晴间多云 | 15:00
  • WU 结算预览：显示 Wunderground 四舍五入后的值，方便结算参考。

🏗️ 系统架构

graph TD
    User[/Telegram User/] --> Bot[bot_listener.py]
    Bot --> Collector[WeatherDataCollector]

    subgraph "数据引擎"
        Collector --> MM[多模型 API<br/>ECMWF/GFS/ICON/GEM/JMA]
        Collector --> OM[Open-Meteo 预报]
        Collector --> ENS[Open-Meteo Ensemble]
        Collector --> MB[Meteoblue API]
        Collector --> NOAA[METAR / NOAA]
        Collector --> MGM[MGM 实测数据]
        Collector --> NWS[US NWS API]
    end

    Collector --> Processing[共识评分 & 趋势分析]
    Processing --> Bot
    Bot --> Response[/附带入场信号的天气快照/]
  • 逻辑解耦：weather_sources.py 负责数据获取与解析；bot_listener.py 负责分析与渲染。
  • 城市配置：city_risk_profiles.py 包含所有 METAR 机场映射和风险评估。
  • 多模型共识：5 个独立 NWP 模型（ECMWF、GFS、ICON、GEM、JMA）提供稳健的共识评分。
  • 集合预报集成：51 成员集合预报提供 P10/P90 不确定性区间和偏差检测。
  • 机场坐标对齐：所有 NWP 查询均使用 METAR 机场坐标，而非市中心。

🎯 博弈策略提示

  1. 看模型共识：🎯/⚖️/⚠️ 评级让你一眼判断预报是否可靠。高共识 + 市场低定价 = 套利机会。
  2. 用入场信号：等 ⏰ 理想 或 较好 时机再下注。不确定性高时绝不提前入场。
  3. 关注集合散度：90% 区间越窄（< 2°），模型置信越高 — 这才是 edge 所在。
  4. 紧盯峰值窗口：在预测的峰值时段频繁使用 /city 刷新。
  5. 结算优先级：结算永远以 METAR 数据为准，通过 Wunderground 四舍五入到整数。
  6. 地理风险：重点关注高危城市（如首尔、芝加哥）的偏差警告。
  7. 太阳辐射线索：如果机器人报告"暖平流驱动" 🌙，说明温度由暖空气推高 — 这种模式经常打破模型预测。
  8. 风向冲突：METAR 和 MGM 风向相反时，温度波动风险增大。

最后更新: 2026-02-22

Reference in New Issue View Git Blame Copy Permalink