CN109031472A - 一种用于气象预测的数据处理方法及装置 - Google Patents

一种用于气象预测的数据处理方法及装置 Download PDF

Info

Publication number
CN109031472A
CN109031472A CN201710431354.5A CN201710431354A CN109031472A CN 109031472 A CN109031472 A CN 109031472A CN 201710431354 A CN201710431354 A CN 201710431354A CN 109031472 A CN109031472 A CN 109031472A
Authority
CN
China
Prior art keywords
meteorological
observation
data
forecast
website
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
Application number
CN201710431354.5A
Other languages
English (en)
Other versions
CN109031472B (zh
Inventor
张柯
褚崴
施兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201710431354.5A priority Critical patent/CN109031472B/zh
Publication of CN109031472A publication Critical patent/CN109031472A/zh
Application granted granted Critical
Publication of CN109031472B publication Critical patent/CN109031472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本文公开了一种用于气象预测的数据处理方法及装置；上述数据处理方法包括：按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；确定预报站点关联的气象数据，其中，气象数据包括：一个或多个观测时刻在预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；利用预报站点关联的气象数据进行深度学习训练，得到气象预测模型。

Description

一种用于气象预测的数据处理方法及装置
技术领域
本发明涉及数据处理技术，尤其涉及一种用于气象预测的数据处理方法及装置。
背景技术
在传统的气象预报中，根据当前观察到的气象信息(比如，降雨量、温度、露点温度、气压、卫星云图等)，利用一些简单的经验公式进行近似计算，再由预报员参考计算结果依靠经验做出最后判断，比如判断目标预报地区是否会有降雨。然而，传统的气象预报方式需要大量的人工干预，而且只能抓取出一些人可以看出并比较容易理解的规律。但是，气象预测是一个复杂的混沌系统，有些潜在规律无法通过人的简单观察或者公式计算就可以准确得出。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供一种用于气象预测的数据处理方法及装置，能够提高气象预测的准确性。
本申请实施例提供一种用于气象预测的数据处理方法，包括：
按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
确定所述预报站点关联的气象数据，其中，所述气象数据包括：一个或多个观测时刻在所述预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
其中，所述确定所述预报站点关联的气象数据，可以包括：
对所述预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对所述预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
其中，所述对地理扩展之后的气象数据进行时间扩展，可以包括：
确定目标观测特征以及相关观测特征；
从所述地理扩展后的气象数据中，选择所述目标观测特征在目标观测时刻的数据、所述相关观测特征在多个历史观测时刻的数据；其中，所述目标观测时刻晚于或等于所述历史观测时刻；
分别计算所述相关观测特征在任一个历史观测时刻的数据与所述目标观测特征在所述目标观测时刻的数据之间的相关系数；
从所述相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据；
所述利用所述预报站点关联的气象数据进行深度学习训练，可以包括：
利用所述目标观测特征在所述目标观测时刻的数据以及所述相关观测特征在筛选出的历史观测时刻的数据进行深度学习训练。
其中，所述从所述相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据，可以包括：
按照所述历史观测时刻的先后顺序，将所述计算得到的相关系数进行排序；
在所述相关系数的序列中，确定所述相关系数的连续单调上升个数最多的区间；
筛选出所述区间内的相关系数对应的历史观测时刻的数据。
其中，所述确定所述预报站点关联的气象数据之前，所述数据处理方法还可以包括：
收集所述预报站点及其周边预报站点在一个或多个观测时刻采集到的一个或多个气象观测特征的数据；
所述对所述预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据，可以包括：
针对任一个气象观测区域，分别根据所述气象观测区域内的预报站点或者周边预报站点在同一观测时刻采集到的一个或多个气象观测特征的数据，确定在所述观测时刻在所述气象观测区域内一个或多个气象观测特征的数据。
其中，所述按照设定的区域划分方式，确定预报站点关联的多个气象观测区域，可以包括：
以所述预报站点为中心，按照第一参数确定N个区域，按照第二参数确定M个区域；
组合所述N个区域和所述M个区域，确定N×M+1个气象观测区域，并将所述N×M+1个气象观测区域确定为所述预报站点关联的气象观测区域，其中，N、M均为正整数；
其中，所述第一参数为以所述预报站点为圆心的扇形角度，所述第二参数为以所述预报站点为圆心的半径；或者，所述第一参数为以所述预报站点为圆心的半径，所述第二参数为以所述预报站点为圆心的扇形角度。
其中，所述利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型之后，所述数据处理方法还可以包括：
利用所述气象预测模型确定目标预报地区在未来时刻的气象预测结果。
其中，所述数据处理方法还可以包括：
在采用所述气象预测模型得到目标预报地区在未来时刻的气象预测结果时，确定得到所述目标预报地区的气象预测结果所使用的气象观测特征；
从所述确定的气象观测特征中，筛选出满足线性条件的气象观测特征。
其中，所述筛选出满足线性条件的气象观测特征，可以包括：
针对所述确定的任一个气象观测特征，确定所述气象观测特征的取值范围，并在所述取值范围内划分多个区间；
根据确定所述气象预测结果时所采用的所述气象观测特征的特征值，确定所述气象观测特征的任一个特征值所属的区间；
计算任一个区间内满足设定气象条件的特征值的个数与属于所述区间的特征值的总个数的比值；
筛选出所述区间与所述比值呈线性关系的气象观测特征。
本申请实施例还提供一种用于气象预测的数据处理装置，包括：
第一处理模块，用于按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
第二处理模块，用于确定所述预报站点关联的气象数据，其中，所述气象数据包括：一个或多个观测时刻在所述预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
模型训练模块，用于利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
其中，所述第二处理模块可以用于通过以下方式确定所述预报站点关联的气象数据：
对所述预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对所述预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
其中，所述第二处理模块可以用于通过以下方式对地理扩展之后的气象数据进行时间扩展：
确定目标观测特征以及相关观测特征；
从所述地理扩展后的气象数据中，选择所述目标观测特征在目标观测时刻的数据、所述相关观测特征在多个历史观测时刻的数据；其中，所述目标观测时刻晚于或等于所述历史观测时刻；
分别计算所述相关观测特征在任一个历史观测时刻的数据与所述目标观测特征在所述目标观测时刻的数据之间的相关系数；
从所述相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据；
所述模型训练模块，用于通过以下方式利用所述预报站点关联的气象数据进行深度学习训练：
利用所述目标观测特征在所述目标观测时刻的数据以及所述相关观测特征在筛选出的历史观测时刻的数据进行深度学习训练。
其中，所述数据处理装置还可以包括：预测模块，用于利用所述气象预测模型确定目标预报地区在未来时刻的气象预测结果。
其中，所述数据处理装置还可以包括：特征筛选模块，用于在所述预测模块采用所述气象预测模型得到目标预报地区在未来时刻的气象预测结果时，确定得到所述目标预报地区的气象预测结果所使用的气象观测特征，并从所述确定的气象观测特征中，筛选出满足线性条件的气象观测特征。
本申请实施例还提供一种用于气象预测的数据处理装置，包括：存储器以及处理器；其中，所述存储器用于存储用于数据处理的程序；该用于数据处理的程序在被所述处理器读取执行时，执行以下操作：
按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
确定所述预报站点关联的气象数据，其中，所述气象数据包括：一个或多个观测时刻在所述预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
其中，所述确定所述预报站点关联的气象数据，可以包括：
对所述预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对所述预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
本申请实施例还提供一种提供交互界面的方法，包括：提供一个交互界面，所述交互界面上包括：
第一显示部分，用于显示目标预报地区的气象预测结果；
第二显示部分，用于显示得出所述气象预测结果所采用的满足线性条件的气象观测特征的数据。
本申请实施例还提供一种交互装置，包括：显示模块，用于提供一个交互界面，所述交互界面上包括：
第一显示部分，用于显示目标预报地区的气象预测结果；
第二显示部分，用于显示得出所述气象预测结果所采用的满足线性条件的气象观测特征的数据。
本申请实施例还提供一种机器可读介质，存储有用于气象预测的数据处理程序，所述数据处理程序在被处理器执行时实现以下步骤：
按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
确定所述预报站点关联的气象数据，其中，所述气象数据包括：一个或多个观测时刻在所述预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
在本申请实施例中，通过为预报站点确定关联的多个气象观测区域，实现将区域性关联的气象观测特征整合到一起进行深度学习训练，从根本上扩充进行深度学习的特征信息量，进而提高气象预测的精度。而且，本实施例可以实现气象预测的自动化，在气象预测过程中无需人工干预。
一些实现方式中，还可以对区域关联的气象观测特征进行时序筛选，再通过深度学习训练，挖掘气象观测特征之间的内在关联，从而提高气象预测的精度。
一些实现方式中，还可以在向用户反馈气象预测结果时，一并反馈得出气象预测结果所采用的气象观测特征的数据，以便于提高用户对气象预测结果的可信度，进而提高用户体验。
当然，实施本申请的任一产品不一定需要同时达到以上所有优点。
附图说明
图1为实施例一提供的用于气象预测的数据处理方法的流程图；
图2为应用实施例一的系统架构示意图；
图3为实施例一的气象观测区域的划分示意图；
图4为气象观测特征的取值区间与比例满足线性关系的示意图；
图5为气象观测特征的取值区间与比例不满足线性关系的示意图；
图6为实施例一的应用实例示意图；
图7为实施例二提供的用于气象预测的数据处理装置的示意图一；
图8为实施例二提供的用于气象预测的数据处理装置的示意图二。
具体实施方式
以下结合附图对本申请实施例进行详细说明，应当理解，以下所说明的实施例仅用于说明和解释本申请，并不用于限定本申请。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
需要说明的是，如果不冲突，本申请实施例以及实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
一些实施方式中，执行用于气象预测的数据处理方法的计算设备可包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存(memory)。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。内存可能包括模块1，模块2，……，模块N(N为大于2的整数)。
计算机可读介质包括永久性和非永久性、可移动和非可移动存储介质。存储介质可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)，快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
实施例一
如图1所示，本实施例提供一种用于气象预测的数据处理方法，包括以下步骤：
步骤101：按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
步骤102：确定预报站点关联的气象数据，其中，气象数据包括：一个或多个观测时刻在预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
步骤103：利用预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
本实施例中，在步骤101中，可以针对多个预报站点，分别按照设定的区域划分方式，确定任一个预报站点关联的多个气象观测区域；在步骤102中，可以确定任一个预报站点关联的气象数据；在步骤103中，可以利用多个预报站点关联的气象数据进行深度学习训练，得到气象预测模型。其中，训练得到的气象预测模型可以用于预测多个预报站点所在地区在未来时刻的气象情况(比如，降水概率、降水量等)。如此，通过对预报站点的气象观测特征进行空间扩展，扩充深度学习的特征信息量，以提高气象预测模型预测气象情况的准确性。然而，本申请对此并不限定。一些实现方式中，可以通过一个预报站点关联的气象数据，训练该预报站点对应的气象预测模型，可以专用于预测该预报站点的本地气象情况，以提高本地气象情况的预测精度。
本实施例中，预报站点指可以监测气象情况的站点。预报站点可以按照时间维度收集所在地的气象观测特征的数据。预报站点收集的气象观测特征可以包括当前设备可以监测获取的特征类别，比如，降水量、高空气压、露点温度、温度、湿度、风速、风向等。其中，露点温度指空气在水汽含量和气压都不改变的条件下，冷却到饱和时的温度，即空气中的水蒸气变为露珠时的温度。
本实施例中，任一个预报站点可以分别从相同的起始时刻开始，按照相同的时间维度采集本地的气象观测特征的数据。比如，可以从起始时刻(例如，零点)开始按照分钟级别(例如，间隔为10分钟)进行气象观测特征的数据采集，或者，可以从起始时刻开始按照小时级别(例如，间隔为1小时)进行气象观测特征的数据采集。然而，本申请对此并不限定。一些实现方式中，在确保不同预报站点存在多个相同观测时刻的前提下，不同预报站点采集本地的气象观测特征的时间维度可以不同，或者，采集的起始时刻可以不同。比如，以三个预报站点1、2、3为例，预报站点1的采集起始时刻可以从零点开始，且每隔两个小时进行一次采集，预报站点2的采集时刻可以为从零点开始，且每隔一个小时进行一次采集，预报站点3的采集时刻可以为从零点开始，且每隔30分钟进行一次采集；此时，预报站点1至3均会采集到从零点开始，每隔两个小时的本地气象观测特征的数据。
本实施例中，预报站点关联的多个气象观测区域可以包括：预报站点及其周边区域。换言之，将预报站点及其周边一定区域进行划分。其中，预报站点的周边区域内可以包括预报站点的一个或多个周边预报站点。
本实施例中，可以利用深度学习算法对预报站点关联的气象数据进行训练，以寻找不同气象观测特征之间的内在关联、预报站点采集到的气象观测特征与其周边预报站点采集到的气象观测特征之间的关联，得到气象预测模型，以便后续的气象预测。比如，本实施例可以训练得到用于预测目标预报地区在未来时刻的降雨概率或者降雨量的气象预测模型。然而，本申请对此并不限定。本实施例还可以训练用于预测目标预报地区在未来时刻的其他气象情况(比如，降雪概率、降雪量等)的气象预测模型。
本实施例中，预报站点关联的气象数据整合了预报站点及其周边预报站点的气象观测特征的数据，因此，不仅扩充了深度学习的信息量，而且支持通过深度学习挖掘不同气象观测特征之间的区域关联，以实现提高气象预测精度。
需要说明的是，本实施例中确定的用于进行深度学习训练的气象数据均可以理解为历史气象数据。
应用本实施例的数据处理方法的一个系统架构如图2所示，包括：多个预报站点201、服务端202以及多个客户端203；其中，服务端202连接多个预报站点201，用于从任一个预报站点201获取该预报站点201采集的气象观测特征的数据；服务端202连接多个客户端203，用于将通过气象预测模型得到的气象预测结果发送给客户端203，由客户端203将气象预测结果显示给用户。
其中，服务端202可以包括：
第一处理模块2021，用于执行上述步骤101；
第二处理模块2022，用于执行上述步骤102；
模型训练模块2023，用于执行上述步骤103。
其中，客户端203可以指客户端计算设备或者客户端计算设备上的应用程序(APP)。服务端202可以指服务端计算设备(例如，服务器)或者服务端计算设备上运行的虚拟机。然而，本申请对此并不限定。
其中，任一个预报站点201可以按照时间维度采集所在地的气象观测特征的数据，并将采集到的气象观测特征的数据实时发送给服务端202；服务端202的第一处理模块2021可以分别根据一个或多个预报站点201的位置信息以及设定的区域划分方式，确定任一个预报站点201关联的气象观测区域；服务端202的第二处理模块2022可以确定任一个预报站点201关联的气象数据；服务端202的模型训练模块2023可以利用一个或多个预报站点201关联的气象数据进行深度学习训练，得到气象预测模型。
一些实现方式中，当用户需要获知所在地的气象预报时，可以通过客户端203上的交互界面提出请求，服务端202接收到来自客户端203的请求之后，确定与用户当前所在地最接近的预报站点201，并根据该预报站点201关联的当前气象数据以及历史气象数据，采用气象预测模型进行气象预测，得到气象预测结果。服务端202可以将得到的气象预测结果发送给该客户端203，由该客户端203通过交互界面将气象预测结果显示给用户。
一些实现方式中，服务端202可以根据客户端203的实时位置信息，主动向该客户端203推送该客户端203当前所在位置在未来时刻的气象预测结果。由该客户端203通过交互界面向用户显示气象预测结果。
一些实现方式中，服务端202在将气象预测结果发送给客户端203时，还可以将得到该气象预测结果的满足线性条件的气象观测特征的数据发送给该客户端203，由该客户端203通过交互界面向用户显示满足线性条件的气象观测特征的数据，用于向用户解释本次气象预报的可信性，从而提升用户体验。
其中，预报站点201与服务端202之间可以通过无线连接实现信息传输。客户端203与服务端202可以是两个独立的设备，两者之间可以通过连接线、无线连接等方式实现信息传输，例如可以分别为移动终端和服务器。
一些实现方式中，步骤101可以包括：
以预报站点为中心，按照第一参数确定N个区域，按照第二参数确定M个区域；
组合N个区域和M个区域，确定N×M+1个气象观测区域，并将N×M+1个气象观测区域确定为预报站点关联的气象观测区域，其中，N、M均为正整数。
其中，第一参数可以为以预报站点为圆心的扇形角度，第二参数可以为以预报站点为圆心的半径；或者，第一参数可以为以预报站点为圆心的半径，第二参数可以为以预报站点为圆心的扇形角度。
下面参照图3对步骤101进行举例说明。其中，以预报站点A为图3中的中心为例，五角星用于标记预报站点A的周边预报站点，任一个五角星用于表示一个周边预报站点；带箭头虚线表示东西南北的方位，带箭头实线表示按照角度划分的区域分界线。
如图3所示，以预报站点A为中心可以分成8个方向，任一个方向的区域呈45度扇形，即任两条带箭头实线之间的夹角为45度。另外，如图3所示，以预报站点A为圆心，可以将预报站点A的周边预报站点区分在3个环形内。比如，以预报站点A为圆心，依次取半径为30公里、60公里以及100公里，则根据周边预报站点与预报站点A之间的距离，可以将预报站点A的周边预报站点划分在以下三个区域内：0至30公里、30至60公里、60至100公里。如图3所示，将上述两种区域划分方式进行组合，可以得到预报站点A的周围一共有8×3＝24个区域，再加上预报站点A本身作为一个区域，因此，可以划分得到25个区域。然而，本申请对此并不限定。在其他实现方式中，可以按照扇形角度为30度或60度，或者，按照其他半径取值进行区域划分。
一些实现方式中，步骤102可以包括：
对预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
换言之，可以基于预报站点本地的气象观测特征进行地理扩展之后的气象数据进行深度学习训练，或者也可以基于预报站点本地的气象观测特征进行地理扩展和时间扩展之后的气象数据进行深度学习训练。
一些实现方式中，在步骤102之前，本实施例提供的数据处理方法还可以包括：收集预报站点及其周边预报站点在一个或多个观测时刻采集到的一个或多个气象观测特征的数据；
步骤102中，对预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据可以包括：
针对任一个气象观测区域，分别根据该气象观测区域内的预报站点或者周边预报站点在同一观测时刻采集到的一个或多个气象观测特征的数据，确定在该观测时刻在该气象观测区域内一个或多个气象观测特征的数据。
仍以图3为例，除了预报站点A本身对应的气象观测区域外，其余的气象观测区域可能包含有预报站点A的一个或多个周边预报站点。在每个气象观测区域内，可以根据气象观测区域内的一个或多个周边预报站点在同一观测时刻采集到的气象观测特征的平均特征值，确定在该观测时刻在该气象观测区域内该气象观测特征的特征值。比如，以气象观测特征为降水量为例，预报站点A关联的一个气象观测区域G内包含三个周边预报站点A1、A2、A3，则气象观测区域G在某一时刻的降水量为该时刻三个周边预报站点A1、A2及A3采集到的降水量的平均值。
以图3为例，步骤102中，进行地理扩展后得到的气象数据中，在同一时刻，任一个维度的气象观测特征都具有25个值，即将同一时刻同一维度的气象观测特征的特征值扩展成了25个，这25个特征值的性质是一样(即均表示气象观测特征)，但所表达的方位是不一样的(即表示不同方位上的气象观测特征)，符合气象预报大气流动的物理规律。
需要说明的是，若周边预报站点正好处于区域划分的分界线(比如图3中的实线)上，则可以根据设定的规则，确定处于分界线上的周边预报站点属于哪个区域。比如，处于分界线上的周边预报站点属于分界线左侧的区域或者右侧的区域。
需要说明的是，步骤102确定的预报站点关联的气象数据，可以携带位置指示信息，以指示任一个气象观测特征的任一个特征值所对应的空间位置。其中，位置指示信息可以为位置名称或者位置标识。本申请对此并不限定。
一些实现方式中，步骤102中，对地理扩展之后的气象数据进行时间扩展可以包括：
确定目标观测特征以及相关观测特征；
从地理扩展后的气象数据中，选择目标观测特征在目标观测时刻的数据、相关观测特征在多个历史观测时刻的数据；其中，目标观测时刻晚于或等于历史观测时刻；
分别计算相关观测特征在任一个历史观测时刻的数据与目标观测特征在目标观测时刻的数据之间的相关系数；
从相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据；
此时，步骤103可以包括：
利用目标观测特征在目标观测时刻的数据以及相关观测特征在筛选出的历史观测时刻的数据进行深度学习训练。
其中，从相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据，可以包括：
按照历史观测时刻的先后顺序，将计算得到的相关系数进行排序；
在相关系数的序列中，确定相关系数的连续单调上升个数最多的区间；
筛选出该区间内的相关系数对应的历史观测时刻的数据。
在本实现方式中，由于气象预测往往具有时序特性，也就是说未来的气象情况(比如是否降雨)可能不只与当前时刻的气象观测特征相关，可能还与历史某个时刻的气象观测特征相关。
比如，记Fi为同一气象观测特征过去t-i时刻的数据，例如，Fi为一个气象观测特征(对应上述的相关观测特征)在过去时刻t(对应上述的目标观测时刻)的前i个小时(对应上述的历史观测时刻)的数据；记Y为过去时刻t的目标观测特征的数据；Fi与Y之间的相关系数可以记为Ri。
其中，相关观测特征和目标观测特征可以相同，即Fi与Y可以为相同的气象观测特征，比如，Y表示过去时刻t的降水量，Fi表示过去时刻t的前i个小时的降水量，其中，i为大于0的整数。或者，相关观测特征和目标观测特征可以不相同，即Fi与Y可以为不同的气象观测特征，比如，Y表示过去时刻t的降水量，Fi表示过去时刻t的前i个小时的气压(或者，温度、湿度、风向等)，其中，i为大于或等于0的整数。需要说明的是，在进行相关系数计算时，针对风向的特征值可以采用风速与风向的正弦或者余弦的乘积来表示。
需要说明的是，Fi与Y均为经过地理扩展处理后的数据，换言之，Fi与Y中均包括对应多个气象观测区域的记录值。Fi以及Y内包括的记录值的数目根据划分得到的气象观测区域的数目确定。
其中，相关系数的计算公式如下：
其中，xij是Fi的第j个记录值，yj是Y的第j个记录值，Ri则表示Fi与Y之间的相关系数；表示Fi内所有记录值的平均值；表示Y内所有记录值的平均值。
其中，在i的取值为大于或等于1且小于或等于n的整数时，计算得到的相关系统为Rn、Rn-1、Rn-i、…、R1；在计算得到相关系数之后，可以筛选出Rn、Rn-1、Rn-i、…、R1中连续单调上升个数最多的连续区间，并将此连续区间内的相关系数对应的Fi筛选出来。
比如，以Fi表示过去时刻t的前i个小时的气压数据，Y表示过去时刻t的降水量为例，通过相关系数计算可以得到R12至R1分别为：0.325、0.353、0.284、0.345、0.369、0.375、0.432、0.438、0.392、0.381、0.384、0.397，可见，从R10到R5连续单调上升的个数最多，因此，可以利用F5至F10的数据以及Y进行深度学习训练。
在本实现方式中，由于筛选出的训练数据包含了预报站点及其周边预报站点的位置信息和时序对应关系，因此，通过多层的神经网络学习能够挖掘出预报站点与周边预报站点的气象观测特征之间的非线性关系、不同时刻的气象观测特征之间的关联性，从而更好地实现气象预报。
一些实现方式中，在步骤103之后，本实施例的数据处理方法还可以包括：
利用气象预测模型确定目标预报地区在未来时刻的气象预测结果。
其中，本实施例的数据处理方法还可以包括：
在采用气象预测模型得到目标预报地区在未来时刻的气象预测结果时，确定得到目标预报地区的气象预测结果所使用的气象观测特征；
从确定的气象观测特征中，筛选出满足线性条件的气象观测特征。
其中，筛选出满足线性条件的气象观测特征，可以包括：
针对上述确定的任一个气象观测特征，确定该气象观测特征的取值范围，并在该取值范围内划分多个区间；
根据确定气象预测结果时所采用的该气象观测特征的特征值，确定该气象观测特征的任一个特征值所属的区间；
计算任一个区间内满足设定气象条件的特征值的个数与属于该区间的特征值的总个数的比值；
筛选出区间与比值呈线性关系的气象观测特征。
本实现方式中，由于深度学习得到的气象预测模型是一个非线性模型，所抓出的规律往往难以被人所理解，为了提高气象预测模型的可解释性以及预报的可信性，可以将满足线性条件的气象观测特征筛选出来。比如，过去1小时下雨越多，未来下雨概率越高；当前湿度越大，未来下雨概率越高；周边某个地区现在雨下得越大，未来下雨概率越高等。
在本实现方式中，在采用气象预测模型得到目标预报地区在未来时刻的气象预测结果时，可以确定得到目标预报地区的气象预测结果所使用的气象观测特征以及气象观测特征在一个或多个预定观测时刻的特征值；其中，预定观测时刻可以包括以下至少之一：当前观测时刻、当前观测时刻之前的一个或多个观测时刻。需要说明的是，在预测目标预报地区的气象情况时，使用与目标预报地区最近的预报站点关联的气象数据。
比如，目标预报地区为预报站点A所在区域，在采用气象预测模型预测目标预报地区未来时刻的降水量时，可以使用以下数据：预报站点A在当前观测时刻在关联的多个气象观测区域内的一个或多个气象观测特征的特征值、在当前观测时刻之前的1个小时在关联的多个气象观测区域内采集到的一个或多个气象观测特征的特征值、以及在当前观测时刻之前的2个小时在关联的多个气象观测区域内采集到的一个或多个气象观测特征的特征值。
在本实现方式中，在确定得到气象预测结果时所使用的气象观测特征的数据之后，针对任一个气象观测特征，可以构建该气象观测特征的取值区间与任一个区间内满足设定气象条件的特征值个数的占比之间的关系，并将两者之间满足线性关系的气象观测特征筛选出来。一些实现方式中，在向用户显示气象预测结果时，可以将筛选出来的气象观测特征的数据以图表的形式一并显示给用户。
其中，图4所示为气象观测特征的取值区间与比例满足线性关系的示意图，即图4对应的气象观测特征是需要筛选出的，图5所示为气象观测特征的取值区间与比例不满足线性条件的示意图，即图5对应的气象观测特征是需要排除的。在图4和图5中，横坐标为气象观测特征的取值范围划分的区间标识，任一个区间标识对应指示一个取值区间；纵坐标为气象观测特征在一个区间内满足设定气象条件的特征值的个数与该区间内的特征值的总个数的比值。
以气象预测结果为目标预报地区在未来时刻的降水量为例，设定气象条件可以为设定时长内降水量大于或等于预定值，比如，过去一个小时内降水量大于或等于预定值。此时，仍以目标预报地区为预报站点A所在区域为例，在预测目标预报地区在未来时刻的降水量时，采用了当前时刻T0、当前时刻的前1个小时(T1时刻)以及当前时刻的前2个小时(T2时刻)的气压数据，以气压关联的气象观测区域为25个为例，任一个时刻对应有25个气压值，因此，可以通过分析75个气压值，来判断气压是否满足线性条件。其中，可以统计25个气象观测区域在T0至T1时刻的降水量、在T1至T2时刻的降水量、在T2至T3时刻(即T2时刻之前的1小时)的降水量。据此，可以筛选出前一个小时的降水量大于或等于预定值所对应的气压值(即满足设定气象条件的气压值)。之后，确定75个气压值所属的取值区间，计算任一个取值区间内满足设定气象条件的气压值的个数与该取值区间内的气压值的总个数的比值。如此，可以得到取值区间与上述比值之间的关系，进而筛选出取值区间与上述比值之间的关系满足线性关系的气象观测特征。
在本实现方式中，当筛选出满足线性条件的气象观测特征之后，可以将得到本次气象预测结果所采用的该气象观测特征的数据显示给用户，比如，采用柱状图、曲线图的方式呈现。本申请对此并不限定。
下面参照图6，通过一个实例对本申请的数据处理方法进行说明。
如图6所示，Ti表示观测时刻，ai、bi、ci分别表示对应观测时刻Ti采集到的气象观测特征的特征值。以T1观测时刻为例，预报站点A采集到的气象观测特征a的特征值为a1，气象观测特征b的特征值为b1，气象观测特征c的特征值为c1；预报站点B采集到的气象观测特征a的特征值为a1’，气象观测特征b的特征值为b1’，气象观测特征c的特征值为c1’；预报站点C采集到的气象观测特征a的特征值为a1”，气象观测特征b的特征值为b1”，气象观测特征c的特征值为c1”。
以采用本实施例的数据处理方法确定预报站点A关联的气象数据为例，aij、bij、cij分别表示对应观测时刻Ti在预报站点A关联的气象观测区域内的气象观测特征的数据。若参照图3可以确定预报站点A关联25个气象观测区域，则j的取值为大于或等于1且小于或等于25的整数，即图6中的n可以等于25。换言之，预报站点A在任一个观测时刻的任一个气象观测特征可以扩展到n个值。
在图6中，针对预报站点A，以T1时刻为例，在第一个气象观测区域内，气象观测特征a的特征值为a11，气象观测特征b的特征值为b11，气象观测特征c的特征值为c11；在第二个气象观测区域内，气象观测特征a的特征值为a12，气象观测特征b的特征值为b12，气象观测特征c的特征值为c12；其他气象观测区域对应的数据依此类推。
以预报站点A关联的第一个气象观测区域内包含预报站点B以及预报站点C为例，则该气象观测区域内的气象观测特征的数据可以根据预报站点B和预报站点C的气象观测特征的平均值确定。比如，在T1时刻，在第一个气象观测区域内，气象观测特征a的特征值a11等于T1时刻预报站点B采集到的气象观测特征a的特征值a1’以及T1时刻预报站点C采集到的气象观测特征a的特征值a1”的平均值，即a11＝(a1’+a1”)/2。
在本实例中，以训练的气象预测模型用于预测目标预报地区在未来时刻的降水量为例。比如，目标观测特征和相关观测特征均为降水量(气象观测特征a)，以T10时刻为目标观测时刻，以T1至T9时刻为历史观测时刻，则可以分别计算T1至T9时刻的降水量与T10时刻的降水量之间的相关系数，并按照相关系数筛选出用于深度学习训练的观测时刻的降水量，例如，筛选出T5至T9时刻的降水量。而且，还可以分别计算气象观测特征b在T1至T9时刻的特征值与T10时刻的降水量之间的相关系数，并根据计算出的相关系数，筛选出用于深度学习训练的观测时刻的气象观测特征b的特征值，比如，筛选出图6中的T8时刻和T9时刻的气象观测特征b的特征值。另外，还可以分别计算气象观测特征c在T1至T9时刻的特征值与T10时刻的降水量之间的相关系数，并根据计算出的相关系数，筛选出用于深度学习训练的观测时刻的气象观测特征c的特征值，比如，筛选出T7时刻至T9时刻的气象观测特征c的特征值。后续，可以使用筛选得到的一个或多个观测时刻的气象观测特征的特征值以及T10时刻的降水量进行深度学习训练。
需要说明的是，还可以选择其他观测时刻作为目标观测时刻，比如T9时刻、T8时刻等。本申请对此并不限定。
实施例二
本实施例提供一种用于气象预测的数据处理装置，如图7所示，包括：
第一处理模块701，用于按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
第二处理模块702，用于确定预报站点关联的气象数据，其中，气象数据包括：一个或多个观测时刻在预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
模型训练模块703，用于利用预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
其中，第二处理模块702可以用于通过以下方式确定预报站点关联的气象数据：
对预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
其中，第二处理模块702可以用于通过以下方式对地理扩展之后的气象数据进行时间扩展：
确定目标观测特征以及相关观测特征；
从地理扩展后的气象数据中，选择目标观测特征在目标观测时刻的数据、相关观测特征在多个历史观测时刻的数据；其中，目标观测时刻晚于或等于历史观测时刻；
分别计算相关观测特征在任一个历史观测时刻的数据与目标观测特征在目标观测时刻的数据之间的相关系数；
从相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据；
其中，模型训练模块703，可以用于通过以下方式利用预报站点关联的气象数据进行深度学习训练：
利用目标观测特征在目标观测时刻的数据以及相关观测特征在筛选出的历史观测时刻的数据进行深度学习训练。
其中，第二处理模块702，可以用于通过以下方式从相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据：
按照历史观测时刻的先后顺序，将计算得到的相关系数进行排序；
在相关系数的序列中，确定相关系数的连续单调上升个数最多的区间；
筛选出该区间内的相关系数对应的历史观测时刻的数据。
一些实现方式中，第一处理模块701可以用于通过以下方式按照设定的区域划分方式，确定预报站点关联的多个气象观测区域：
以预报站点为中心，按照第一参数确定N个区域，按照第二参数确定M个区域；
组合N个区域和M个区域，确定N×M+1个气象观测区域，并将N×M+1个气象观测区域确定为该预报站点关联的气象观测区域，其中，N、M均为正整数；
其中，第一参数为以该预报站点为圆心的扇形角度，第二参数为以该预报站点为圆心的半径；或者，第一参数为以该预报站点为圆心的半径，第二参数为以该预报站点为圆心的扇形角度。
一些实现方式中，本实施例的数据处理装置还可以包括：
收集模块，用于在第二处理模块702确定预报站点关联的气象数据之前，收集该预报站点及其周边预报站点在一个或多个观测时刻采集到的一个或多个气象观测特征的数据；
其中，第二处理模块702可以用于通过以下方式对预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据：针对任一个气象观测区域，分别根据该气象观测区域内的预报站点或者周边预报站点在同一观测时刻采集到的一个或多个气象观测特征的数据，确定在该观测时刻在该气象观测区域内一个或多个气象观测特征的数据。
一些实现方式中，如图8所示，本实施例的数据处理装置还可以包括：
预测模块801，用于利用气象预测模型确定目标预报地区在未来时刻的气象预测结果。
其中，如图8所示，本实施例的数据处理装置还可以包括：
特征筛选模块802，用于在预测模块801采用气象预测模型得到目标预报地区在未来时刻的气象预测结果时，确定得到目标预报地区的气象预测结果所使用的气象观测特征，并从确定的气象观测特征中，筛选出满足线性条件的气象观测特征。
其中，特征筛选模块802可以用于通过以下方式筛选出满足线性条件的气象观测特征：
针对确定的任一个气象观测特征，确定该气象观测特征的取值范围，并在该取值范围内划分多个区间；
根据确定气象预测结果时所采用的该气象观测特征的特征值，确定该气象观测特征的任一个特征值所属的区间；
计算任一个区间内满足设定气象条件的特征值的个数与属于该区间的特征值的总个数的比值；
筛选出该区间与该比值呈线性关系的气象观测特征。
另外，关于本实施例提供的用于气象预测的数据处理装置的相关操作可以参照实施例一的描述，故于此不再赘述。
实施例三
本实施例提供一种用于气象预测的数据处理装置，包括：存储器以及处理器；其中，存储器用于存储用于数据处理的程序；该用于数据处理的程序在被处理器读取执行时，执行以下操作：
按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
确定预报站点关联的气象数据，其中，气象数据包括：一个或多个观测时刻在预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
利用预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
其中，确定预报站点关联的气象数据，可以包括：
对预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
一些实现方式中，对地理扩展之后的气象数据进行时间扩展，可以包括：
确定目标观测特征以及相关观测特征；
从地理扩展后的气象数据中，选择目标观测特征在目标观测时刻的数据、相关观测特征在多个历史观测时刻的数据；其中，目标观测时刻晚于或等于历史观测时刻；
分别计算相关观测特征在任一个历史观测时刻的数据与目标观测特征在目标观测时刻的数据之间的相关系数；
从相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据。
一些实现方式中，该用于数据处理的程序在被处理器读取执行时，还执行以下操作：利用气象预测模型确定目标预报地区在未来时刻的气象预测结果。
一些实现方式中，该用于数据处理的程序在被处理器读取执行时，还执行以下操作：在采用气象预测模型得到目标预报地区在未来时刻的气象预测结果时，确定得到目标预报地区的气象预测结果所使用的气象观测特征；从确定的气象观测特征中，筛选出满足线性条件的气象观测特征。
本实施例中，用于数据处理的程序在被处理器读取执行时，所执行的操作对应于实施例一中的步骤101至步骤103；该程序所执行的操作的其它细节可参见实施例一，故于此不再赘述。
实施例四
本实施例提供一种提供交互界面的方法，包括：提供一个交互界面，交互界面上包括：
第一显示部分，用于显示目标预报地区的气象预测结果；
第二显示部分，用于显示得出气象预测结果所采用的满足线性条件的气象观测特征的数据。
本实施例的提供交互界面的方法可以应用于客户端，可以与服务端配合使用。服务端可以采用实施例一所示的数据处理方法构建气象预测模型，并采用气象预测模型得到目标预报地区在未来时刻的气象预测结果。客户端可以接收服务端得到的气象预测结果以及得出气象预测结果所采用的满足线性条件的气象观测特征的数据，并通过交互界面显示气象预测结果和满足线性条件的气象观测特征的数据。其中，关于气象预测模型的构建以及满足线性条件的气象观测特征的确定过程可以参照实施例一，故于此不再赘述。
一些实现方式中，当用户需要获知所在地的气象预报时，可以通过客户端上的交互界面提出请求，服务端接收到来自客户端的请求之后，确定与用户当前所在地最接近的预报站点，并根据该预报站点关联的当前气象数据以及历史气象数据，采用气象预测模型进行气象预测，得到气象预测结果。服务端可以将得到的气象预测结果发送给客户端，由客户端通过交互界面显示给用户。
其中，满足线性条件的气象观测特征的数据可以采用图形形式显示给用户。然而，本申请对于显示方式并不限定。
本实施例中，通过客户端将相关气象观测特征的数据反馈给用户，可以提高用户对气象预测结果的可信度，并能提供给用户学习简单易懂的气象小知识的机会，从而大大提高用户体验。
实施例五
本申请实施例还提供一种交互装置，包括：显示模块，用于提供一个交互界面，交互界面上包括：
第一显示部分，用于显示目标预报地区的气象预测结果；
第二显示部分，用于显示得出气象预测结果所采用的满足线性条件的气象观测特征的数据。
关于本实施例提供的交互装置的相关操作可以参照实施例四的描述，故于此不再赘述。
此外，本申请实施例还提供一种机器可读介质，存储有用于气象预测的数据处理程序，该数据处理程序被处理器执行时实现上述用于气象预测的数据处理方法。
此外，本申请实施例还提供一种机器可读介质，存储有用于提供交互界面的程序，该程序被处理器执行时实现上述提供交互界面的方法。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件(例如处理器)完成，所述程序可以存储于机器可读介质中，如只读存储器、磁盘或光盘等计算机可读存储介质。在示例性实施方式中，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，例如通过集成电路来实现其相应功能，也可以采用软件功能模块的形式实现，例如通过处理器执行存储于存储器中的程序/指令来实现其相应功能。本申请不限制于任何特定形式的硬件和软件的结合。
以上显示和描述了本申请的基本原理和主要特征和本申请的优点。本申请不受上述实施例的限制，上述实施例和说明书中描述的只是说明本申请的原理，在不脱离本申请精神和范围的前提下，本申请还会有各种变化和改进，这些变化和改进都落入要求保护的本申请范围内。

Claims (19)

1.一种用于气象预测的数据处理方法，其特征在于，包括：
按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
确定所述预报站点关联的气象数据，其中，所述气象数据包括：一个或多个观测时刻在所述预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
2.根据权利要求1所述的数据处理方法，其特征在于，所述确定所述预报站点关联的气象数据，包括：
对所述预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对所述预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
3.根据权利要求2所述的数据处理方法，其特征在于，所述对地理扩展之后的气象数据进行时间扩展，包括：
确定目标观测特征以及相关观测特征；
从所述地理扩展后的气象数据中，选择所述目标观测特征在目标观测时刻的数据、所述相关观测特征在多个历史观测时刻的数据；其中，所述目标观测时刻晚于或等于所述历史观测时刻；
分别计算所述相关观测特征在任一个历史观测时刻的数据与所述目标观测特征在所述目标观测时刻的数据之间的相关系数；
从所述相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据；
所述利用所述预报站点关联的气象数据进行深度学习训练，包括：
利用所述目标观测特征在所述目标观测时刻的数据以及所述相关观测特征在筛选出的历史观测时刻的数据进行深度学习训练。
4.根据权利要求3所述的数据处理方法，其特征在于，所述从所述相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据，包括：
按照所述历史观测时刻的先后顺序，将所述计算得到的相关系数进行排序；
在所述相关系数的序列中，确定所述相关系数的连续单调上升个数最多的区间；
筛选出所述区间内的相关系数对应的历史观测时刻的数据。
5.根据权利要求2所述的数据处理方法，其特征在于，所述确定所述预报站点关联的气象数据之前，所述数据处理方法还包括：
收集所述预报站点及其周边预报站点在一个或多个观测时刻采集到的一个或多个气象观测特征的数据；
所述对所述预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据，包括：
针对任一个气象观测区域，分别根据所述气象观测区域内的预报站点或者周边预报站点在同一观测时刻采集到的一个或多个气象观测特征的数据，确定在所述观测时刻在所述气象观测区域内一个或多个气象观测特征的数据。
6.根据权利要求1所述的数据处理方法，其特征在于，所述按照设定的区域划分方式，确定预报站点关联的多个气象观测区域，包括：
以所述预报站点为中心，按照第一参数确定N个区域，按照第二参数确定M个区域；
组合所述N个区域和所述M个区域，确定N×M+1个气象观测区域，并将所述N×M+1个气象观测区域确定为所述预报站点关联的气象观测区域，其中，N、M均为正整数；
其中，所述第一参数为以所述预报站点为圆心的扇形角度，所述第二参数为以所述预报站点为圆心的半径；或者，所述第一参数为以所述预报站点为圆心的半径，所述第二参数为以所述预报站点为圆心的扇形角度。
7.根据权利要求1所述的数据处理方法，其特征在于，所述利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型之后，所述方法还包括：
利用所述气象预测模型确定目标预报地区在未来时刻的气象预测结果。
8.根据权利要求7所述的数据处理方法，其特征在于，所述数据处理方法还包括：
在采用所述气象预测模型得到目标预报地区在未来时刻的气象预测结果时，确定得到所述目标预报地区的气象预测结果所使用的气象观测特征；
从所述确定的气象观测特征中，筛选出满足线性条件的气象观测特征。
9.根据权利要求8所述的数据处理方法，其特征在于，所述筛选出满足线性条件的气象观测特征，包括：
针对所述确定的任一个气象观测特征，确定所述气象观测特征的取值范围，并在所述取值范围内划分多个区间；
根据确定所述气象预测结果时所采用的所述气象观测特征的特征值，确定所述气象观测特征的任一个特征值所属的区间；
计算任一个区间内满足设定气象条件的特征值的个数与属于所述区间的特征值的总个数的比值；
筛选出所述区间与所述比值呈线性关系的气象观测特征。
10.一种用于气象预测的数据处理装置，其特征在于，包括：
第一处理模块，用于按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
第二处理模块，用于确定所述预报站点关联的气象数据，其中，所述气象数据包括：一个或多个观测时刻在所述预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
模型训练模块，用于利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
11.根据权利要求10所述的数据处理装置，其特征在于，所述第二处理模块用于通过以下方式确定所述预报站点关联的气象数据：
对所述预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对所述预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
12.根据权利要求11所述的数据处理装置，其特征在于，所述第二处理模块用于通过以下方式对地理扩展之后的气象数据进行时间扩展：
确定目标观测特征以及相关观测特征；
从所述地理扩展后的气象数据中，选择所述目标观测特征在目标观测时刻的数据、所述相关观测特征在多个历史观测时刻的数据；其中，所述目标观测时刻晚于或等于所述历史观测时刻；
分别计算所述相关观测特征在任一个历史观测时刻的数据与所述目标观测特征在所述目标观测时刻的数据之间的相关系数；
从所述相关观测特征在多个历史观测时刻的数据中，筛选出对应的相关系数满足设定条件的历史观测时刻的数据；
所述模型训练模块，用于通过以下方式利用所述预报站点关联的气象数据进行深度学习训练：
利用所述目标观测特征在所述目标观测时刻的数据以及所述相关观测特征在筛选出的历史观测时刻的数据进行深度学习训练。
13.根据权利要求10所述的数据处理装置，其特征在于，所述数据处理装置还包括：
预测模块，用于利用所述气象预测模型确定目标预报地区在未来时刻的气象预测结果。
14.根据权利要求13所述的数据处理装置，其特征在于，所述数据处理装置还包括：
特征筛选模块，用于在所述预测模块采用所述气象预测模型得到目标预报地区在未来时刻的气象预测结果时，确定得到所述目标预报地区的气象预测结果所使用的气象观测特征，并从所述确定的气象观测特征中，筛选出满足线性条件的气象观测特征。
15.一种用于气象预测的数据处理装置，其特征在于，包括：存储器以及处理器；其中，所述存储器用于存储用于数据处理的程序；该用于数据处理的程序在被所述处理器读取执行时，执行以下操作：
按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
确定所述预报站点关联的气象数据，其中，所述气象数据包括：一个或多个观测时刻在所述预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
16.根据权利要求15所述的数据处理装置，其特征在于，所述确定所述预报站点关联的气象数据，包括：
对所述预报站点本地的气象观测特征进行地理扩展，确定用于深度学习训练的气象数据；或者，
对所述预报站点本地的气象观测特征进行地理扩展，对地理扩展之后的气象数据进行时间扩展，确定用于深度学习训练的气象数据。
17.一种提供交互界面的方法，其特征在于，包括：
提供一个交互界面，所述交互界面上包括：
第一显示部分，用于显示目标预报地区的气象预测结果；
第二显示部分，用于显示得出所述气象预测结果所采用的满足线性条件的气象观测特征的数据。
18.一种交互装置，其特征在于，包括：
显示模块，用于提供一个交互界面，所述交互界面上包括：
第一显示部分，用于显示目标预报地区的气象预测结果；
第二显示部分，用于显示得出所述气象预测结果所采用的满足线性条件的气象观测特征的数据。
19.一种机器可读介质，其特征在于，存储有用于气象预测的数据处理程序，所述数据处理程序在被处理器执行时实现以下步骤：
按照设定的区域划分方式，确定预报站点关联的多个气象观测区域；
确定所述预报站点关联的气象数据，其中，所述气象数据包括：一个或多个观测时刻在所述预报站点关联的多个气象观测区域内一个或多个气象观测特征的数据；
利用所述预报站点关联的气象数据进行深度学习训练，得到气象预测模型。
CN201710431354.5A 2017-06-09 2017-06-09 一种用于气象预测的数据处理方法及装置 Active CN109031472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710431354.5A CN109031472B (zh) 2017-06-09 2017-06-09 一种用于气象预测的数据处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710431354.5A CN109031472B (zh) 2017-06-09 2017-06-09 一种用于气象预测的数据处理方法及装置

Publications (2)

Publication Number Publication Date
CN109031472A true CN109031472A (zh) 2018-12-18
CN109031472B CN109031472B (zh) 2021-08-03

Family

ID=64628718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710431354.5A Active CN109031472B (zh) 2017-06-09 2017-06-09 一种用于气象预测的数据处理方法及装置

Country Status (1)

Country Link
CN (1) CN109031472B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109633786A (zh) * 2019-01-07 2019-04-16 靳霞 区域大数据动态修正系统
CN109934379A (zh) * 2019-01-21 2019-06-25 平安科技（深圳）有限公司 空气污染物浓度的预测方法、装置及电子设备
CN110033132A (zh) * 2019-03-29 2019-07-19 中国人民解放军空军研究院战场环境研究所 基于深度目标检测和数值天气预报的热带气旋预报方法
CN110807549A (zh) * 2019-10-29 2020-02-18 国网电力科学研究院武汉南瑞有限责任公司 一种气象预测模型的生成方法、生成装置、生成系统及电子设备
CN110824477A (zh) * 2019-09-27 2020-02-21 兰州大方电子有限责任公司 一种地形订正降水面雨量的方法
CN111368887A (zh) * 2020-02-25 2020-07-03 平安科技（深圳）有限公司 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN111983729A (zh) * 2020-08-20 2020-11-24 上海眼控科技股份有限公司 天气现象确定方法、装置、计算机设备和介质
CN112285807A (zh) * 2019-11-12 2021-01-29 北京嘉韵楷达气象科技有限公司 一种气象信息预测方法及装置
CN112308281A (zh) * 2019-11-12 2021-02-02 北京嘉韵楷达气象科技有限公司 一种温度信息预测方法及装置
CN113722673A (zh) * 2021-08-19 2021-11-30 南京信息工程大学 一种重复观测气象数据优化处理方法
CN116307153A (zh) * 2023-03-07 2023-06-23 广东热矩智能科技有限公司 用于制冷制热系统节能的气象预测方法、装置及电子设备
CN116502151A (zh) * 2023-06-29 2023-07-28 深圳市千百炼科技有限公司 基于多维度气象数据的气象预测方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1437732A (zh) * 2000-04-18 2003-08-20 卡梅尔系统有限责任公司 太空气象预测系统和方法
US20130035860A1 (en) * 2011-07-05 2013-02-07 International Business Machines Corporation Meteorological Parameter Forecasting
CN104881582A (zh) * 2015-05-28 2015-09-02 象辑知源（武汉）科技有限公司 空气质量的预测方法和装置
CN105974495A (zh) * 2016-04-29 2016-09-28 中国科学院遥感与数字地球研究所 利用分类拟合法预判目标区域未来平均云量的方法
CN106371155A (zh) * 2016-08-25 2017-02-01 华南师范大学 基于大数据和分析场的气象预报方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1437732A (zh) * 2000-04-18 2003-08-20 卡梅尔系统有限责任公司 太空气象预测系统和方法
US20130035860A1 (en) * 2011-07-05 2013-02-07 International Business Machines Corporation Meteorological Parameter Forecasting
CN104881582A (zh) * 2015-05-28 2015-09-02 象辑知源（武汉）科技有限公司 空气质量的预测方法和装置
CN105974495A (zh) * 2016-04-29 2016-09-28 中国科学院遥感与数字地球研究所 利用分类拟合法预判目标区域未来平均云量的方法
CN106371155A (zh) * 2016-08-25 2017-02-01 华南师范大学 基于大数据和分析场的气象预报方法及系统

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109633786A (zh) * 2019-01-07 2019-04-16 靳霞 区域大数据动态修正系统
CN109633786B (zh) * 2019-01-07 2020-05-01 山东齐创石化工程有限公司 区域大数据动态修正系统
CN109934379A (zh) * 2019-01-21 2019-06-25 平安科技（深圳）有限公司 空气污染物浓度的预测方法、装置及电子设备
CN110033132A (zh) * 2019-03-29 2019-07-19 中国人民解放军空军研究院战场环境研究所 基于深度目标检测和数值天气预报的热带气旋预报方法
CN110033132B (zh) * 2019-03-29 2021-06-11 中国人民解放军空军研究院战场环境研究所 基于深度目标检测和数值天气预报的热带气旋预报方法
CN110824477A (zh) * 2019-09-27 2020-02-21 兰州大方电子有限责任公司 一种地形订正降水面雨量的方法
CN110807549A (zh) * 2019-10-29 2020-02-18 国网电力科学研究院武汉南瑞有限责任公司 一种气象预测模型的生成方法、生成装置、生成系统及电子设备
CN112285807A (zh) * 2019-11-12 2021-01-29 北京嘉韵楷达气象科技有限公司 一种气象信息预测方法及装置
CN112308281A (zh) * 2019-11-12 2021-02-02 北京嘉韵楷达气象科技有限公司 一种温度信息预测方法及装置
CN112285807B (zh) * 2019-11-12 2023-11-07 北京嘉韵楷达气象科技有限公司 一种气象信息预测方法及装置
CN111368887A (zh) * 2020-02-25 2020-07-03 平安科技（深圳）有限公司 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN111368887B (zh) * 2020-02-25 2024-05-03 平安科技（深圳）有限公司 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN111983729A (zh) * 2020-08-20 2020-11-24 上海眼控科技股份有限公司 天气现象确定方法、装置、计算机设备和介质
CN113722673A (zh) * 2021-08-19 2021-11-30 南京信息工程大学 一种重复观测气象数据优化处理方法
CN113722673B (zh) * 2021-08-19 2023-06-13 南京信息工程大学 一种重复观测气象数据优化处理方法
CN116307153A (zh) * 2023-03-07 2023-06-23 广东热矩智能科技有限公司 用于制冷制热系统节能的气象预测方法、装置及电子设备
CN116502151A (zh) * 2023-06-29 2023-07-28 深圳市千百炼科技有限公司 基于多维度气象数据的气象预测方法、系统、设备及介质
CN116502151B (zh) * 2023-06-29 2023-09-12 深圳市千百炼科技有限公司 基于多维度气象数据的气象预测方法、系统、设备及介质

Also Published As

Publication number Publication date
CN109031472B (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN109031472A (zh) 一种用于气象预测的数据处理方法及装置
Richardson et al. Uncertainty in urban forest canopy assessment: Lessons from Seattle, WA, USA
See et al. Harnessing the power of volunteers, the internet and Google Earth to collect and validate global spatial information using Geo-Wiki
Thessler et al. Mapping gradual landscape‐scale floristic changes in Amazonian primary rain forests by combining ordination and remote sensing
Lung et al. Assessing fragmentation and disturbance of west Kenyan rainforests by means of remotely sensed time series data and landscape metrics
Estrada-Peña et al. A global set of Fourier-transformed remotely sensed covariates for the description of abiotic niche in epidemiological studies of tick vector species
Thies et al. Projecting land-use and land-cover changes in a tropical mountain forest of Southern Ecuador
Noor et al. Land cover change detection analysis on urban green area loss using GIS and remote sensing techniques
Huang et al. Sensing population distribution from satellite imagery via deep learning: Model selection, neighboring effects, and systematic biases
CN107180245A (zh) 一种室内外场景识别方法及装置
Saini et al. Land use land cover change detection using remote sensing and GIS in Srinagar, India
Holloway et al. Spatial and machine learning methods of satellite imagery analysis for Sustainable Development Goals
US20150285952A1 (en) Weather forecasting system and method
Baba et al. Application of remote sensing and GIS techniques in urban planning, development and management.(A case study of allahabad district, India)
Márquez et al. A methodological framework to quantify the spatial quality of biological databases
Alfaro-Saíz et al. Incorporating bioclimatic and biogeographic data in the construction of species distribution models in order to prioritize searches for new populations of threatened flora
CN110991285B (zh) 基于modis光学数据的湖冰物候信息提取方法和装置
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
Fitrahanjani et al. A statistical method for analysing temperature increase from remote sensing data with application to Spitsbergen Island
Vanden Borre et al. Towards a mature age of remote sensing for Natura 2000 habitat conservation: Poor method transferability as a prime obstacle
Thwal et al. Land cover classification and change detection analysis of multispectral satellite images using machine learning
Chen The Application of Airborne Lidar Data in the Modelling of 3D Urban Landscape Ecology
Alzamili et al. Monitoring urban growth and land use change detection with GIS and remote sensing techniques in Al-Nasiriyah city in Iraq
Elevant COLLABORATIVE OBSERVATIONS OF WEATHER-A Weather Information Sharers’ Community of Practice
Sealey et al. Quantifying cumulative effects of harvesting on aspen regeneration through fuzzy logic suitability mapping

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