CN108732550A - 用于预测雷达回波的方法和装置 - Google Patents
用于预测雷达回波的方法和装置 Download PDFInfo
- Publication number
- CN108732550A CN108732550A CN201810864445.2A CN201810864445A CN108732550A CN 108732550 A CN108732550 A CN 108732550A CN 201810864445 A CN201810864445 A CN 201810864445A CN 108732550 A CN108732550 A CN 108732550A
- Authority
- CN
- China
- Prior art keywords
- radar return
- radar
- prediction
- result
- prediction model
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请实施例公开了用于预测雷达回波的方法和装置。该方法的一具体实施方式包括:响应于接收到雷达回波图序列,对雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列;将第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果,其中,第一预测结果包括未来设定时间段内的雷达回波图序列,雷达回波预测模型采用端到端神经网络结构。该实施方式通过采用具有端到端神经网络结构的雷达回波预测模型,可以提高预测出的雷达回波图序列的准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于预测雷达回波的方法和装置。
背景技术
在天气预报场景中,短临天气预测是重要环节,也是长效天气预报的重要补充。其中,短临天气预测可以指对特定区域未来短时间段(例如未来半小时、1小时、3小时等)内的天气(例如雷电、大风、冰雹、强降雨等强对流天气)进行预测。通常,在进行短临天气预测之前,需要进行短临雷达回波预测。
目前,雷达回波预测方法一般以光流法和基于统计的线性外推方法为主。光流法一般通过计算出稀疏特征点或者稠密特征图,利用图像间特征点匹配或者运动信息非线性建模来预测出每个像素格点位置的运动信息。基于统计的线性外推方法一般根据最近的雷达回波信息来线性预测出相应的雷达回波预测值。
现有的雷达回波预测方法一般采用较简单的建模过程。但由于云层运动信息复杂多变,存在云层合成,消散等问题,因此,采用现有的雷达回波预测方法得到的预测结果一般准确度较低。
发明内容
本申请实施例提出了用于预测雷达回波的方法和装置。
第一方面,本申请实施例提供了一种用于预测雷达回波的方法,该方法包括:响应于接收到雷达回波图序列,对雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列;将第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果,其中,第一预测结果包括未来设定时间段内的雷达回波图序列,雷达回波预测模型采用端到端神经网络结构。
在一些实施例中,雷达回波预测模型包括编码端和解码端,编码端包括卷积层、记忆层和下采样层,解码端包括反卷积层、记忆层和上采样层,记忆层为基于可变形卷积门控循环单元的记忆层。
在一些实施例中,对雷达回波图序列进行预筛选操作,包括:确定雷达回波图序列中的雷达回波图的雷达回波强度;从雷达回波图序列中选取出雷达回波强度不高于强度阈值的雷达回波图进行移除。
在一些实施例中,上述方法还包括:将第一预测结果中的雷达回波图序列输入预先训练的天气预测模型,得到第二预测结果,其中,第二预测结果包括天气类别信息。
在一些实施例中,上述方法还包括:确定第二预测结果是否满足预设的预警条件,若满足,则执行预警操作。
在一些实施例中,上述方法还包括:响应于接收到所连接的训练端发送的新雷达回波预测模型,将雷达回波预测模型更新为新雷达回波预测模型。
在一些实施例中,新雷达回波预测模型是训练端通过执行以下第一训练步骤得到的:获取雷达回波预测模型作为初始模型;获取实时产生的雷达回波图所形成的雷达回波图集合;将雷达回波图集合划分成至少一个雷达回波图序列;基于至少一个雷达回波图序列,对初始模型进行训练,得到新雷达回波预测模型。
在一些实施例中,新雷达回波预测模型是训练端通过执行以下第二训练步骤得到的:获取第一预测结果和与该第一预测结果对应的实际结果,其中,获取到的第一预测结果是雷达回波预测模型进行雷达回波预测操作时输出的预测结果;对获取到的第一预测结果和对应的实际结果进行分析,基于分析结果确定获取到的第一预测结果是否属于异常预测结果;若属于异常预测结果,则执行以下训练操作:将获取到的第一预测结果所对应的作为输入的第一雷达回波图序列和所对应的实际结果组成训练样本;获取雷达回波预测模型作为初始模型;基于训练样本,对初始模型进行训练,得到新雷达回波预测模型。
在一些实施例中,基于训练样本,对初始模型进行训练,得到新雷达回波预测模型,包括:获取与训练样本相近的历史雷达回波图序列;将历史雷达回波图序列作为新训练样本,将训练样本和新训练样本组成训练样本集;基于训练样本集对初始模型进行训练,得到新雷达回波预测模型。
第二方面,本申请实施例提供了一种用于预测雷达回波的装置,该装置包括:预处理单元,被配置成响应于接收到雷达回波图序列,对雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列;第一预测单元,被配置成将第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果,其中,第一预测结果包括未来设定时间段内的雷达回波图序列,雷达回波预测模型采用端到端神经网络结构。
在一些实施例中,雷达回波预测模型包括编码端和解码端,编码端包括卷积层、记忆层和下采样层,解码端包括反卷积层、记忆层和上采样层,记忆层为基于可变形卷积门控循环单元的记忆层。
在一些实施例中,预处理单元进一步被配置成:确定雷达回波图序列中的雷达回波图的雷达回波强度;从雷达回波图序列中选取出雷达回波强度不高于强度阈值的雷达回波图进行移除。
在一些实施例中,上述装置还包括:第二预测单元,被配置成将第一预测结果中的雷达回波图序列输入预先训练的天气预测模型,得到第二预测结果,其中,第二预测结果包括天气类别信息。
在一些实施例中,上述装置还包括:预警单元,被配置成确定第二预测结果是否满足预设的预警条件,若满足,则执行预警操作。
在一些实施例中,上述装置还包括:更新单元,被配置成响应于接收到所连接的训练端发送的新雷达回波预测模型,将雷达回波预测模型更新为新雷达回波预测模型。
在一些实施例中,新雷达回波预测模型是训练端通过执行以下第一训练步骤得到的:获取雷达回波预测模型作为初始模型;获取实时产生的雷达回波图所形成的雷达回波图集合;将雷达回波图集合划分成至少一个雷达回波图序列;基于至少一个雷达回波图序列,对初始模型进行训练,得到新雷达回波预测模型。
在一些实施例中,新雷达回波预测模型是训练端通过执行以下第二训练步骤得到的:获取第一预测结果和与该第一预测结果对应的实际结果,其中,获取到的第一预测结果是雷达回波预测模型进行雷达回波预测操作时输出的预测结果;对获取到的第一预测结果和对应的实际结果进行分析,基于分析结果确定获取到的第一预测结果是否属于异常预测结果;若属于异常预测结果,则执行以下训练操作:将获取到的第一预测结果所对应的作为输入的第一雷达回波图序列和所对应的实际结果组成训练样本;获取雷达回波预测模型作为初始模型;基于训练样本,对初始模型进行训练,得到新雷达回波预测模型。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当该一个或多个程序被该一个或多个处理器执行,使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于预测雷达回波的方法和装置,通过响应于接收到雷达回波图序列,对该雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列,而后将该第一雷达回波图序列输入预先训练的、采用端到端神经网络结构的雷达回波预测模型,以便得到包括未来设定时间段内的雷达回波图序列的第一预测结果。有效利用了采用端到端神经网络结构的雷达回波预测模型,提高了预测出的雷达回波图序列的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的用于预测雷达回波的方法的一个实施例的流程图;
图3是根据本申请的用于预测雷达回波的方法的一个应用场景的示意图;
图4是根据本申请的模型训练方法的一个实施例的流程图;
图5是根据本申请的模型训练方法的又一个实施例的流程图;
图6是根据本申请的用于预测雷达回波的方法的又一个实施例的流程图;
图7是根据本申请的用于预测雷达回波的装置的一个实施例的结构示意图;
图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于预测雷达回波的方法或用于预测雷达回波的装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括雷达回波数据发送端101,网络102和预测端103。网络102用以在雷达回波数据发送端101和预测端103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
雷达回波数据发送端101可以是提供各种服务的服务器,例如实时地向预测端103发送雷达回波图序列的服务器。
预测端103可以是提供各种服务的服务器,例如响应于接收到雷达回波数据发送端101发送的雷达回波图序列,对该雷达回波图序列进行分析等处理,得到处理结果(例如包括未来设定时间段内的雷达回波图序列的第一预测结果)。
需要说明的是,本申请实施例所提供的用于预测雷达回波的方法一般由预测端103执行,相应地,用于预测雷达回波的装置一般设置于预测端103中。
需要指出的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的雷达回波数据发送端、网络和预测端的数目仅仅是示意性的。根据实现需要,可以具有任意数目的雷达回波数据发送端、网络和预测端。
继续参考图2,示出了根据本申请的用于预测雷达回波的方法的一个实施例的流程200。该用于预测雷达回波的方法的流程200,包括以下步骤:
步骤201,响应于接收到雷达回波图序列,对雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列。
在本实施例中,用于预测雷达回波的方法的执行主体(例如图1所示的预测端103)可以响应于接收到雷达回波图序列,对该雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列。其中,上述执行主体可以实时地从所连接的雷达回波数据发送端(例如图1所示的雷达回波数据发送端101)接收雷达回波图序列。
在本实施例中,雷达回波图一般指气象雷达回波图。需要说明的是,由于气象雷达可能会探测到晴空回波或噪声回波(例如高层建筑、山峰等的回波),因此,上述执行主体需要对接收到的雷达回波图序列进行相应的预筛选操作。
通常,晴空回波的回波强度一般不高于强度阈值(例如10dbz,db可以表示分贝,z可以表示雷达反射因子)。因此,上述执行主体可以执行以下预筛选操作:确定接收到的雷达回波图序列中的雷达回波图的雷达回波强度;从雷达回波图序列中选取出雷达回波强度不高于强度阈值的雷达回波图进行移除。需要说明的是,雷达回波功率(radar echopower),俗称回波强度。天气雷达回波强度取决于某些雷达参数,降水体的散射持性,散射体至雷达的距离以及波束在传播路径中受大气介质的衰减。雷达回波强度例如可以通过气象雷达方程计算得出。其中,气象雷达方程可以指雷达回波强度与雷达参数、目标、距离、云和降水散射及衰减特性等因素之间的关系式。
在本实施例的一些可选的实现方式中,对雷达回波图序列进行预筛选操作还可以包括:确定经移除操作后的雷达回波图序列中是否存在包括目标噪声回波(例如高层建筑、山峰等的回波)的雷达回波图,若存在,则进一步在经移除操作后的雷达回波图序列中移除包括目标噪声回波的雷达回波图。需要说明的是,不同类型的回波一般具有不同的形状。上述执行主体例如可以在经移除操作后的雷达回波图序列中筛选出所显示的雷达回波的形状与目标噪声回波的形状相近的雷达回波图进行移除。
步骤202,将第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果。
在本实施例中,上述执行主体可以将在步骤201中得到的第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果。其中,该第一预测结果可以包括未来设定时间段内的雷达回波图序列。该设定时间段的长度例如可以是15分钟、半小时、1小时或3小时等等。设定时间段的长度是可以根据实际需要设置的,本实施例不对此方面内容做任何限定。
另外,雷达回波预测模型可以是在上述执行主体本地运行的雷达回波预测模型。雷达回波预测模型可以是采用端到端神经网络结构的模型。例如,雷达回波预测模型可以包括编码端和解码端。编码端可以包括卷积层、记忆层和下采样层。解码端可以包括反卷积层、记忆层和上采样层。其中,记忆层例如可以是基于以下任意一项的记忆层:长短期记忆网络(Long Short-Term Memory,LSTM)、双向长短期记忆网络(Bi-LSTM)、卷积门控循环单元(Convolutional Gated Recurrent Unit,CGRU)。需要说明的是,根据实现需要,雷达回波预测模型可以包括任意数目的编码端、解码端。编码端可以包括任意数目的卷积层、记忆层和下采样层。解码端也可以包括任意数目的反卷积层、记忆层和上采样层。
在本实施例的一些可选的实现方式中,记忆层还可以是基于可变形卷积门控循环单元的记忆层。传统的卷积门控循环单元一般支持固定大小的卷积核,无法描述出运动情况较为复杂的数据,例如旋转、变形等。可变形卷积门控循环单元可以支持自适应大小的卷积核。可变形卷积门控循环单元中增加的偏移量是网络结构的一部分,可以通过梯度反向传播进行端到端学习。加上该偏移量的学习之后,自适应大小的卷积核的大小和位置可以被动态调整,其直观效果就是不同位置的卷积核采样点位置会根据图像内容发生自适应的变化,从而适应云层不同的形状、大小等。因此,在雷达回波预测模型的神经网络结构中采用基于可变形卷积门控循环单元的记忆层,可以进一步提高雷达回波预测模型的预测结果的准确度。
在本实施例的一些可选的实现方式中,上述执行主体可以将第一预测结果存储至第一设定位置,以及将所得的第一雷达回波图序列中的雷达回波图按产生时间先后顺序存储至第二设定位置。
在本实施例的一些可选的实现方式中,上述执行主体可以与训练端通信连接。该训练端可以是用于进行模型训练操作的服务器。例如,该训练端可以被配置成执行特定的模型训练操作,得到新雷达回波预测模型,以及将新雷达回波预测模型发送至上述执行主体。上述执行主体可以响应于接收到新雷达回波预测模型,将当前使用的雷达回波预测模型更新为该新雷达回波预测模型。
需要说明的是,若步骤202中的雷达回波预测模型处于冷启动阶段,则训练端可以定期地执行图4所示的实施例提供的模型训练方法的流程400,来获得新雷达回波预测模型。若步骤202中的雷达回波预测模型未处于冷启动阶段,则训练端可以实时或定期地执行图5所示的实施例提供的模型训练方法的流程500,来获得新雷达回波预测模型。实践中,对于任意一个预测场景,如果该预测场景中使用的预测模型处于冷启动阶段,那么可以表明该预测场景没有对应的可作为训练数据的历史数据,该预测模型是从其它类似预测场景中获得的预测模型。
继续参见图3,图3是根据本实施例的用于预测雷达回波的方法的应用场景的一个示意图。在图3的应用场景中,未来设定时间段可以指未来半小时。预测端301可以接收到雷达回波数据发送端302发送的雷达回波图序列[A1,A2,A3,A4,A5,A6],其中,A1、A2、A3、A4、A5、A6均表示雷达回波图。而后,预测端301可以对雷达回波图序列进行预筛选操作,其中,预筛选操作可以包括晴空回波滤除操作。预测端301可以响应于确定A2中的雷达回波属于晴空回波,从雷达回波图序列中移除A2,得到第一雷达回波图序列[A1,A3,A4,A5,A6],如标号303所示。然后,预测端301可以将第一雷达回波图序列输入在本地上运行的雷达回波预测模型304,得到第一预测结果,如标号305所示。其中,雷达回波预测模型304采用端到端神经网络结构。该第一预测结果包括未来半小时内的雷达回波图序列。
本申请的上述实施例提供的方法,有效利用了采用端到端神经网络结构的雷达回波预测模型,提高了预测出的雷达回波图序列的准确度。
进一步参考图4,其示出了模型训练方法的一个实施例的流程400。该模型训练方法的流程400,包括以下步骤:
步骤401,获取雷达回波预测模型作为初始模型。
在本实施例中,训练端可以获取图2所示实施例提供的方法中的雷达回波预测模型作为初始模型。其中,训练端可以从本地获取雷达回波预测模型,也可以从图2所示实施例提供的方法的执行主体获取雷达回波预测模型,本实施例不对此方面内容做任何限定。
步骤402,获取实时产生的雷达回波图所形成的雷达回波图集合。
在本实施例中,训练端可以获取实时产生的雷达回波图所形成的雷达回波图集合。作为示例,训练端可以获取在上次执行流程400的时刻至当前时刻期间内产生的雷达回波图所形成的雷达回波图集合。这里,训练端例如可以从上述第二设定位置获取在该期间内产生的雷达回波图,将获取到的雷达回波图组成雷达回波图集合。其中,该雷达回波图集合中的雷达回波图可以按照产生时间先后顺序排序。
步骤403,将雷达回波图集合划分成至少一个雷达回波图序列。
在本实施例中,训练端可以将雷达回波图集合划分成至少一个雷达回波图序列。例如,训练端可以按照预设序列长度对雷达回波图集合进行划分。
步骤404,基于至少一个雷达回波图序列,对初始模型进行训练,得到新雷达回波预测模型。
在本实施例中,训练端可以基于划分出的至少一个雷达回波图序列,对初始模型进行训练,得到新雷达回波预测模型。
作为示例,训练端可以从至少一个雷达回波图序列中选取出雷达回波图序列作为训练样本,并执行以下训练操作:将训练样本中的前预置数目张雷达回波图输入初始模型,得到相应的预测结果;将预测结果与训练样本中的除该前预置数目张雷达回波图以外的雷达回波图进行比较;基于比较结果确定初始模型是否达到预设的优化目标;若达到,则将初始模型作为新雷达回波预测模型。若没有达到,则训练端可以调整初始模型的网络参数,从上述至少一个雷达回波图序列中重新选取雷达回波图序列作为训练样本,使用调整后的初始模型作为初始模型,继续执行该训练操作。
其中,优化目标例如可以指初始模型输出的预测结果的准确率大于预设的准确率阈值。另外,训练端例如可以采用反向传播算法(Back Propagation Algorithm,BP算法)和梯度下降法(例如随机梯度下降算法)对初始模型的网络参数进行调整。需要说明的是,反向传播算法和梯度下降法是目前广泛研究和应用的公知技术,在此不再赘述。
图4所示的实施例提供的方法,可以在图2所示实施例提供的方法中的雷达回波预测模型处于冷启动阶段时,定期地基于实时雷达回波数据对获取到的初始模型进行训练,得到新雷达回波预测模型。该新雷达回波预测模型可以用于更新图2所示实施例提供的方法中的雷达回波预测模型。这样可以有助于提高预测出的雷达回波图序列的准确度。
进一步参考图5,其示出了模型训练方法的又一个实施例的流程500。该模型训练方法的流程500,包括以下步骤:
步骤501,获取第一预测结果和与第一预测结果对应的实际结果。
在本实施例中,训练端可以获取第一预测结果和与第一预测结果对应的实际结果。其中,第一预测结果可以是图2所示实施例提供的方法中的雷达回波预测模型进行雷达回波预测操作时输出的预测结果。这里,训练端例如可以从上述第一设定位置获取第一预测结果,从上述第二预设位置获取与第一预测结果对应的实际结果。
需要说明的是,若训练端实时地执行流程500,则训练端可以获取最新产生的第一预测结果。若训练端定期地执行流程500,则训练端可以获取在上次执行流程500的时刻至当前时刻期间内产生的第一预测结果。
步骤502,对第一预测结果和对应的实际结果进行分析,基于分析结果确定第一预测结果是否属于异常预测结果。
在本实施例中,训练端可以对第一预测结果和其所对应的实际结果进行分析,基于分析结果确定第一预测结果是否属于异常预测结果。作为示例,训练端例如可以计算第一预测结果与其所对应的实际结果之间的相似度,若相似度低于相似度阈值,则训练端可以确定第一预测结果属于异常预测结果。这里,训练端可以采用任意一种用于计算图像之间的相似度的方法,来计算第一预测结果与其所对应的实际结果之间的相似度。由于相似度计算方法是目前广泛研究和应用的公知技术,在此不再赘述。
再例如,训练端可以将第一预测结果和其所对应的实际结果作为参数,输入指定的损失函数(loss function)中,从而可以计算得到两者之间损失值。训练端可以将损失值与目标值进行比较。其中,目标值一般可以用于表示预测值与真值之间的不一致程度的理想情况。也就是说,当损失值达到目标值时,可以认为预测值接近或近似真值。目标值可以根据实际需求来设置。因此,若损失值达到目标值,则训练端可以确定第一预测结果属于正常预测结果;否则,训练端可以确定第一预测结果属于异常预测结果。
步骤503,响应于确定第一预测结果属于异常预测结果,执行训练操作。
在本实施例中,训练端可以响应于确定第一预测结果属于异常预测结果,执行以下训练操作:将获取到的第一预测结果所对应的作为输入的第一雷达回波图序列和所对应的实际结果组成训练样本;获取图2所示实施例提供的方法中雷达回波预测模型作为初始模型;基于训练样本,对初始模型进行训练,得到新雷达回波预测模型。
需要说明的是,训练端可以仅利用所组成的训练样本对初始模型进行训练。可选地,训练端还可以获取与训练样本相近的历史雷达回波图序列,将获取到的历史雷达回波图序列作为新训练样本,将该训练样本和该新训练样本组成训练样本集。训练端可以基于该训练样本集对初始模型进行训练,得到新雷达回波预测模型。其中,与该训练样本相近的历史雷达回波图序列,可以指与该训练样本之间的相似度达到相似度阈值的历史雷达回波图序列。需要强调的是,历史雷达回波图可以是在第一设定时间段之前产生的雷达回波图。该第一设定时间段例如可以是近两个月、近三个月或近半年等。第一设定时间段是可以根据实现需要设置的,本实施例不对此方面内容做任何限定。
另外,历史雷达回波图序列可以存储在用于存储历史雷达回波数据的历史数据库中。训练端可以从该历史数据库中获取与训练样本相近的历史雷达回波图序列。
需要指出的是,对初始模型进行训练的方法可参看图4所示实施例中的步骤404的相关说明,在此不再赘述。
图5所示实施例提供的方法,通过确定获取到的第一预测结果是否属于异常预测结果,可以在确定该第一预测结果属于异常预测结果时,获取图2所示实施例提供的方法中的雷达回波预测模型作为初始模型,以及对该初始模型进行训练,得到新雷达回波预测模型。这样,可以有助于实现对图2所示实施例提供的方法中的雷达回波预测模型的实时更新。
进一步参考图6,其示出了用于预测雷达回波的方法的又一个实施例的流程600。该用于预测雷达回波的方法的流程600,包括以下步骤:
步骤601,响应于接收到雷达回波图序列,对雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列。
在本实施例中,用于预测雷达回波的方法的执行主体(例如图1所示的预测端103)可以响应于接收到雷达回波图序列,对雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列。针对步骤601的解释说明可参看图2所示实施例中的步骤201的相关说明,在此不再赘述。
步骤602,将第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果。
在本实施例中,上述执行主体可以将在步骤602中得到的第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果。其中,第一预测结果可以包括在未来设定时间段内的雷达回波图序列。雷达回波预测模型可以采用端到端神经网络结构。例如,雷达回波预测模型可以包括编码端和解码端。该编码端可以包括卷积层、记忆层和下采样层。该解码端可以包括反卷积层、记忆层和上采样层。这里,记忆层可以是基于可变形卷积门控循环单元的记忆层。
步骤603,将第一预测结果中的雷达回波图序列输入预先训练的天气预测模型,得到第二预测结果。
在本实施例中,上述执行主体可以将第一预测结果中的雷达回波图序列输入预先训练的天气预测模型,得到第二预测结果。其中,第二预测结果可以包括天气类别信息。天气类别例如可以包括强对流天气和非强对流天气。强对流天气可以包括冰雹、雷电、大风、强降雨等。天气类别信息可以包括天气类别名称或天气类别标识。
需要说明的是,天气预测模型可以是通过对目标初始模型进行训练得到的。目标初始模型例如可以是未经训练或未训练完成的深度卷积神经网络或LSTM等。
可选地,天气预测模型也可以是技术人员基于对大量雷达回波图序列和第一预测结果的统计而预先制定的、存储有多个雷达回波图序列与第一预测结果的对应关系的对应关系表。
步骤604,确定第二预测结果是否满足预设的预警条件。
在本实施例中,上述执行主体在得到第二预测结果后,上述执行主体可以确定第二预测结果是否满足预设的预警条件。作为示例,预警条件例如可以包括:第二预测结果包括目标天气类别名称。或者,预警条件例如可以包括:第二预测结果包括目标天气类别标识。其中,目标天气类别名称或目标天气类别标识所指示的目标天气类别例如可以包括冰雹、雷电、大风、强降雨等强对流天气。若上述执行主体得到的第二预测结果包括目标天气类别,则上述执行主体可以确定该第二预测结果满足预警条件。
步骤605,响应于确定第二预测结果满足预警条件,执行预警操作。
在本实施例中,上述执行主体可以响应于确定第二预测结果满足预警条件而执行预警操作。例如,上述执行主体可以生成相应的预警信息,以及输出该预警信息,以提示相关人员在未来设定时间段内可能发生强对流天气,这样可以使相关人员及时采取相应的防御措施。
需要说明的是,预警信息可以是文本、图片或语音等形式的信息,本实施例不对此方面内容做任何限定。
在本实施例的一些可选的实现方式中,上述执行主体可以存储第二预测结果、预警信息。
从图6中可以看出,与图2对应的实施例相比,本实施例中的用于预测雷达回波的方法的流程600突出了利用预测出的雷达回波图序列进行天气预测的步骤,以及在天气预测结果(即上述第二预测结果)满足预设的预警条件时执行预警操作的步骤。由此,本实施例描述的方案可以获得具有较高准确度的天气预测结果,而且还可以及时地进行预警,以使相关人员采取相应的防御措施,尽可能地保障人身安全、财产安全等。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种用于预测雷达回波的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的用于预测雷达回波的装置700包括:预处理单元701被配置成响应于接收到雷达回波图序列,对雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列;第一预测单元702被配置成将第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果,其中,第一预测结果可以包括未来设定时间段内的雷达回波图序列,雷达回波预测模型可以采用端到端神经网络结构。
在本实施例中,用于预测雷达回波的装置700中:预处理单元701和第一预测单元702的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201和步骤202的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,雷达回波预测模型包括编码端和解码端,编码端包括卷积层、记忆层和下采样层,解码端包括反卷积层、记忆层和上采样层,记忆层为基于可变形卷积门控循环单元的记忆层。
在本实施例的一些可选的实现方式中,预处理单元701可以进一步被配置成:确定雷达回波图序列中的雷达回波图的雷达回波强度;从雷达回波图序列中选取出雷达回波强度不高于强度阈值的雷达回波图进行移除。
在本实施例的一些可选的实现方式中,上述装置700还可以包括:第二预测单元(图中未示出),被配置成将第一预测结果中的雷达回波图序列输入预先训练的天气预测模型,得到第二预测结果,其中,第二预测结果可以包括天气类别信息。
在本实施例的一些可选的实现方式中,上述装置700还可以包括:预警单元(图中未示出),被配置成确定第二预测结果是否满足预设的预警条件,若满足,则执行预警操作。
在本实施例的一些可选的实现方式中,上述装置700还可以包括:更新单元(图中未示出),被配置成响应于接收到所连接的训练端发送的新雷达回波预测模型,将雷达回波预测模型更新为新雷达回波预测模型。
在本实施例的一些可选的实现方式中,新雷达回波预测模型可以是训练端通过执行以下第一训练步骤得到的:获取雷达回波预测模型作为初始模型;获取实时产生的雷达回波图所形成的雷达回波图集合;将雷达回波图集合划分成至少一个雷达回波图序列;基于至少一个雷达回波图序列,对初始模型进行训练,得到新雷达回波预测模型。
在本实施例的一些可选的实现方式中,新雷达回波预测模型可以是训练端通过执行以下第二训练步骤得到的:获取第一预测结果和与该第一预测结果对应的实际结果,其中,获取到的第一预测结果是雷达回波预测模型进行雷达回波预测操作时输出的预测结果;对获取到的第一预测结果和对应的实际结果进行分析,基于分析结果确定获取到的第一预测结果是否属于异常预测结果;若属于异常预测结果,则执行以下训练操作:将获取到的第一预测结果所对应的作为输入的第一雷达回波图序列和所对应的实际结果组成训练样本;获取雷达回波预测模型作为初始模型;基于训练样本,对初始模型进行训练,得到新雷达回波预测模型。
在本实施例的一些可选的实现方式中,上述基于训练样本,对初始模型进行训练,得到新雷达回波预测模型,可以包括:获取与该训练样本相近的历史雷达回波图序列;将该历史雷达回波图序列作为新训练样本,将该训练样本和该新训练样本组成训练样本集;基于该训练样本集对初始模型进行训练,得到新雷达回波预测模型。
本申请的上述实施例提供的装置,有效利用了采用端到端神经网络结构的雷达回波预测模型,提高了预测出的雷达回波图序列的准确度。
下面参考图8,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的预测端103)的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或信息存储端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括预处理单元和第一预测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,预处理单元还可以被描述为“对雷达回波图序列进行预筛选操作的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备:响应于接收到雷达回波图序列,对雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列;将第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果,其中,第一预测结果可以包括未来设定时间段内的雷达回波图序列,雷达回波预测模型可以采用端到端神经网络结构。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (19)
1.一种用于预测雷达回波的方法,包括:
响应于接收到雷达回波图序列,对所述雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列;
将所述第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果,其中,所述第一预测结果包括未来设定时间段内的雷达回波图序列,所述雷达回波预测模型采用端到端神经网络结构。
2.根据权利要求1所述的方法,其中,所述雷达回波预测模型包括编码端和解码端,所述编码端包括卷积层、记忆层和下采样层,所述解码端包括反卷积层、记忆层和上采样层,记忆层为基于可变形卷积门控循环单元的记忆层。
3.根据权利要求1-2之一所述的方法,其中,所述对所述雷达回波图序列进行预筛选操作,包括:
确定所述雷达回波图序列中的雷达回波图的雷达回波强度;
从所述雷达回波图序列中选取出雷达回波强度不高于强度阈值的雷达回波图进行移除。
4.根据权利要求1-2之一所述的方法,其中,所述方法还包括:
将所述第一预测结果中的雷达回波图序列输入预先训练的天气预测模型,得到第二预测结果,其中,所述第二预测结果包括天气类别信息。
5.根据权利要求4所述的方法,其中,所述方法还包括:
确定所述第二预测结果是否满足预设的预警条件,若满足,则执行预警操作。
6.根据权利要求1-2之一所述的方法,其中,所述方法还包括:
响应于接收到所连接的训练端发送的新雷达回波预测模型,将所述雷达回波预测模型更新为所述新雷达回波预测模型。
7.根据权利要求6所述的方法,其中,所述新雷达回波预测模型是所述训练端通过执行以下第一训练步骤得到的:
获取所述雷达回波预测模型作为初始模型;
获取实时产生的雷达回波图所形成的雷达回波图集合;
将所述雷达回波图集合划分成至少一个雷达回波图序列;
基于所述至少一个雷达回波图序列,对初始模型进行训练,得到新雷达回波预测模型。
8.根据权利要求6所述的方法,其中,所述新雷达回波预测模型是所述训练端通过执行以下第二训练步骤得到的:
获取第一预测结果和与该第一预测结果对应的实际结果,其中,获取到的第一预测结果是所述雷达回波预测模型进行雷达回波预测操作时输出的预测结果;
对获取到的第一预测结果和对应的实际结果进行分析,基于分析结果确定获取到的第一预测结果是否属于异常预测结果;
若属于异常预测结果,则执行以下训练操作:将获取到的第一预测结果所对应的作为输入的第一雷达回波图序列和所对应的实际结果组成训练样本;获取所述雷达回波预测模型作为初始模型;基于所述训练样本,对初始模型进行训练,得到新雷达回波预测模型。
9.根据权利要求8所述的方法,其中,所述基于所述训练样本,对初始模型进行训练,得到新雷达回波预测模型,包括:
获取与所述训练样本相近的历史雷达回波图序列;
将所述历史雷达回波图序列作为新训练样本,将所述训练样本和所述新训练样本组成训练样本集;
基于所述训练样本集对初始模型进行训练,得到新雷达回波预测模型。
10.一种用于预测雷达回波的装置,包括:
预处理单元,被配置成响应于接收到雷达回波图序列,对所述雷达回波图序列进行预筛选操作,将经预筛选操作后的雷达回波图序列确定为第一雷达回波图序列;
第一预测单元,被配置成将所述第一雷达回波图序列输入预先训练的雷达回波预测模型,得到第一预测结果,其中,所述第一预测结果包括未来设定时间段内的雷达回波图序列,所述雷达回波预测模型采用端到端神经网络结构。
11.根据权利要求10所述的装置,其中,所述雷达回波预测模型包括编码端和解码端,所述编码端包括卷积层、记忆层和下采样层,所述解码端包括反卷积层、记忆层和上采样层,记忆层为基于可变形卷积门控循环单元的记忆层。
12.根据权利要求10-11之一所述的装置,其中,所述预处理单元进一步被配置成:
确定所述雷达回波图序列中的雷达回波图的雷达回波强度;
从所述雷达回波图序列中选取出雷达回波强度不高于强度阈值的雷达回波图进行移除。
13.根据权利要求10-11之一所述的装置,其中,所述装置还包括:
第二预测单元,被配置成将所述第一预测结果中的雷达回波图序列输入预先训练的天气预测模型,得到第二预测结果,其中,所述第二预测结果包括天气类别信息。
14.根据权利要求13所述的装置,其中,所述装置还包括:
预警单元,被配置成确定所述第二预测结果是否满足预设的预警条件,若满足,则执行预警操作。
15.根据权利要求10-11之一所述的装置,其中,所述装置还包括:
更新单元,被配置成响应于接收到所连接的训练端发送的新雷达回波预测模型,将所述雷达回波预测模型更新为所述新雷达回波预测模型。
16.根据权利要求15所述的装置,其中,所述新雷达回波预测模型是所述训练端通过执行以下第一训练步骤得到的:
获取所述雷达回波预测模型作为初始模型;
获取实时产生的雷达回波图所形成的雷达回波图集合;
将所述雷达回波图集合划分成至少一个雷达回波图序列;
基于所述至少一个雷达回波图序列,对初始模型进行训练,得到新雷达回波预测模型。
17.根据权利要求15所述的装置,其中,所述新雷达回波预测模型是所述训练端通过执行以下第二训练步骤得到的:
获取第一预测结果和与该第一预测结果对应的实际结果,其中,获取到的第一预测结果是所述雷达回波预测模型进行雷达回波预测操作时输出的预测结果;
对获取到的第一预测结果和对应的实际结果进行分析,基于分析结果确定获取到的第一预测结果是否属于异常预测结果;
若属于异常预测结果,则执行以下训练操作:将获取到的第一预测结果所对应的作为输入的第一雷达回波图序列和所对应的实际结果组成训练样本;获取所述雷达回波预测模型作为初始模型;基于所述训练样本,对初始模型进行训练,得到新雷达回波预测模型。
18.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
19.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864445.2A CN108732550B (zh) | 2018-08-01 | 2018-08-01 | 用于预测雷达回波的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810864445.2A CN108732550B (zh) | 2018-08-01 | 2018-08-01 | 用于预测雷达回波的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108732550A true CN108732550A (zh) | 2018-11-02 |
CN108732550B CN108732550B (zh) | 2021-06-29 |
Family
ID=63942184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810864445.2A Active CN108732550B (zh) | 2018-08-01 | 2018-08-01 | 用于预测雷达回波的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108732550B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948722A (zh) * | 2019-03-27 | 2019-06-28 | 中国人民解放军战略支援部队航天工程大学 | 一种识别空间目标的方法 |
CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
CN110764065A (zh) * | 2019-10-16 | 2020-02-07 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN110930449A (zh) * | 2019-11-27 | 2020-03-27 | 上海眼控科技股份有限公司 | 预测结果的评估方法、装置、计算机设备和存储介质 |
CN111158068A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及系统 |
CN111369485A (zh) * | 2020-03-05 | 2020-07-03 | 上海眼控科技股份有限公司 | 一种用于优化预测雷达回波图像的方法与设备 |
CN111880159A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于lstm的雷达序列信号检测方法及系统 |
CN111929688A (zh) * | 2020-09-22 | 2020-11-13 | 蔻斯科技(上海)有限公司 | 一种用于确定雷达回波预测帧序列的方法与设备 |
CN112114304A (zh) * | 2019-06-19 | 2020-12-22 | Aptiv技术有限公司 | 用于预测雷达传感器的假阳性的方法 |
CN112180375A (zh) * | 2020-09-14 | 2021-01-05 | 成都信息工程大学 | 一种基于改进的TrajGRU网络的气象雷达回波外推方法 |
CN112415521A (zh) * | 2020-12-17 | 2021-02-26 | 南京信息工程大学 | 基于cgru的强时空特性雷达回波临近预报方法 |
CN112731564A (zh) * | 2020-12-26 | 2021-04-30 | 安徽省公共气象服务中心 | 一种基于多普勒天气雷达数据的雷电智能预报方法 |
CN112782701A (zh) * | 2021-02-10 | 2021-05-11 | 深圳成谷科技有限公司 | 一种基于雷达的能见度感知的方法、系统及设备 |
CN112819199A (zh) * | 2020-12-31 | 2021-05-18 | 上海眼控科技股份有限公司 | 降水量的预测方法、装置、设备和存储介质 |
CN113657477A (zh) * | 2021-08-10 | 2021-11-16 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
CN115390164A (zh) * | 2022-10-27 | 2022-11-25 | 南京信息工程大学 | 一种雷达回波外推预报方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706571B (zh) * | 2009-11-05 | 2012-08-29 | 宁波市气象服务中心 | 一种雷达回波中非气象杂波的处理方法 |
US20170109881A1 (en) * | 2015-10-14 | 2017-04-20 | The Regents Of The University Of California | Automated segmentation of organ chambers using deep learning methods from medical imaging |
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 |
CN107064885A (zh) * | 2017-02-21 | 2017-08-18 | 水利部南京水利水文自动化研究所 | X波段雨量雷达径向干扰识别与消除方法 |
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 |
CN107506823A (zh) * | 2017-08-22 | 2017-12-22 | 南京大学 | 一种用于对话生成的混合神经网络模型的构建方法 |
CN107609541A (zh) * | 2017-10-17 | 2018-01-19 | 哈尔滨理工大学 | 一种基于可变形卷积神经网络的人体姿态估计方法 |
CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
CN107808167A (zh) * | 2017-10-27 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于可变形部分的完全卷积网络进行目标检测的方法 |
CN107993215A (zh) * | 2017-11-27 | 2018-05-04 | 象辑知源(武汉)科技有限公司 | 一种天气雷达图像处理方法及系统 |
CN108122035A (zh) * | 2016-11-29 | 2018-06-05 | 科大讯飞股份有限公司 | 端到端建模方法及系统 |
CN108171776A (zh) * | 2017-12-26 | 2018-06-15 | 浙江工业大学 | 一种基于改进的卷积神经网络实现图像编辑传播的方法 |
-
2018
- 2018-08-01 CN CN201810864445.2A patent/CN108732550B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706571B (zh) * | 2009-11-05 | 2012-08-29 | 宁波市气象服务中心 | 一种雷达回波中非气象杂波的处理方法 |
US20170109881A1 (en) * | 2015-10-14 | 2017-04-20 | The Regents Of The University Of California | Automated segmentation of organ chambers using deep learning methods from medical imaging |
CN108122035A (zh) * | 2016-11-29 | 2018-06-05 | 科大讯飞股份有限公司 | 端到端建模方法及系统 |
CN107064885A (zh) * | 2017-02-21 | 2017-08-18 | 水利部南京水利水文自动化研究所 | X波段雨量雷达径向干扰识别与消除方法 |
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 |
CN107506823A (zh) * | 2017-08-22 | 2017-12-22 | 南京大学 | 一种用于对话生成的混合神经网络模型的构建方法 |
CN107632295A (zh) * | 2017-09-15 | 2018-01-26 | 广东工业大学 | 一种基于时序卷积神经网络的雷达回波外推方法 |
CN107609541A (zh) * | 2017-10-17 | 2018-01-19 | 哈尔滨理工大学 | 一种基于可变形卷积神经网络的人体姿态估计方法 |
CN107808167A (zh) * | 2017-10-27 | 2018-03-16 | 深圳市唯特视科技有限公司 | 一种基于可变形部分的完全卷积网络进行目标检测的方法 |
CN107993215A (zh) * | 2017-11-27 | 2018-05-04 | 象辑知源(武汉)科技有限公司 | 一种天气雷达图像处理方法及系统 |
CN108171776A (zh) * | 2017-12-26 | 2018-06-15 | 浙江工业大学 | 一种基于改进的卷积神经网络实现图像编辑传播的方法 |
Non-Patent Citations (1)
Title |
---|
XINGJIAN SHI ETC.: ""Deep Learning for Precipitation Nowcasting:A Benchmark and A New Model"", 《NIPS2017》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109977871A (zh) * | 2019-03-27 | 2019-07-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 |
CN109948722A (zh) * | 2019-03-27 | 2019-06-28 | 中国人民解放军战略支援部队航天工程大学 | 一种识别空间目标的方法 |
KR20200135125A (ko) * | 2019-05-24 | 2020-12-02 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 강한 대류기상을 예측하기 위한 방법 및 장치 |
CN110135654A (zh) * | 2019-05-24 | 2019-08-16 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
KR102337776B1 (ko) * | 2019-05-24 | 2021-12-09 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 강한 대류기상을 예측하기 위한 방법 및 장치 |
CN110135654B (zh) * | 2019-05-24 | 2021-08-27 | 北京百度网讯科技有限公司 | 用于预测强对流天气的方法和装置 |
US11555921B2 (en) | 2019-05-24 | 2023-01-17 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for predicting severe convection weather |
CN112114304B (zh) * | 2019-06-19 | 2024-01-02 | Aptiv技术有限公司 | 用于预测雷达传感器的假阳性的方法 |
CN112114304A (zh) * | 2019-06-19 | 2020-12-22 | Aptiv技术有限公司 | 用于预测雷达传感器的假阳性的方法 |
CN110764065A (zh) * | 2019-10-16 | 2020-02-07 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN110764065B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN110930449A (zh) * | 2019-11-27 | 2020-03-27 | 上海眼控科技股份有限公司 | 预测结果的评估方法、装置、计算机设备和存储介质 |
CN111158068B (zh) * | 2019-12-31 | 2022-09-23 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及系统 |
CN111158068A (zh) * | 2019-12-31 | 2020-05-15 | 哈尔滨工业大学(深圳) | 一种基于简单卷积循环神经网络的短临预报方法及系统 |
CN111369485A (zh) * | 2020-03-05 | 2020-07-03 | 上海眼控科技股份有限公司 | 一种用于优化预测雷达回波图像的方法与设备 |
CN111880159A (zh) * | 2020-08-06 | 2020-11-03 | 中国人民解放军海军航空大学 | 一种基于lstm的雷达序列信号检测方法及系统 |
CN112180375A (zh) * | 2020-09-14 | 2021-01-05 | 成都信息工程大学 | 一种基于改进的TrajGRU网络的气象雷达回波外推方法 |
CN112180375B (zh) * | 2020-09-14 | 2022-12-20 | 成都信息工程大学 | 一种基于改进的TrajGRU网络的气象雷达回波外推方法 |
CN111929688A (zh) * | 2020-09-22 | 2020-11-13 | 蔻斯科技(上海)有限公司 | 一种用于确定雷达回波预测帧序列的方法与设备 |
CN111929688B (zh) * | 2020-09-22 | 2021-02-09 | 蔻斯科技(上海)有限公司 | 一种用于确定雷达回波预测帧序列的方法与设备 |
CN112415521A (zh) * | 2020-12-17 | 2021-02-26 | 南京信息工程大学 | 基于cgru的强时空特性雷达回波临近预报方法 |
CN112731564A (zh) * | 2020-12-26 | 2021-04-30 | 安徽省公共气象服务中心 | 一种基于多普勒天气雷达数据的雷电智能预报方法 |
CN112731564B (zh) * | 2020-12-26 | 2023-04-07 | 安徽省公共气象服务中心 | 一种基于多普勒天气雷达数据的雷电智能预报方法 |
CN112819199A (zh) * | 2020-12-31 | 2021-05-18 | 上海眼控科技股份有限公司 | 降水量的预测方法、装置、设备和存储介质 |
CN112782701A (zh) * | 2021-02-10 | 2021-05-11 | 深圳成谷科技有限公司 | 一种基于雷达的能见度感知的方法、系统及设备 |
CN112782701B (zh) * | 2021-02-10 | 2024-04-02 | 深圳成谷科技有限公司 | 一种基于雷达的能见度感知的方法、系统及设备 |
CN113657477B (zh) * | 2021-08-10 | 2022-04-08 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
CN113657477A (zh) * | 2021-08-10 | 2021-11-16 | 南宁五加五科技有限公司 | 一种短临降水的预报方法、装置及系统 |
CN115390164A (zh) * | 2022-10-27 | 2022-11-25 | 南京信息工程大学 | 一种雷达回波外推预报方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108732550B (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108732550A (zh) | 用于预测雷达回波的方法和装置 | |
CN110135654A (zh) | 用于预测强对流天气的方法和装置 | |
JP7477252B2 (ja) | 気象レーダ・イメージの予測 | |
US20230194756A1 (en) | Weather-driven multi-category infrastructure impact forecasting | |
CN109344908A (zh) | 用于生成模型的方法和装置 | |
CN109325541A (zh) | 用于训练模型的方法和装置 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN109086916B (zh) | 一种基于多源观测数据的对流天气临近预报方法及装置 | |
US10288767B2 (en) | Method and apparatus for lightning forecast | |
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN109799550A (zh) | 用于预测降雨强度的方法和装置 | |
CN109582982A (zh) | 用于翻译语音的方法和装置 | |
CN108960520A (zh) | 一种电力负荷预测方法、系统、计算机设备、介质 | |
CN110443266A (zh) | 对象预测方法及装置、电子设备和存储介质 | |
CN112308281A (zh) | 一种温度信息预测方法及装置 | |
CN108228428A (zh) | 用于输出信息的方法和装置 | |
CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
CN105607062B (zh) | 一种天气雷达图分析系统 | |
WO2022175337A1 (en) | Nowcasting using generative neural networks | |
CN113253336B (zh) | 一种基于深度学习的地震预测方法和系统 | |
CN109035243A (zh) | 用于输出电池极片毛刺信息的方法和装置 | |
CN110490132A (zh) | 数据处理方法和装置 | |
CN109344247A (zh) | 用于输出信息的方法和装置 | |
CN112862014A (zh) | 客户信用预警方法及装置 | |
CN109684430A (zh) | 用于输出信息的方法和装置 |
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 |