gavindiaz/PolyWeather

Fork 0

Files

T

2569718930@qq.com e423eaeb77 docs: Apply minor formatting updates to README files.

2026-03-03 00:06:19 +08:00

8.7 KiB

Raw Blame History

🌡️ PolyWeather: 智能天气量化分析机器人

PolyWeather 是一款专为 Polymarket 等预测市场打造的天气分析工具。它通过聚合多源气象预报、实时机场 METAR 观测，并引入数学概率模型与 AI 决策支持，帮助用户更科学地评估天气博弈风险。

📊 实时查询效果：DEB 融合预测 + 结算概率 + Groq AI 决策

✨ 核心功能

1. 🧬 动态权重集合预报 (DEB 算法)

系统会自动追踪各个气象模型（ECMWF, GFS, ICON, GEM, JMA）在特定城市的历史表现：

误差加权：根据过去 7 天的平均绝对误差（MAE），动态调整各模型的权重。误差越小的模型，话语权越大。
融合预报：给出经过历史偏差修正后的"DEB 融合最高温"建议值。
自学习机制：系统需要至少 2 天的实测记录才会启动权重分化。冷启动期间以等权平均过渡。
准确率追踪：通过 /deb 命令查看 DEB 融合预测的历史 WU 结算命中率和 MAE，并与各个单一模型对比。
自动清理：只保留最近 14 天的记录，防止数据无限增长。

2. 🎲 数学概率引擎 (Settlement Probability)

基于集合预报的正态分布拟合，自动计算每个 WU 结算整数温度的概率：

分布中心 μ：以 DEB/多模型中位数（70%）和集合中位数（30%）的加权均值为中心。实测超过 μ 时自动上修。
标准差 σ 三层修正管线：
1. 集合基础：σ = (P90-P10) / 2.56
2. MAE 兆底：用 DEB 历史 MAE 作为 σ 下限——防止集合预报低估真实不确定性
3. Shock Score 放宽：σ × (1 + 0.5 × shock_score)，气象突变时自动加宽
时间衰减：峰值前 σ×1.0 → 峰值窗口 σ×0.7 → 峰值后 σ×0.3
实测过滤：已实测 WU 值以下的候选自动排除

💥 Shock Score：气象突变软评分 (0~1)

用近 4 条 METAR 报文的风向/云量/气压变化评估环境稳定性，越高 = 越不稳定 = σ 放宽：

分项	权重	触发条件
风向变化	0~0.4	角度差 × 风速放大系数（弱风降权避噪）
云量阶跃	0~0.35	FEW→BKN 等云码跳变
气压变化	0~0.25	2h 内气压差 > 2hPa

3. 🤖 AI 深度分析 (Groq LLaMA 3.3 70B)

将全部气象数据投喂给 LLaMA 70B，按 P1→P4 优先级链 分析：

P1 实况节奏（最高优先级）：连续 2 报创新高→升温未止；连续 2 报未创新高且过峰→偏死盘。低辐射升温→暖平流驱动。
P2 阻碍因子：湿度>80% 且 BKN/OVC 持续 2 报→压温有效。单"多云"不足以判断受限。
P3 数学概率：参考结算概率分布，但不可压过 P1 实况。
P4 预报背景：DEB/预报用于判断上沿，实测超预报时降权。
死盘判定：峰值窗口已过 + 连续 2 报未创新高 + 云量回补或降水→判定死盘。
高可用保障：自动重试 + 备用模型降级（70B → 8B），抵御 Groq API 故障。

4. ⏱️ 实时机场观测 (Zero-Cache METAR)

精确时间：从 METAR 原始报文 (rawOb) 中提取真实观测时间，而非 API 取整后的 reportTime，精确到分钟。
实时穿透：通过动态请求头绕过 CDN 缓存，获取机场第一手 METAR 报文。
结算预警：自动计算 Wunderground 结算边界（X.5 进位线），提醒潜在波动。
异常过滤：自动过滤 MGM 等数据源的 -9999 哨兵值，避免垃圾数据污染输出。

5. 📈 历史数据采集

提供 fetch_history.py 脚本，可一键获取各城市过去 3 年的小时级历史气象数据（温度、湿度、辐射、气压等 10+ 维度），为后续机器学习模型（XGBoost/MOS）提供数据基础。

⚡ 部署说明

环境要求

Python 3.11+ 或 Docker & Docker Compose
环境变量: 在 .env 中设置关键参数（参考 .env.example）。

🐳 Docker 推荐部署 (推荐)

最简单、稳定的部署方式，避免系统依赖冲突。

克隆项目并配置环境

git clone https://github.com/yangyuan-zhen/PolyWeather.git
cd PolyWeather
cp .env.example .env
# 编辑 .env 文件填入 TELEGRAM_BOT_TOKEN 和 GROQ_API_KEY 等
nano .env

后台一键启动服务
```
docker-compose up -d --build
```
查看实时日志
```
docker-compose logs -f
```

💻 传统 VPS 部署方案

安装依赖: pip install -r requirements.txt
配置 .env 文件。
使用以下脚本实现一键更新与重启（仅适用于后台 nohup 运行）：

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

🕹️ 机器人指令

指令	说明
`/city [城市名]`	获取深度气象分析、结算概率、实测追踪及 AI 决策建议。
`/deb [城市名]`	查看 DEB 准确率：逐日命中明细、偏差分析（低估/高估）、模型 MAE 对比、交易建议。
`/id`	查看当前对话的 Chat ID。
`/help`	显示说明信息。

支持城市示例

lon(伦敦)、par(巴黎)、ank(安卡拉)、nyc(纽约)、chi(芝加哥)、dal(达拉斯)、mia(迈阿密)、atl(亚特兰大)、sea(西雅图)、tor(多伦多)、sel(首尔)、ba(布宜诺斯艾利斯)、wel(惠灵顿) 等。

🏗️ 系统架构

graph TD
    User[用户] -->|查询指令| Bot[bot_listener.py 核心调度器]

    subgraph 数据获取层
        Bot --> Collector[WeatherDataCollector]
        Collector --> OM[Open-Meteo 预报/集合]
        Collector --> MM[多模型 ECMWF/GFS/ICON/GEM/JMA]
        Collector --> METAR["机场实时 METAR (rawOb精确时间)"]
    end

    subgraph 算法层
        Collector --> Peak[峰值时段预测]
        Collector --> DEB[DEB 动态权重融合]
        DEB --> DB[(每日记录数据库)]
        Peak --> Prob[正态分布概率引擎]
        Collector --> Prob
        METAR --> Shock[Shock Score 突变评分]
        Shock --> Prob
        Collector --> Logic[结算边界 / 趋势分析]
    end

    subgraph AI 决策层
        DEB --> AI[Groq LLaMA 70B]
        Prob --> AI
        Logic --> AI
        METAR --> AI
    end

    AI -->|盘口 + 逻辑 + 置信度| Bot
    Bot -->|DEB融合 + 概率 + AI分析| User

💡 交易提示

实况节奏优先：AI 分析遵循 P1→P4 优先级。如果实况趋势（P1）与数学概率（P3）冲突（例如概率看好 7°C 但实况仍猛涨冲向 8°C），请务必以实况走势为准。
紧盯结算概率：概率引擎基于数学模型，当某个温度概率 > 70% 且 P1 节奏持平时，方向最为明确。
参考 DEB 偏差：通过 /deb 查看城市的系统性偏差。如果某个城市经常“低估”，交易时应习惯性看高 1 个 WU 档位。
识别死盘信号：当 AI 判定“死盘”时，通常意味着升温动力彻底枯竭（峰值窗后+不创新高+云量回补），此时是反向对收割残余价值的机会。
注意结算边界：实测最高温接近 X.5（如 7.50°C）时，Wunderground 可能会因极微小波动从 7 进位到 8，需防范“偷鸡”。
分布中心 μ：μ 值代表算法预期的实际最高温中心点，直接对标盘口价格。当价格严重偏离 μ，通常存在套利空间。

更新于 2026-03-01

8.7 KiB Raw Blame History Unescape Escape