CN107748942B - 基于速度场感知网络的雷达回波外推预测方法和系统 - Google Patents
基于速度场感知网络的雷达回波外推预测方法和系统 Download PDFInfo
- Publication number
- CN107748942B CN107748942B CN201711188099.2A CN201711188099A CN107748942B CN 107748942 B CN107748942 B CN 107748942B CN 201711188099 A CN201711188099 A CN 201711188099A CN 107748942 B CN107748942 B CN 107748942B
- Authority
- CN
- China
- Prior art keywords
- time
- moment
- radar
- network model
- gate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013213 extrapolation Methods 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000015654 memory Effects 0.000 claims abstract description 117
- 230000008447 perception Effects 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims description 35
- 241000135164 Timea Species 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000002592 echocardiography Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 7
- 230000008030 elimination Effects 0.000 description 7
- 238000003379 elimination reaction Methods 0.000 description 7
- 238000002310 reflectometry Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006403 short-term memory Effects 0.000 description 6
- 230000007787 long-term memory Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005293 physical law Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于速度场感知网络的雷达回波外推预测方法和系统，预测方法包括：将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测雷达回波序列；训练好的速度场感知雷达外推网络模型通过如下步骤获取：搭建任一时刻记忆；搭建任一时刻输出门；获取任一时刻隐藏状态；构建任一时刻长短时间记忆网络结构；搭建雷达外推网络模型并将速度场与之融合，获取速度场感知雷达外推网络模型；将张量序列数据输入速度场感知雷达外推网络模型进行训练，获得训练好的速度场感知雷达外推网络模型。本发明挖掘出隐藏在历史数据的信息。在速度场感知雷达外推网络模型中结合了速度场，使模型具有了更准确的预测能力。
Description
技术领域
本发明涉及计算机数据分析领域，更具体地，涉及一种基于速度场感知网络的雷达回波外推预测方法和系统。
背景技术
雷达天气数据对国家气象服务至关重要，雷达回波外推是进行定量降水预报和灾害性短时预报的一种主要手段。因此，能否准确地根据过去时刻的雷达回波序列预测未来时刻的雷达回波序列将影响后续的定量降水预报和灾害性短时预报的准确率。雷达回波外推的精准预测对生成社会层面的紧急降雨警报、生成机场天气指导和无缝对接到长期数值天气预报模型都是极为重要的。
雷达回波外推过程中不仅要考虑回波的运动趋势，还要考虑未来时刻的回波形状和强度，以及回波随着时间的生消问题。目前，在气象领域中已经存在多种基于机理的传统雷达回波外推预测方法，比如交叉相关法(COTREC)以及风暴识别、跟踪、分析和实时预报算法(Thunderstorm Identification，Tracking，Analysis and Nowcasting，TITAN)等，但是，这些方法的特点是刚体线性外推，无法解决雷达回波外推过程中的生消问题，无法预测回波的生成和消失，并且准确率不高。随着深度学习的快速发展，在多个领域中取得突破，本领域的技术人员开始探索如何将深度学习技术应用到气象领域的雷达回波外推预测问题当中。但是，这些方法单纯以数据作为驱动，网络结构设计不够合理，预测结果不准确。
发明内容
本发明提供一种克服上述问题的一种基于速度场感知网络的雷达回波外推预测方法和系统。
根据本发明的一个方面，提供一种基于速度场感知网络的雷达回波外推预测方法，包括：将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测的雷达回波序列；其中，所述训练好的速度场感知雷达外推网络模型通过如下步骤获取：根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆；搭建任一时刻输出门；根据所述任一时刻输出门和所述任一时刻记忆获取任一时刻隐藏状态；基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型；将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型；将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型进一步包括：通过实况数据获取过去时刻速度场，通过所述速度场感知雷达外推网络模型获取未来时刻速度场，所述速度场包括所述过去时刻速度场和所述未来时刻速度场；调整所述速度场与所述雷达外推网络模型的任一层的每一长短时间记忆网络结构的输入量的长宽大小相同；将所述速度场与所述任一层的每一长短时间记忆网络结构的输入量按照通道方向连接，获得所述任一层的输入量，以使得所述速度场在所述任一层和所述任一层的上一层之间融合，获取所述速度场感知雷达外推网络模型；其中，所述速度场感知雷达外推网络模型在所述任一层之后用于预测雷达回波序列和所述未来时刻速度场。
优选地，所述根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆进一步包括：通过以下公式获取所述任一时刻输入门：
其中，it为任一时刻输入门，σ为S型函数Sigmoid，Wxi为计算任一时刻输入门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whi为计算任一时刻输入门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wci为计算任一时刻输入门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bi为任一时刻输入门偏差；
通过以下公式获取所述任一时刻遗忘门：
其中，ft为任一时刻遗忘门，σ为S型函数Sigmoid，Wxf为计算任一时刻遗忘门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whf为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wcf为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bf为任一时刻遗忘门偏差；
通过以下公式获取所述任一时刻输入调制门：
其中，gt为任一时刻输入调制门，φ为双曲正切函数，Wxg为计算任一时刻输入调制门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whg为计算任一时刻输入调制门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wcg为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bg为任一时刻输入调制门偏差；
根据所述任一时刻输入门、所述任一时刻遗忘门和所述任一时刻输入调制门，通过下式搭建所述任一时刻记忆：
其中，为任一时刻记忆，ft为任一时刻遗忘门，⊙为哈达玛乘积，为任一时刻的上一时刻的记忆，it为任一时刻输入门，gt为任一时刻输入调制门。
优选地，所述搭建任一时刻输出门进一步包括：通过以下公式获取所述任一时刻输出门：
其中，ot为任一时刻输出门，σ为S型函数Sigmoid，Wxo为计算任一时刻输出门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Who为计算任一时刻输出门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wco为计算任一时刻输出门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bo为任一时刻输出门偏差。
优选地，所述根据所述任一时刻输出门和所述任一时刻记忆，通过下式获取任一时刻隐藏状态：
其中，为任一时刻隐藏状态，ot为任一时刻输出门，⊙为哈达玛乘积，φ为双曲正切函数，为任一时刻记忆。
优选地，所述将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型进一步包括：S1、将由观测值组成的张量序列数据中的第一时刻张量序列数据输入所述速度场感知雷达外推网络模型；S2、在所述速度场感知雷达外推网络模型的第一层，由第一时刻第一层长短时间记忆网络结构抽取对应信息，并将所述对应信息传递至下一时刻下一层的长短时间记忆网络结构，其中，所述对应信息包括第一时刻第一层长短时间记忆网络结构对应的隐藏状态和第一时刻记忆，获取所述速度场感知雷达外推网络模型在第一时刻第一层的预测的雷达回波序列；S3、在任一层和所述任一层的上一层之间融合所述速度场；S4、将抽取对应信息的层数加一，持续执行步骤S2，直至抽取的对应信息所处的层数大于所述速度场感知雷达外推网络模型的总层数，获取所述速度场感知雷达外推网络模型在第一时刻中除所述第一层外的其余层的预测的雷达回波序列。
优选地，步骤S4后还包括：S5、将由观测值组成的张量序列数据中的下一时刻张量序列数据输入所述速度场感知雷达外推网络模型，循环执行步骤S2至S4，直至抽取的信息所处的时刻数大于或等于过去张量序列数据的长度，获取所述速度场感知雷达外推网络模型在抽取了对应信息的每一时刻预测的雷达回波序列；S6、判断当抽取的对应信息所处的时刻数大于或等于过去张量序列数据的长度时，此时的时刻数和比较值的大小，所述比较值为所述过去张量序列数据的长度与未来张量序列数据的长度之和；其中，所述过去张量序列数据的长度为所述此时的时刻数的上一时刻数的数值，所述未来张量序列数据的长度为设定值；S7、若所述此时的时刻数大于或等于所述比较值，则通过损失函数获取所述预测的雷达回波序列和实际的雷达回波序列的差距，并根据反向传播算法对所述速度场感知雷达外推网络模型的输入量进行更新，循环执行步骤S2至S6，直至预测的雷达回波序列和实际的雷达回波序列的差距低于差距阈值。
优选地，步骤S7还包括：若所述此时的时刻数小于所述比较值，则所述速度场感知雷达外推网络模型输出对所述此时的预测的雷达回波序列，并将所述预测的雷达回波序列输入所述速度场感知雷达外推网络模型，循环执行步骤S2至S6，直至所述此时的时刻数大于或等于所述比较值。
根据本发明的另一个方面，提供一种基于速度场感知网络的雷达回波外推预测系统，包括：获取预测序列模块，用于将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测的雷达回波序列；其中，所述训练好的速度场感知雷达外推网络模型通过如下子模块获取：获取隐藏状态子模块，用于根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆；搭建任一时刻输出门；根据所述任一时刻输出门和所述任一时刻记忆获取任一时刻隐藏状态；构建网络结构子模块，用于基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；搭建雷达外推网络模型模块，用于通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；融合模块，用于将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型；获得训练好模型模块，用于将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型；所述融合模块进一步用于：通过实况数据获取过去时刻速度场，通过所述速度场感知雷达外推网络模型获取未来时刻速度场，所述速度场包括所述过去时刻速度场和所述未来时刻速度场；调整所述速度场与所述雷达外推网络模型的任一层的每一长短时间记忆网络结构的输入量的长宽大小相同；将所述速度场与所述任一层的每一长短时间记忆网络结构的输入量按照通道方向连接，获得所述任一层的输入量，以使得所述速度场在所述任一层和所述任一层的上一层之间融合，获取所述速度场感知雷达外推网络模型；其中，所述速度场感知雷达外推网络模型在所述任一层之后用于预测雷达回波序列和所述未来时刻速度场。
根据本发明的另一个方面，提供一种用于雷达回波外推预测的电子设备，包括：存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述项任一所述的预测方法。
本发明提供的一种基于速度场感知网络的雷达回波外推预测方法和系统，通过设计速度场感知雷达外推网络模型由多个长短时间记忆网络结构组成，使用深度学习方法，能盘活海量历史数据，挖掘出隐藏在历史数据的丰富信息，弥补现阶段对机理研究的不足。由于在速度场感知雷达外推网络模型中结合了速度场，融入了大气物理规律，使模型具有了更强更准确的预测能力。
附图说明
图1为本发明实施例中的一种获取训练好的速度场感知雷达外推网络模型的流程图；
图2为本发明实施例中的一种长短时间记忆网络结构的示意图；
图3为本发明实施例中的一种获得训练好的速度场感知雷达外推网络模型的流程图；
图4为本发明实施例中的一种速度场感知雷达外推网络模型的结构示意图；
图5为本发明实施例中的任一时刻长短时间记忆网络结构的搭建流程图；
图6为本发明实施例中的一种雷达回波外推预测电子设备的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
针对目前无法很好地预测未来时刻雷达回波的问题，本发明实施例中提供了一种雷达回波外推预测方法，包括：将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测的雷达回波序列。
图1为本发明实施例中的一种获取训练好的速度场感知雷达外推网络模型的流程图，如图1所示，所述训练好的速度场感知雷达外推网络模型通过如下步骤获取：根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆；搭建任一时刻输出门；根据所述任一时刻输出门和所述任一时刻记忆获取任一时刻隐藏状态；基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型；将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型。
具体地，本发明实施例中的一个长短时间记忆网络结构是一个长短时间记忆网络。
下面对本实施例中的长短时间记忆网络做出具体解释。
为解决序列问题的数据中序列长度有差距的问题，本领域的技术人员设计了循环神经网络(recurrent neural network，RNN)来处理序列问题。但是普通的RNN存在两个问题。一是长距离依赖，二是梯度消失和梯度爆炸，这种问题在处理长序列的时候尤为明显。
为了解决以上问题，本领域的技术人员提出了长短时间记忆网络(Long Short-Term Memory，LSTM)。这种RNN架构专门用于解决RNN模型的梯度消失和梯度爆炸问题。由三个乘法门控制记忆块的激活状态：输入门(input gate)、输出门(output gate)、忘记门又称遗忘门(forget gate)。这种结构可以使之前输入的信息保存在网络中，并一直向前传递，输入门打开时新的输入才会改变网络中保存的历史状态，输出门打开时保存的历史状态会被访问到，并影响之后的输出，忘记们用于清空之前保存的历史信息。
进一步地，本实施例中提出的雷达回波数据和速度场数据是基于以下思想处理的：
对待处理的雷达回波数据进行定义，假设不断监视一个大气系统的雷达回波强度和速度场(比如：雷达径向速度)，其中这些测量量会在空间区域的每一个位置上被记录，表示成一个M×N的矩阵。从空间角度来看，任一时刻的雷达回波强度可以表示成一个张量速度场表示成张量从时间角度来看，观测是由T个时间戳组成的一个张量序列按照以上思想，将已有的观测数据处理成张量序列，雷达回波外推问题可以定义为以过去J个时刻的雷达回波张量和速度场张量作为输入，预测未来K个时刻的雷达回波。对雷达基数据，即雷达回波张量和速度场张量进行预处理，由雷达基数据生成组合反射率，并处理成统一大小的图像，将速度场张量处理成和组合反射率同样大小的矩阵，以图像的形式保存。
需要说明的是，速度场感知雷达外推网络模型每一层的长度均相同，每一时刻的长度均相同。
还需要说明的是，通过所有长短时间记忆网络结构搭建雷达外推网络模型是指：任一时刻长短时间记忆网络结构处于雷达外推网络模型中的对应的时刻，在该时刻的多个长短时间记忆网络结构分布在各层上，且每一层有且仅有一个长短时间记忆网络结构。
本发明实施例中的速度场(Velocity Field)是由每一时刻、每一点上的速度矢量组成的物理场。
本发明提供的雷达回波外推预测方法，通过设计速度场感知雷达外推网络模型由多个长短时间记忆网络结构组成，使用深度学习方法，能盘活海量历史数据，挖掘出隐藏在历史数据的丰富信息，弥补现阶段对机理研究的不足。且深度学习方法能够学习到雷达回波随着时间流逝的生消规律，解决了传统进行刚体线性外推的局限。由于在速度场感知雷达外推网络模型中结合了速度场，融入了大气物理规律，使模型具有了更强更准确的预测能力。
在上述实施例的基础上，本实施例对于搭建任一时刻记忆做出进一步解释。
图2为本发明实施例中的一种长短时间记忆网络结构的示意图，本实施例请参阅图2。
所述根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆进一步包括：
通过以下公式获取所述任一时刻输入门：
其中，it为任一时刻输入门，σ为S型函数Sigmoid，Wxi为计算任一时刻输入门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whi为计算任一时刻输入门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wci为计算任一时刻输入门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bi为任一时刻输入门偏差。
通过以下公式获取所述任一时刻遗忘门：
其中，ft为任一时刻遗忘门，σ为S型函数Sigmoid，Wxf为计算任一时刻遗忘门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whf为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wcf为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bf为任一时刻遗忘门偏差。
通过以下公式获取所述任一时刻输入调制门：
其中，gt为任一时刻输入调制门，φ为双曲正切函数，Wxg为计算任一时刻输入调制门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whg为计算任一时刻输入调制门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wcg为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bg为任一时刻输入调制门偏差。
根据所述任一时刻输入门、所述任一时刻遗忘门和所述任一时刻输入调制门，通过下式搭建所述任一时刻记忆：
其中，为任一时刻记忆，ft为任一时刻遗忘门，⊙为哈达玛乘积，为任一时刻的上一时刻的记忆，it为任一时刻输入门，gt为任一时刻输入调制门。
具体地，任一时刻输入门用于决定任一时刻输入量、任一时刻的上一时刻的隐藏状态和任一时刻的上一时刻的记忆中的哪些信息会被加入到长短时间记忆网络结构的记忆中。任一时刻遗忘门用于决定任一时刻输入量、任一时刻的上一时刻的隐藏状态和任一时刻的上一时刻的保存在长短时间记忆网络结构中的哪些信息需要被遗忘。任一时刻输入调制门用于整合任一时刻的输入量和任一时刻的上一时刻的输出量为一个张量。
进一步地，在本实施例中，Sigmoid是一个在生物学中常见的S型的函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0，1之间。
进一步地，卷积是图像处理常用的方法，给定输入图像，在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义，这个函数称为卷积核。
本发明提供的雷达回波外推预测方法，通过在搭建任一时刻记忆的过程中，具有多次卷积计算操作，使得长短时间记忆网络结构能够对于高维序列数据进行降维。
在上述实施例的基础上，本实施例对于搭建任一时刻输出门做出进一步解释。本实施例还请参阅图2。
通过以下公式获取所述任一时刻输出门：
其中，ot为任一时刻输出门，σ为S型函数Sigmoid，Wxo为计算任一时刻输出门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Who为计算任一时刻输出门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wco为计算任一时刻输出门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bo为任一时刻输出门偏差。
具体地，在本实施例中，Sigmoid是一个在生物学中常见的S型的函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0，1之间。
本发明提供的雷达回波外推预测方法，通过在搭建任一时刻输出门的过程中，具有多次卷积计算操作，使得长短时间记忆网络结构能够对于高维序列数据进行降维。
在上述实施例的基础上，本实施例对于获取任一时刻隐藏状态做出进一步解释。本实施例还请参阅图2。
所述根据所述任一时刻输出门和所述任一时刻记忆，通过下式获取任一时刻隐藏状态：
其中，为任一时刻隐藏状态，ot为任一时刻输出门，⊙为哈达玛乘积，φ为双曲正切函数，为任一时刻记忆。
获取任一时刻隐藏状态后，即可搭建任一时刻长短时间记忆网络结构。进而通过上述实施例的方法获取雷达外推网络模型。下面本实施例对于将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型做出进一步地描述。
将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型进一步包括：通过实况数据获取过去时刻速度场，通过所述速度场感知雷达外推网络模型获取未来时刻速度场，所述速度场包括所述过去时刻速度场和所述未来时刻速度场；调整所述速度场与所述雷达外推网络模型的任一层的每一长短时间记忆网络结构的输入量的长宽大小相同；将所述速度场与所述任一层的每一长短时间记忆网络结构的输入量按照通道方向连接，获得所述任一的输入量，以使得所述速度场在所述任一层和所述任一层的上一层之间融合，获取所述速度场感知雷达外推网络模型；其中，所述速度场感知雷达外推网络模型在所述任一层之后用于预测雷达回波序列和所述未来时刻速度场。
进一步地，速度场感知雷达外推网络模型在所述任一层之后用于预测雷达回波序列和所述未来时刻速度场，速度场感知雷达外推网络模型在预测未来时刻速度场时是通过若干层长短时间记忆网络结构实现的，在本发明实施例中，若干层为一层及一层以上。在本实施例中，优选为一层。
具体地，实况数据是速度场的真实值，没有误差，但是没有未来时刻的值。
本发明提供的一种雷达回波外推预测方法，通过在速度场感知雷达外推网络模型中结合了速度场，融入了大气物理规律，使模型具有了更强更准确的预测能力。
基于上述实施例，本实施例对于获得训练好的速度场感知雷达外推网络模型做出进一步地解释。
图3为本发明实施例中的一种获得训练好的速度场感知雷达外推网络模型的流程图，图4为本发明实施例中的一种速度场感知雷达外推网络模型的结构示意图。本实施例请参阅图3和图4。下面对于图3中的具体参量进行解释，t代表时刻数，l代表层数，2L代表速度场感知雷达外推网络模型的总层数。J代表过去张量序列数据的长度。K代表未来张量序列数据的长度。
所述将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型进一步包括：S1、将由观测值组成的张量序列数据中的第一时刻张量序列数据输入所述速度场感知雷达外推网络模型；S2、在所述速度场感知雷达外推网络模型的第一层，由第一时刻第一层长短时间记忆网络结构抽取对应信息，并将所述对应信息传递至下一时刻下一层的长短时间记忆网络结构，其中，所述对应信息包括第一时刻第一层长短时间记忆网络结构对应的隐藏状态和第一时刻记忆，获取所述速度场感知雷达外推网络模型在第一时刻第一层的预测的雷达回波序列；S3、在任一层和所述任一层的上一层之间融合所述速度场；S4、将抽取对应信息的层数加一，持续执行步骤S2，直至抽取的对应信息所处的层数大于所述速度场感知雷达外推网络模型的总层数，获取所述速度场感知雷达外推网络模型在第一时刻中除所述第一层外的其余层的预测的雷达回波序列。
进一步地，本实施例是对第一时刻的所有对应信息进行抽取并进行预测的，即只完成了一个时刻的预测。本发明提供的速度场感知雷达外推网络模型在进行每一时刻的信息抽取与数据预测时，与本实施例所列举的方法一致，每一时刻的信息均包含过去时刻的历史信息。
基于上述实施例，本实施例还请参阅图3和图4。步骤S4后还包括：S5、将由观测值组成的张量序列数据中的下一时刻张量序列数据输入所述速度场感知雷达外推网络模型，循环执行步骤S2至S4，直至抽取的信息所处的时刻数大于或等于过去张量序列数据的长度，获取所述速度场感知雷达外推网络模型在抽取了对应信息的时刻中每一层的预测的雷达回波序列；S6、判断当抽取的对应信息所处的时刻数大于或等于过去张量序列数据的长度时，此时的时刻数和比较值的大小，所述比较值为所述过去张量序列数据的长度与未来张量序列数据的长度之和；其中，所述过去张量序列数据的长度为所述此时的时刻数的上一时刻数的数值，所述未来张量序列数据的长度为设定值；S7、若所述此时的时刻数大于或等于所述比较值，则通过损失函数获取所述预测的雷达回波序列和实际的雷达回波序列的差距，并根据反向传播算法对所述速度场感知雷达外推网络模型的输入量进行更新，循环执行步骤S2至S6，直至预测的雷达回波序列和实际的雷达回波序列的差距低于差距阈值。
进一步地，步骤S7还包括：若所述此时的时刻数小于所述比较值，则所述速度场感知雷达外推网络模型输出对所述此时的预测的雷达回波序列，并将所述预测的雷达回波序列输入所述速度场感知雷达外推网络模型，循环执行步骤S2至S6，直至所述此时的时刻数大于或等于所述比较值。
具体地，过去张量序列数据的长度为所述此时的时刻数的上一时刻数的数值，也就是说，过去张量序列数据的长度为本时刻的上一时刻对应的数值，举例来说，对于第一时刻来说，过去张量序列数据的长度为0，对于第N时刻来说，过去张量序列数据的长度为N-1。N取自然数。
未来张量序列数据的长度为一个设定值，即待预测的时刻长度。
本实施例中的损失函数优选为MSE，但本发明不限于此，还保护应用其它类型的损失函数的方案。差距阈值为设定值。
进一步地，在步骤S7中，必要时可对超参数进行调整。
下面以2016年广州雷达回波数据集的预测为例，对本发明提供的一种雷达回波外推预测方法做出进一步地解释。图5为本发明实施例中的任一时刻长短时间记忆网络结构的搭建流程图。本实施例请参阅图5。
首先对数据进行预处理。将2016年广州的雷达基数据生成组合反射率，并处理成统一大小的图像，将速度场处理成和组合反射率同样大小的矩阵，以图像的形式保存。每一个数据由20帧图片组成，10帧用于输入，10帧用于预测，每张图片的大小为384×384。对于每一帧图片，可以生成张量X∈R1×384×384。从时间角度来看，观测是由20个时间节点的张量数据组成的一个张量序列由雷达基数据生成组合反射率，并处理成统一大小的图像，将速度场处理成和组合反射率同样大小的矩阵，以图像的形式保存。
通过以下公式获取所述任一时刻输入门：
其中，it为任一时刻输入门，σ为S型函数Sigmoid，Wxi为计算任一时刻输入门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whi为计算任一时刻输入门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wci为计算任一时刻输入门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bi为任一时刻输入门偏差；其中卷积核W大小可以设定为3×3，特征图数量为128。
通过以下公式获取所述任一时刻遗忘门：
其中，ft为任一时刻遗忘门，σ为S型函数Sigmoid，Wxf为计算任一时刻遗忘门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whf为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wcf为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bf为任一时刻遗忘门偏差；其中卷积核W大小可以设定为3×3，特征图数量为128。
通过以下公式获取所述任一时刻输入调制门：
其中，gt为任一时刻输入调制门，φ为双曲正切函数，Wxg为计算任一时刻输入调制门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whg为计算任一时刻输入调制门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wcg为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bg为任一时刻输入调制门偏差；其中卷积核W大小可以设定为3×3，特征图数量为128。
根据所述任一时刻输入门、所述任一时刻遗忘门和所述任一时刻输入调制门，通过下式搭建所述任一时刻记忆：
其中，为任一时刻记忆，ft为任一时刻遗忘门，⊙为哈达玛乘积，为任一时刻的上一时刻的记忆，it为任一时刻输入门，gt为任一时刻输入调制门。
通过以下公式获取所述任一时刻输出门：
其中，ot为任一时刻输出门，σ为S型函数Sigmoid，Wxo为计算任一时刻输出门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Who为计算任一时刻输出门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wco为计算任一时刻输出门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bo为任一时刻输出门偏差，其中卷积核W大小可以设定为3×3，特征图数量为128。
所述根据所述任一时刻输出门和所述任一时刻记忆，通过下式获取任一时刻隐藏状态：
其中，为任一时刻隐藏状态，ot为任一时刻输出门，⊙为哈达玛乘积，φ为双曲正切函数，为任一时刻记忆。
基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；
通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；
再通过上述实施例的方式生成速度场。
通过上述实施例的方法将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型。
再通过上述实施例中的方法获取训练好的速度场感知雷达外推网络模型。将由观测值组成的张量序列读入到神经网络的对应输入x1,x2,…,x10中，使用速度场感知雷达外推网络模型进行运算，得到预测结果再用特定的损失函数MSE计算运算结果与正确结果的差距，然后用Adam算法作为反向传播算法以0.001的训练速率对模型进行训练，指导MSE小于某个阈值之后停止，每次计算16组序列。
最后用未训练的2016年广州雷达回波数据来测试速度场感知雷达外推网络模型的效果，若取得较好的结果，即预测较为准确，则对速度场感知雷达外推网络模型进行保存，以便在以后的具体应用场景中使用。
基于上述实施例，本实施例提供一种基于速度场感知网络的雷达回波外推预测系统，包括：获取预测序列模块，用于将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测的雷达回波序列；其中，所述训练好的速度场感知雷达外推网络模型通过如下子模块获取：获取隐藏状态子模块，用于根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆；搭建任一时刻输出门；根据所述任一时刻输出门和所述任一时刻记忆获取任一时刻隐藏状态；构建网络结构子模块，用于基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；搭建雷达外推网络模型模块，用于通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；融合模块，用于将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型；获得训练好模型模块，用于将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型。
基于上述实施例，图6为本发明实施例中的一种雷达回波外推预测电子设备的结构示意图，如图6所示，本发明另一实施例公开一种用于雷达回波外推预测的电子设备，该电子设备包括：存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述任一实施例所述的预测方法，例如包括：将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测的雷达回波序列；其中，所述训练好的速度场感知雷达外推网络模型通过如下步骤获取：根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆；搭建任一时刻输出门；根据所述任一时刻输出门和所述任一时刻记忆获取任一时刻隐藏状态；基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型；将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型。
本领域普通技术人员可以理解：实现上述设备实施例或方法实施例仅仅是示意性的，其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本发明提供的一种基于速度场感知网络的雷达回波外推预测方法和系统，通过设计速度场感知雷达外推网络模型由多个长短时间记忆网络结构组成，使用深度学习方法，能盘活海量历史数据，挖掘出隐藏在历史数据的丰富信息，弥补现阶段对机理研究的不足。且深度学习方法能够学习到雷达回波随着时间流逝的生消规律，解决了传统进行刚体线性外推的局限。由于在速度场感知雷达外推网络模型中结合了速度场，融入了大气物理规律，使模型具有了更强更准确的预测能力。本发明能够预测到雷达回波的生消，同时将速度场结合到速度场感知雷达外推网络模型当中，更好地捕获到雷达回波的运动趋势，来预测未来时刻的雷达回波。本发明在训练时状态稳定，收敛快，内存占用率低，实时预测效率高，可以捕获雷达回波中的生消机制，预报准确率远远好于传统强对流天气预报方法。
最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种雷达回波外推预测方法，其特征在于，包括：
将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测的雷达回波序列；
其中，所述训练好的速度场感知雷达外推网络模型通过如下步骤获取：
根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆；搭建任一时刻输出门；根据所述任一时刻输出门和所述任一时刻记忆获取任一时刻隐藏状态；
基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；
通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；
将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型；
将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型；
将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型进一步包括：
通过实况数据获取过去时刻速度场，通过所述速度场感知雷达外推网络模型获取未来时刻速度场，所述速度场包括所述过去时刻速度场和所述未来时刻速度场；
调整所述速度场与所述雷达外推网络模型的任一层的每一长短时间记忆网络结构的输入量的长宽大小相同；
将所述速度场与所述任一层的每一长短时间记忆网络结构的输入量按照通道方向连接，获得所述任一层的输入量，以使得所述速度场在所述任一层和所述任一层的上一层之间融合，获取所述速度场感知雷达外推网络模型；
其中，所述速度场感知雷达外推网络模型在所述任一层之后用于预测雷达回波序列和所述未来时刻速度场。
2.根据权利要求1所述的预测方法，其特征在于，所述根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆进一步包括：
通过以下公式获取所述任一时刻输入门：
其中，it为任一时刻输入门，σ为S型函数Sigmoid，Wxi为计算任一时刻输入门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whi为计算任一时刻输入门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wci为计算任一时刻输入门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bi为任一时刻输入门偏差；
通过以下公式获取所述任一时刻遗忘门：
其中，ft为任一时刻遗忘门，σ为S型函数Sigmoid，Wxf为计算任一时刻遗忘门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whf为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wcf为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bf为任一时刻遗忘门偏差；
通过以下公式获取所述任一时刻输入调制门：
其中，gt为任一时刻输入调制门，φ为双曲正切函数，Wxg为计算任一时刻输入调制门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Whg为计算任一时刻输入调制门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wcg为计算任一时刻遗忘门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bg为任一时刻输入调制门偏差；
根据所述任一时刻输入门、所述任一时刻遗忘门和所述任一时刻输入调制门，通过下式搭建所述任一时刻记忆：
其中，为任一时刻记忆，ft为任一时刻遗忘门，⊙为哈达玛乘积，为任一时刻的上一时刻的记忆，it为任一时刻输入门，gt为任一时刻输入调制门。
3.根据权利要求1所述的预测方法，其特征在于，所述搭建任一时刻输出门进一步包括：
通过以下公式获取所述任一时刻输出门：
其中，ot为任一时刻输出门，σ为S型函数Sigmoid，Wxo为计算任一时刻输出门时和做卷积操作的卷积核，*为卷积操作，为任一时刻的输入量，Who为计算任一时刻输出门时和做卷积操作的卷积核，为任一时刻的上一时刻的隐藏状态，Wco为计算任一时刻输出门时和做卷积操作的卷积核，为任一时刻的上一时刻的记忆，bo为任一时刻输出门偏差。
4.根据权利要求1所述的预测方法，其特征在于，所述根据所述任一时刻输出门和所述任一时刻记忆，通过下式获取任一时刻隐藏状态：
其中，为任一时刻隐藏状态，ot为任一时刻输出门，⊙为哈达玛乘积，φ为双曲正切函数，为任一时刻记忆。
5.根据权利要求1所述的预测方法，其特征在于，所述将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型进一步包括：
S1、将由观测值组成的张量序列数据中的第一时刻张量序列数据输入所述速度场感知雷达外推网络模型；
S2、在所述速度场感知雷达外推网络模型的第一层，由第一时刻第一层长短时间记忆网络结构抽取对应信息，并将所述对应信息传递至下一时刻下一层的长短时间记忆网络结构，其中，所述对应信息包括第一时刻第一层长短时间记忆网络结构对应的隐藏状态和第一时刻记忆，获取所述速度场感知雷达外推网络模型在第一时刻第一层的预测的雷达回波序列；
S3、在任一层和所述任一层的上一层之间融合所述速度场；
S4、将抽取对应信息的层数加一，持续执行步骤S2，直至抽取的对应信息所处的层数大于所述速度场感知雷达外推网络模型的总层数，获取所述速度场感知雷达外推网络模型在第一时刻的预测的雷达回波序列。
6.根据权利要求5所述的预测方法，其特征在于，步骤S4后还包括：
S5、将由观测值组成的张量序列数据中的下一时刻张量序列数据输入所述速度场感知雷达外推网络模型，循环执行步骤S2至S4，直至抽取的信息所处的时刻数大于或等于过去张量序列数据的长度，获取所述速度场感知雷达外推网络模型在抽取了对应信息的每一时刻预测的雷达回波序列；
S6、判断当抽取的对应信息所处的时刻数大于或等于过去张量序列数据的长度时，此时的时刻数和比较值的大小，所述比较值为所述过去张量序列数据的长度与未来张量序列数据的长度之和；其中，所述过去张量序列数据的长度为所述此时的时刻数的上一时刻数的数值，所述未来张量序列数据的长度为设定值；
S7、若所述此时的时刻数大于或等于所述比较值，则通过损失函数获取所述预测的雷达回波序列和实际的雷达回波序列的差距，并根据反向传播算法对所述速度场感知雷达外推网络模型的输入量进行更新，循环执行步骤S2至S6，直至预测的雷达回波序列和实际的雷达回波序列的差距低于差距阈值。
7.根据权利要求6所述的预测方法，其特征在于，步骤S7还包括：若所述此时的时刻数小于所述比较值，则所述速度场感知雷达外推网络模型输出对所述此时的预测的雷达回波序列，并将所述预测的雷达回波序列输入所述速度场感知雷达外推网络模型，循环执行步骤S2至S6，直至所述此时的时刻数大于或等于所述比较值。
8.一种雷达回波外推预测系统，其特征在于，包括：
获取预测序列模块，用于将雷达回波数据和速度场数据输入训练好的速度场感知雷达外推网络模型，获取预测的雷达回波序列；
其中，所述训练好的速度场感知雷达外推网络模型通过如下子模块获取：
获取隐藏状态子模块，用于根据任一时刻输入门、任一时刻遗忘门和任一时刻输入调制门搭建任一时刻记忆；搭建任一时刻输出门；根据所述任一时刻输出门和所述任一时刻记忆获取任一时刻隐藏状态；
构建网络结构子模块，用于基于所述任一时刻隐藏状态构建任一时刻长短时间记忆网络结构；
搭建雷达外推网络模型模块，用于通过所有长短时间记忆网络结构搭建雷达外推网络模型，其中，所述雷达外推网络模型是以时刻和层为维度的二维模型；
融合模块，用于将速度场与所述雷达外推网络模型融合，获取所述速度场感知雷达外推网络模型；
获得训练好模型模块，用于将由观测值组成的张量序列数据输入所述速度场感知雷达外推网络模型进行训练，获得所述训练好的速度场感知雷达外推网络模型；
所述融合模块进一步用于：通过实况数据获取过去时刻速度场，通过所述速度场感知雷达外推网络模型获取未来时刻速度场，所述速度场包括所述过去时刻速度场和所述未来时刻速度场；调整所述速度场与所述雷达外推网络模型的任一层的每一长短时间记忆网络结构的输入量的长宽大小相同；将所述速度场与所述任一层的每一长短时间记忆网络结构的输入量按照通道方向连接，获得所述任一层的输入量，以使得所述速度场在所述任一层和所述任一层的上一层之间融合，获取所述速度场感知雷达外推网络模型；其中，所述速度场感知雷达外推网络模型在所述任一层之后用于预测雷达回波序列和所述未来时刻速度场。
9.一种用于雷达回波外推预测的电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711188099.2A CN107748942B (zh) | 2017-11-24 | 2017-11-24 | 基于速度场感知网络的雷达回波外推预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711188099.2A CN107748942B (zh) | 2017-11-24 | 2017-11-24 | 基于速度场感知网络的雷达回波外推预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107748942A CN107748942A (zh) | 2018-03-02 |
| CN107748942B true CN107748942B (zh) | 2018-12-11 |
Family
ID=61252090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711188099.2A Active CN107748942B (zh) | 2017-11-24 | 2017-11-24 | 基于速度场感知网络的雷达回波外推预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107748942B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846426B (zh) * | 2018-05-30 | 2022-01-11 | 西安电子科技大学 | 基于深度双向lstm孪生网络的极化sar分类方法 |
| RU2715798C1 (ru) * | 2019-03-25 | 2020-03-03 | Акционерное общество "НИИ измерительных приборов - Новосибирский завод имени Коминтерна" (АО "НПО НИИИП-НЗиК") | Способ экстраполяции параметров траектории сопровождаемого объекта |
| CN110222828B (zh) * | 2019-06-12 | 2021-01-15 | 西安交通大学 | 一种基于混合深度神经网络的非定常流场预测方法 |
| CN110221360A (zh) * | 2019-07-25 | 2019-09-10 | 广东电网有限责任公司 | 一种电力线路雷暴预警方法及系统 |
| US11169263B2 (en) | 2019-10-04 | 2021-11-09 | International Business Machines Corporation | Predicting weather radar images |
| CN112698427B (zh) * | 2020-12-09 | 2023-01-31 | 最美天气(上海)科技有限公司 | 一种基于时空预测模型的短临预报方法及系统 |
| CN113341419B (zh) * | 2021-05-25 | 2022-11-01 | 成都信息工程大学 | 基于VAN-ConvLSTM的天气外推方法及系统 |
| CN115755227B (zh) * | 2023-01-10 | 2023-04-14 | 南京信大气象科学技术研究院有限公司 | 一种基于深度神经网络模型的三维雷达外推方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849777A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 基于交叉相关追踪法的电网设备区域对流天气预报方法 |
| CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及系统 |
| CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
| CN107121679A (zh) * | 2017-06-08 | 2017-09-01 | 湖南师范大学 | 用于雷达回波外推的循环神经网络预测法及记忆单元结构 |
-
2017
- 2017-11-24 CN CN201711188099.2A patent/CN107748942B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104849777A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 基于交叉相关追踪法的电网设备区域对流天气预报方法 |
| CN104977584A (zh) * | 2015-06-29 | 2015-10-14 | 深圳市气象台 | 一种对流天气的临近预报方法及系统 |
| CN106886023A (zh) * | 2017-02-27 | 2017-06-23 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
| CN107121679A (zh) * | 2017-06-08 | 2017-09-01 | 湖南师范大学 | 用于雷达回波外推的循环神经网络预测法及记忆单元结构 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于深度学习的多普勒气象雷达回波外推算法研究》;滕志伟;《万方数据知识服务平台》;20170905;第1-63页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107748942A (zh) | 2018-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107748942B (zh) | 基于速度场感知网络的雷达回波外推预测方法和系统 | |
| Gao et al. | Long short-term memory-based deep recurrent neural networks for target tracking | |
| CN111279362B (zh) | 胶囊神经网络 | |
| CN107992938B (zh) | 基于正反卷积神经网络的时空大数据预测方法和系统 | |
| CN111507378A (zh) | 训练图像处理模型的方法和装置 | |
| EP3593291B1 (en) | Making object-level predictions of the future state of a physical system | |
| US11688077B2 (en) | Adaptive object tracking policy | |
| Braakmann-Folgmann et al. | Sea level anomaly prediction using recurrent neural networks | |
| CN114332578A (zh) | 图像异常检测模型训练方法、图像异常检测方法和装置 | |
| Yao et al. | Unsupervised transfer learning for spatiotemporal predictive networks | |
| CN112988851B (zh) | 反事实预测模型数据处理方法、装置、设备及存储介质 | |
| CN115390164B (zh) | 一种雷达回波外推预报方法及系统 | |
| CN112508265A (zh) | 面向业务流程管理的时间与活动多任务预测方法及系统 | |
| Yin et al. | Application of a radar echo extrapolation‐based deep learning method in strong convection nowcasting | |
| Maddu et al. | Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks | |
| Adeli et al. | An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions | |
| Zhang et al. | Learning various length dependence by dual recurrent neural networks | |
| CN114067099A (zh) | 学生图像识别网络的训练方法及图像识别方法 | |
| Guo et al. | Learning and integration of adaptive hybrid graph structures for multivariate time series forecasting | |
| Zhang et al. | Sms: Spiking marching scheme for efficient long time integration of differential equations | |
| CN117273217A (zh) | 一种空间碎片轨道预报方法、系统及电子设备 | |
| CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
| Yasuno et al. | Rain-code fusion: code-to-code ConvLSTM forecasting spatiotemporal precipitation | |
| CN111898573A (zh) | 图像预测方法、计算机设备和存储介质 | |
| CN116381690A (zh) | 一种基于注意力机制的级联lstm短临降雨预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |