CN109799550A - 用于预测降雨强度的方法和装置 - Google Patents
用于预测降雨强度的方法和装置 Download PDFInfo
- Publication number
- CN109799550A CN109799550A CN201910211804.9A CN201910211804A CN109799550A CN 109799550 A CN109799550 A CN 109799550A CN 201910211804 A CN201910211804 A CN 201910211804A CN 109799550 A CN109799550 A CN 109799550A
- Authority
- CN
- China
- Prior art keywords
- subregion
- prediction
- precipitation
- sample
- value
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了用于预测降雨强度的方法和装置。该方法的一具体实施方式包括:获取区域的子区域集合中的子区域的雷达回波反射率序列,其中,雷达回波反射率序列是在预设时间段内每隔预设时长采集到的;对于子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。该实施方式提高了降雨强度的预测准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于预测降雨强度的方法和装置。
背景技术
短时降雨具有持续时间短、雨强大、突发性强等特点,容易形成暴雨洪涝,引发山体滑坡、泥石流等山地次生灾害。因此,对短时降雨进行准确预报具有重大意义。
相关研究表明,雷达回波反射率和降雨强度存在相关关系。而关系中的参数除了和雷达本身有关,还与地形、气候、降雨成因有很大关系。现有的降雨强度预测方式通常不考虑地形、气候、降雨成因等因素,直接沿用WSR-88D中由美国夏季深对流云降雨统计得到的雷达回波反射率和降雨量之间的关系式来预测降雨强度。
发明内容
本申请实施例提出了用于预测降雨强度的方法和装置。
第一方面,本申请实施例提供了一种用于预测降雨强度的方法,包括:获取区域的子区域集合中的子区域的雷达回波反射率序列,其中,雷达回波反射率序列是在预设时间段内每隔预设时长采集到的;对于子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。
在一些实施例中,降雨量预测模型集合通过如下步骤训练得到:获取训练样本集合,其中,训练样本集合中的训练样本包括子区域集合中的子区域的样本雷达回波反射率序列和样本降雨强度真实值;利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合。
在一些实施例中,利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合,包括:将初始降雨量预测模型集合中的初始降雨量预测模型的参数初始化;执行以下训练步骤:对于子区域集合中的子区域,从初始降雨量预测模型集合中选取该子区域对应的初始降雨量预测模型,以及从训练样本集合中选取该子区域对应的训练样本,将该子区域对应的训练样本中的样本雷达回波反射率序列输入至该子区域对应的初始降雨量预测模型,得到该子区域的样本降雨量预测值序列,对该子区域的样本降雨量预测值序列中的样本降雨量预测值进行累加,得到该子区域的样本降雨强度预测值;基于子区域集合中的子区域的样本降雨强度预测值和样本降雨强度真实值,确定损失函数的损失值是否满足训练目标,若满足训练目标,将初始降雨量预测模型集合作为降雨量预测模型集合。
在一些实施例中,利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合,还包括:响应于确定损失函数的损失值不满足训练目标,调整初始降雨量预测模型集合中的初始降雨量预测模型的参数,以及继续执行训练步骤。
在一些实施例中,降雨量预测模型集合中的降雨量预测模型为:Z=a×Rb;其中,Z为降雨量预测值,R为雷达回波反射率,a和b为参数。
在一些实施例中,子区域集合是在训练降雨量预测模型集合之前,对区域进行网格离散所划分出的。
第二方面,本申请实施例提供了一种用于预测降雨强度的装置,包括:获取单元,被配置成获取区域的子区域集合中的子区域的雷达回波反射率序列,其中,雷达回波反射率序列是在预设时间段内每隔预设时长采集到的;预测单元,被配置成对于子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;生成单元,被配置成基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。
在一些实施例中,降雨量预测模型集合通过如下步骤训练得到:获取训练样本集合,其中,训练样本集合中的训练样本包括子区域集合中的子区域的样本雷达回波反射率序列和样本降雨强度真实值;利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合。
在一些实施例中,利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合,包括:将初始降雨量预测模型集合中的初始降雨量预测模型的参数初始化;执行以下训练步骤:对于子区域集合中的子区域,从初始降雨量预测模型集合中选取该子区域对应的初始降雨量预测模型,以及从训练样本集合中选取该子区域对应的训练样本,将该子区域对应的训练样本中的样本雷达回波反射率序列输入至该子区域对应的初始降雨量预测模型,得到该子区域的样本降雨量预测值序列,对该子区域的样本降雨量预测值序列中的样本降雨量预测值进行累加,得到该子区域的样本降雨强度预测值;基于子区域集合中的子区域的样本降雨强度预测值和样本降雨强度真实值,确定损失函数的损失值是否满足训练目标,若满足训练目标,将初始降雨量预测模型集合作为降雨量预测模型集合。
在一些实施例中,利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合,还包括:响应于确定损失函数的损失值不满足训练目标,调整初始降雨量预测模型集合中的初始降雨量预测模型的参数,以及继续执行训练步骤。
在一些实施例中,降雨量预测模型集合中的降雨量预测模型为:Z=a×Rb;其中,Z为降雨量预测值,R为雷达回波反射率,a和b为参数。
在一些实施例中,子区域集合是在训练降雨量预测模型集合之前,对区域进行网格离散所划分出的。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得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,该计算机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降雨强度的方法和装置,首先获取区域的子区域集合中的子区域的雷达回波反射率序列;然后对于子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,以及对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;最后基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。利用区域对应的降雨量预测模型集合预测区域的降雨强度,提高了降雨强度的预测准确度。
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是本申请可以应用于其中的示例性系统架构;
图2是根据本申请的用于预测降雨强度的方法的一个实施例的流程图;
图3是图2所示的用于预测降雨强度的方法的一个应用场景的示意图;
图4是降雨量预测模型集合的训练方法的一个实施例的流程图;
图5是根据本申请的用于预测降雨强度的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的服务器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降雨强度的方法或用于预测降雨强度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中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器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。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种客户端软件,例如信息预测类应用等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是具有显示屏并且支持信息预测的各种电子设备。包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述电子设备中。其可以实现成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。
服务器103可以是提供各种服务的服务器。例如信息预测服务器。信息预测服务器可以对获取到的区域的子区域集合中的子区域的雷达回波反射率序列等数据进行分析等处理,生成处理结果(例如区域的降雨强度预测值),并将处理结果推送给终端设备101。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103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103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),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于预测降雨强度的方法一般由服务器103执行,相应地,用于预测降雨强度的装置一般设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器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终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于预测降雨强度的方法的一个实施例的流程200。该用于预测降雨强度的方法,包括以下步骤:
步骤201,获取区域的子区域集合中的子区域的雷达回波反射率序列。
在本实施例中,用于预测降雨强度的方法的执行主体(例如图1所示的服务器103)可以获取区域的子区域集合中的子区域的雷达回波反射率序列。例如,用户可以打开其终端设备(例如图1所示的终端设备101)上安装的信息预测类应用,输入区域标识,点击预测按钮。此时,终端设备可以向上述执行主体发送包括用户输入的区域标识的降雨强度预测请求。当接收到降雨强度预测请求之后,上述执行主体可以查询出用户输入的区域标识所指示的区域的子区域集合中的子区域的雷达回波反射率序列。
在本实施例中,区域可以是地球上的任意区域,包括但不限于国家、省份、市、县等等。子区域集合可以是预先对区域进行离散所划分出的。子区域集合中的子区域的数量可以根据区域的范围和区域内部署的降雨观测站的密度进行调整。通常,区域内均匀部署了大量的降雨观测站,对于区域范围较大和/或降雨观测站密度较高的区域,可以适当地增加所划分的子区域的数量。
在本实施例的一些可选的实现方式中,子区域集合可以是在训练降雨量预测模型集合之前,对区域进行网格离散所划分出的。
在本实施例中,雷达回波反射率序列可以是在预设时间段内每隔预设时长采集到的。目前,降雨观测站可以每隔6分钟采集到一次雷达回波反射率。因此,若要预测地区未来的降雨强度,就需要获取降雨观测站在最近一个小时内每隔6分钟采集到的10次雷达回波反射率组成的雷达回波反射率序列。
步骤202,对于子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型。
在本实施例中,对于子区域集合中的每个子区域,上述执行主体可以从降雨量预测模型集合中选取该子区域对应的降雨量预测模型。其中,降雨量预测模型集合中的降雨量预测模型与子区域集合中的子区域一一对应。降雨量预测模型集合中的每个降雨量预测模型可以用于预测该降雨量预测模型对应的子区域未来的降雨量,表征雷达回波反射率与降雨量预测值之间的对应关系。
在本实施例的一些可选的实现方式中,对于子区域集合中的每个子区域,上述执行主体可以预先从该子区域内部署的大量降雨观测站收集大量历史雷达回波反射率和对应的历史降雨量真实值,并对应存储生成对应关系表,作为该子区域对应的降雨量预测模型。在获取到该子区域的雷达回波反射率序列之后,对于该子区域的雷达回波反射率序列中的每个雷达回波反射率,上述执行主体可以首先从对应关系表中查找出与该雷达回波反射率数值差距较小的一些历史雷达回波反射率对应的历史降雨量真实值;然后对所查找到的历史降雨量真实值求均值,并将所得到的均值作为该雷达回波反射率对应的降雨量预测值。
在本实施例的一些可选的实现方式中,降雨量预测模型集合可以是利用机器学习方法和训练样本对现有的机器学习模型进行有监督训练而得到的。具体地,上述执行主体可以通过如下步骤训练降雨量预测模型集合:
首先,获取训练样本集合。
这里,训练样本集合可以包括多组训练样本,每组训练样本可以包括多个训练样本。并且,每组训练样本可以用于训练降雨量预测模型集合中的一个降雨量预测模型。每个训练样本可以包括样本雷达回波反射率序列和样本降雨强度真实值。
实践中,对于子区域集合中的每个子区域,上述执行主体可以从该子区域内部署的大量降雨观测站收集大量历史雷达回波反射率序列和对应的历史降雨强度真实值,以生成用于训练该子区域对应的降雨量预测模型的一组训练样本。
然后,利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合。
这里,对于子区域集合中的每个子区域,上述执行主体可以首先从训练样本集合中选取出该子区域对应的一组训练样本,以及从初始降雨量预测模型集合中选取出该子区域对应的初始降雨量预测模型;然后将该组训练样本中的样本雷达回波反射率序列作为输入,将该组训练样本中的样本降雨强度真实值作为约束,对该子区域对应的初始降雨量预测模型进行训练,以得到降雨量预测模型。其中,初始降雨量预测模型集合中的每个初始降雨量预测模型的参数可以是一些随机数。
在本实施例的一些可选的实现方式中,降雨量预测模型集合中的降雨量预测模型为:Z=a×Rb;其中,Z为降雨量预测值,R为雷达回波反射率,a和b为参数。
步骤203,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列。
在本实施例中,对于子区域集合中的每个子区域,上述执行主体可以利用该子区域对应的降雨量预测模型对该子区域的雷达回波反射率序列进行处理,以得到该子区域的降雨量预测值序列。具体地,上述执行主体可以将该子区域的雷达回波反射率序列中的雷达回波反射率依次从该子区域对应的降雨量预测模型的输入侧输入,经过该子区域对应的降雨量预测模型的处理,依次从输出侧输出对应的降雨量预测值,以得到该子区域的降雨量预测值序列。
步骤204,对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值。
在本实施例中,上述执行主体可以对该子区域的降雨量预测值序列中的降雨量预测值进行累加,以得到该子区域的降雨强度预测值。具体地,由于降雨量预测值序列中的降雨量预测值是未来预设时长内的降雨量,对该子区域的降雨量预测值序列中的降雨量预测值进行累加得到的结果是未来预设时间段内的降雨量预测值。这里,可以将未来预设时间段内的降雨量预测值作为未来的降雨强度预测值。例如,该子区域的雷达回波反射率序列包括最近一小时内每隔6分钟采集到的10次雷达回波反射率,那么该子区域的降雨量预测值序列就可以包括未来一小时内每6分钟的降雨量预测值。对未来一小时内每6分钟的降雨量预测值进行累加,可以得到未来一小时内的降雨量预测值,而未来一小时内的降雨量预测值又可以被称为未来的降雨强度预测值。
步骤205,基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。
在本实施例中,上述执行主体可以基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。具体地,上述执行主体可以基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度云图。可选地,对于子区域交界处,可以进行平滑处理。
继续参见图3,图3是图2所示的用于预测降雨强度的方法的一个应用场景的示意图。在图3所示的应用场景中,用户打开其手机上安装的信息预测类应用,输入某市,并点击预测按钮。此时,手机可以向服务器发送降雨强度预测请求301。当接收到降雨强度预测请求301之后,服务器可以首先查询出某市的子区域集合中的每个子区域在最近一个小时的雷达回波反射率序列,即子区域1的雷达回波反射率序列302、子区域2的雷达回波反射率序列303和子区域3的雷达回波反射率304;之后从降雨量预测模型集合中选取出子区域1对应的降雨量预测模型305、子区域2对应的降雨量预测模型306和子区域3对应的降雨量预测模型307;而后将雷达回波反射率序列302输入至降雨量预测模型305,得到子区域1未来的降雨量预测值序列308,将雷达回波反射率序列303输入至降雨量预测模型306,得到子区域2未来的降雨量预测值序列309,将雷达回波反射率序列304输入至降雨量预测模型307,得到子区域3未来的降雨量预测值序列310;然后对降雨量预测值序列308中的降雨量预测值进行累加,得到子区域1未来的降雨强度预测值311,对降雨量预测值序列309中的降雨量预测值进行累加,得到子区域2未来的降雨强度预测值312,对降雨量预测值序列310中的降雨量预测值进行累加,得到子区域3未来的降雨强度预测值313;最后基于降雨强度预测值311、降雨强度预测值312和降雨强度预测值313,生成某市未来的降雨强度云图314。此时,服务器可以将某市未来的降雨强度云图314发送给用户的手机,以供用户查看某市未来一段时间的降雨强度。
本申请实施例提供的用于预测降雨强度的方法,首先获取区域的子区域集合中的子区域的雷达回波反射率序列;然后对于子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,以及对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;最后基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。利用区域对应的降雨量预测模型集合预测区域的降雨强度,提高了降雨强度的预测准确度。
进一步参考图4,其示出了其示出了降雨量预测模型集合的训练方法的一个实施例的流程400。该降雨量预测模型集合的训练方法,包括以下步骤:
步骤401,获取训练样本集合。
在本实施例中,降雨量预测模型集合的训练方法的执行主体(例如图1所示的服务器103)可以获取训练样本集合。其中,训练样本集合可以包括多组训练样本,每组训练样本可以包括多个训练样本。并且,每组训练样本可以用于训练降雨量预测模型集合中的一个降雨量预测模型。每个训练样本可以包括样本雷达回波反射率序列和样本降雨强度真实值。
实践中,对于子区域集合中的每个子区域,上述执行主体可以从该子区域内部署的大量降雨观测站收集大量历史雷达回波反射率序列和对应的历史降雨强度真实值,以生成用于训练该子区域对应的降雨量预测模型的一组训练样本。
步骤402,将初始降雨量预测模型集合中的初始降雨量预测模型的参数初始化。
在本实施例中,上述执行主体可以将初始降雨量预测模型集合中的每个初始降雨量预测模型的参数初始化。具体地,初始降雨量预测模型集合中的每个初始降雨量预测模型的参数可以被初始成一些随机数。
在本实施例的一些可选的实现方式中,子区域集合中的子区域与初始降雨量预测模型中的初始降雨量预测模型一一对应。子区域集合中的第i个子区域对应的初始降雨量预测模型可以为其中,i为整数,且1≤i≤m,m为子区域集合中的子区域的数目,Zi为第i个子区域的雷达回波反射率,Ri为第i个子区域的降雨量预测值,ai和bi为第i个子区域对应的初始降雨量预测模型的参数。在模型训练之前,ai可以被初始成300,bi可以被初始成1.4。
步骤403,对于子区域集合中的子区域,从初始降雨量预测模型集合中选取该子区域对应的初始降雨量预测模型,以及从训练样本集合中选取该子区域对应的训练样本。
在本实施例中,由于子区域集合中的子区域与初始降雨量预测模型中的初始降雨量预测模型一一对应,对于子区域集合中的每个子区域,上述执行主体可以从初始降雨量预测模型中选取出该子区域对应的初始降雨量预测模型。由于训练样本集合中的每组训练样本用于训练降雨量预测模型集合中的一个降雨量预测模型,对于子区域集合中的每个子区域,上述执行主体可以从训练样本集合中选取出该子区域对应的一组训练样本。
步骤404,将该子区域对应的训练样本中的样本雷达回波反射率序列输入至该子区域对应的初始降雨量预测模型,得到该子区域的样本降雨量预测值序列。
在本实施例中,对于子区域集合中的每个子区域,上述执行主体可以将该子区域对应的一组训练样本中的每个训练样本中的样本雷达回波反射率序列输入至该子区域对应的初始降雨量预测模型,以得到该子区域的样本降雨量预测值序列。具体地,对于该子区域对应的每个训练样本,上述执行主体可以将该训练样本中的样本雷达回波反射率序列从该子区域对应的初始降雨量预测模型的输入侧输入,经过该子区域对应的初始降雨量预测模型的处理,从输出侧输出该子区域的样本降雨量预测值序列。
在本实施例的一些可选的实现方式中,对于子区域集合中的第i个子区域,若第j个训练样本中的样本雷达回波反射率序列是{Zi,j,1,Zi,j,2,…,Zi,j,10},那么将该样本雷达回波反射率序列输入至第i个子区域对应的初始降雨量预测模型得到:
其中,j为整数,且1≤j≤n,n为训练样本集合中的每组训练样本的训练样本的数目的最大值,Zi,j,1是第j个训练样本中的样本雷达回波反射率序列中的第1个样本雷达回波反射率,Zi,j,2是第j个训练样本中的样本雷达回波反射率序列中的第2个样本雷达回波反射率,Zi,j,10是第j个训练样本中的样本雷达回波反射率序列中的第10个样本雷达回波反射率,Ri,j,1是第j个训练样本对应的样本降雨量预测值序列中的第1个样本降雨量预测值,Ri,j,2是第j个训练样本对应的样本降雨量预测值序列中的第2个样本降雨量预测值,Ri,j,10是第j个训练样本对应的样本降雨量预测值序列中的第10个样本降雨量预测值,{Ri,j,1,Ri,j,2,…,Ri,j,10}是第j个训练样本对应的样本降雨量预测值序列。
步骤405,对该子区域的样本降雨量预测值序列中的样本降雨量预测值进行累加,得到该子区域的样本降雨强度预测值。
在本实施例中,对于子区域集合中的每个子区域,上述执行主体可以对该子区域的样本降雨量预测值序列中的样本降雨量预测值进行累加,以得到该子区域的样本降雨强度预测值。
在本实施例的一些可选的实现方式中,对于子区域集合中的第i个子区域,上述执行主体可以对第j个训练样本对应的样本降雨量预测值序列{Ri,j,1,Ri,j,2,…,Ri,j,10}中的样本降雨量预测值进行累加,以得到第j个训练样本对应的样本降雨强度预测值Ri,j:
Ri,j,1+Ri,j,2+...+Ri,j,10=Ri,j。
步骤406,基于子区域集合中的子区域的样本降雨强度预测值和样本降雨强度真实值,确定损失函数的损失值是否满足训练目标。
在本实施例中,上述执行主体可以基于子区域集合中的子区域的样本降雨强度预测值和样本降雨强度真实值,确定损失函数的损失值是否满足训练目标。若满足训练目标,则执行步骤407;若不满足训练目标,则执行步骤408。
在本实施例的一些可选的实现方式中,对于子区域集合中的第i个子区域,若第j个训练样本中的样本降雨强度真实值是Ii,j,那么损失函数如下:
当损失函数的损失值最小时,说明初始降雨量预测模型集合已经满足训练目标,模型集合训练完成;反之,降雨量预测模型集合尚未满足训练目标,继续模型集合训练。
步骤407,将初始降雨量预测模型集合作为降雨量预测模型集合。
在本实施例中,若满足训练目标,模型集合训练完成。此时,上述执行主体可以将初始降雨量预测模型集合作为降雨量预测模型集合。
步骤408,调整初始降雨量预测模型集合中的初始降雨量预测模型的参数。
在本实施例中,若不满足训练目标,模型集合训练尚未完成。此时,上述执行主体可以调整初始降雨量预测模型集合中的初始降雨量预测模型的参数,以及返回继续执行步骤403。如此循环往复地训练,直至模型集合满足训练目标为止。
进一步参考图5,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降雨强度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5所示,本实施例的用于预测降雨强度的装置500可以包括:获取单元501、预测单元502和生成单元503。其中,获取单元501,被配置成获取区域的子区域集合中的子区域的雷达回波反射率序列,其中,雷达回波反射率序列是在预设时间段内每隔预设时长采集到的;预测单元502,被配置成对于子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;生成单元503,被配置成基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。
在本实施例中,用于预测降雨强度的装置500中:获取单元501、预测单元502和生成单元503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、步骤202-204和步骤205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,降雨量预测模型集合通过如下步骤训练得到:获取训练样本集合,其中,训练样本集合中的训练样本包括子区域集合中的子区域的样本雷达回波反射率序列和样本降雨强度真实值;利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合。
在本实施例的一些可选的实现方式中,利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合,包括:将初始降雨量预测模型集合中的初始降雨量预测模型的参数初始化;执行以下训练步骤:对于子区域集合中的子区域,从初始降雨量预测模型集合中选取该子区域对应的初始降雨量预测模型,以及从训练样本集合中选取该子区域对应的训练样本,将该子区域对应的训练样本中的样本雷达回波反射率序列输入至该子区域对应的初始降雨量预测模型,得到该子区域的样本降雨量预测值序列,对该子区域的样本降雨量预测值序列中的样本降雨量预测值进行累加,得到该子区域的样本降雨强度预测值;基于子区域集合中的子区域的样本降雨强度预测值和样本降雨强度真实值,确定损失函数的损失值是否满足训练目标,若满足训练目标,将初始降雨量预测模型集合作为降雨量预测模型集合。
在本实施例的一些可选的实现方式中,利用机器学习方法,基于训练样本集合对初始降雨量预测模型集合进行训练,得到降雨量预测模型集合,还包括:响应于确定损失函数的损失值不满足训练目标,调整初始降雨量预测模型集合中的初始降雨量预测模型的参数,以及继续执行训练步骤。
在本实施例的一些可选的实现方式中,降雨量预测模型集合中的降雨量预测模型为:Z=a×Rb;其中,Z为降雨量预测值,R为雷达回波反射率,a和b为参数。
在本实施例的一些可选的实现方式中,子区域集合是在训练降雨量预测模型集合之前,对区域进行网格离散所划分出的。
下面参考图6,其示出了适于用来实现本申请实施例的服务器(例如图1所示的服务器103)的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例,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6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610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608。
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609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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目标的程序设计语言—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服务器上执行。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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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:一种处理器包括获取单元、预测单元和生成单元。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,获取单元还可以被描述为“获取区域的子区域集合中的子区域的雷达回波反射率序列的单元”。
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服务器中所包含的;也可以是单独存在,而未装配入该服务器中。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该服务器执行时,使得该服务器:获取区域的子区域集合中的子区域的雷达回波反射率序列,其中,雷达回波反射率序列是在预设时间段内每隔预设时长采集到的;对于子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;基于子区域集合中的子区域的降雨强度预测值,生成区域的降雨强度预测值。
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 (14)
1.一种用于预测降雨强度的方法,包括:
获取区域的子区域集合中的子区域的雷达回波反射率序列,其中,雷达回波反射率序列是在预设时间段内每隔预设时长采集到的;
对于所述子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;
基于所述子区域集合中的子区域的降雨强度预测值,生成所述区域的降雨强度预测值。
2.根据权利要求1所述的方法,其中,所述降雨量预测模型集合通过如下步骤训练得到:
获取训练样本集合,其中,所述训练样本集合中的训练样本包括所述子区域集合中的子区域的样本雷达回波反射率序列和样本降雨强度真实值;
利用机器学习方法,基于所述训练样本集合对初始降雨量预测模型集合进行训练,得到所述降雨量预测模型集合。
3.根据权利要求2所述的方法,其中,所述利用机器学习方法,基于所述训练样本集合对初始降雨量预测模型集合进行训练,得到所述降雨量预测模型集合,包括:
将所述初始降雨量预测模型集合中的初始降雨量预测模型的参数初始化;
执行以下训练步骤:对于所述子区域集合中的子区域,从所述初始降雨量预测模型集合中选取该子区域对应的初始降雨量预测模型,以及从所述训练样本集合中选取该子区域对应的训练样本,将该子区域对应的训练样本中的样本雷达回波反射率序列输入至该子区域对应的初始降雨量预测模型,得到该子区域的样本降雨量预测值序列,对该子区域的样本降雨量预测值序列中的样本降雨量预测值进行累加,得到该子区域的样本降雨强度预测值;
基于所述子区域集合中的子区域的样本降雨强度预测值和样本降雨强度真实值,确定损失函数的损失值是否满足训练目标,若满足训练目标,将所述初始降雨量预测模型集合作为所述降雨量预测模型集合。
4.根据权利要求3所述的方法,其中,所述利用机器学习方法,基于所述训练样本集合对初始降雨量预测模型集合进行训练,得到所述降雨量预测模型集合,还包括:
响应于确定所述损失函数的损失值不满足训练目标,调整所述初始降雨量预测模型集合中的初始降雨量预测模型的参数,以及继续执行所述训练步骤。
5.根据权利要求1-4之一所述的方法,其中,所述降雨量预测模型集合中的降雨量预测模型为:
Z=a×Rb;
其中,Z为降雨量预测值,R为雷达回波反射率,a和b为参数。
6.根据权利要求1-4之一所述的方法,其中,所述子区域集合是在训练所述降雨量预测模型集合之前,对所述区域进行网格离散所划分出的。
7.一种用于预测降雨强度的装置,包括:
获取单元,被配置成获取区域的子区域集合中的子区域的雷达回波反射率序列,其中,雷达回波反射率序列是在预设时间段内每隔预设时长采集到的;
预测单元,被配置成对于所述子区域集合中的子区域,从预先训练的降雨量预测模型集合中选取该子区域对应的降雨量预测模型,将该子区域的雷达回波反射率序列输入至该子区域对应的降雨量预测模型,得到该子区域的降雨量预测值序列,对该子区域的降雨量预测值序列中的降雨量预测值进行累加,得到该子区域的降雨强度预测值;
生成单元,被配置成基于所述子区域集合中的子区域的降雨强度预测值,生成所述区域的降雨强度预测值。
8.根据权利要求7所述的装置,其中,所述降雨量预测模型集合通过如下步骤训练得到:
获取训练样本集合,其中,所述训练样本集合中的训练样本包括所述子区域集合中的子区域的样本雷达回波反射率序列和样本降雨强度真实值;
利用机器学习方法,基于所述训练样本集合对初始降雨量预测模型集合进行训练,得到所述降雨量预测模型集合。
9.根据权利要求8所述的装置,其中,所述利用机器学习方法,基于所述训练样本集合对初始降雨量预测模型集合进行训练,得到所述降雨量预测模型集合,包括:
将所述初始降雨量预测模型集合中的初始降雨量预测模型的参数初始化;
执行以下训练步骤:对于所述子区域集合中的子区域,从所述初始降雨量预测模型集合中选取该子区域对应的初始降雨量预测模型,以及从所述训练样本集合中选取该子区域对应的训练样本,将该子区域对应的训练样本中的样本雷达回波反射率序列输入至该子区域对应的初始降雨量预测模型,得到该子区域的样本降雨量预测值序列,对该子区域的样本降雨量预测值序列中的样本降雨量预测值进行累加,得到该子区域的样本降雨强度预测值;
基于所述子区域集合中的子区域的样本降雨强度预测值和样本降雨强度真实值,确定损失函数的损失值是否满足训练目标,若满足训练目标,将所述初始降雨量预测模型集合作为所述降雨量预测模型集合。
10.根据权利要求9所述的装置,其中,所述利用机器学习方法,基于所述训练样本集合对初始降雨量预测模型集合进行训练,得到所述降雨量预测模型集合,还包括:
响应于确定所述损失函数的损失值不满足训练目标,调整所述初始降雨量预测模型集合中的初始降雨量预测模型的参数,以及继续执行所述训练步骤。
11.根据权利要求7-10之一所述的装置,其中,所述降雨量预测模型集合中的降雨量预测模型为:
Z=a×Rb;
其中,Z为降雨量预测值,R为雷达回波反射率,a和b为参数。
12.根据权利要求7-10之一所述的装置,其中,所述子区域集合是在训练所述降雨量预测模型集合之前,对所述区域进行网格离散所划分出的。
13.一种服务器,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1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211804.9A CN109799550B (zh) | 2019-03-20 | 2019-03-20 | 用于预测降雨强度的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910211804.9A CN109799550B (zh) | 2019-03-20 | 2019-03-20 | 用于预测降雨强度的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109799550A true CN109799550A (zh) | 2019-05-24 |
CN109799550B CN109799550B (zh) | 2022-02-18 |
Family
ID=66563682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910211804.9A Active CN109799550B (zh) | 2019-03-20 | 2019-03-20 | 用于预测降雨强度的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109799550B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045441A (zh) * | 2019-06-04 | 2019-07-23 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
CN110673146A (zh) * | 2019-10-12 | 2020-01-10 | 上海眼控科技股份有限公司 | 气象预测图检测方法、装置、计算机设备和可读存储介质 |
CN110850414A (zh) * | 2019-11-26 | 2020-02-28 | 北京天元创新科技有限公司 | 降雨预警方法及装置 |
CN111145245A (zh) * | 2019-12-31 | 2020-05-12 | 哈尔滨工业大学(深圳) | 一种短时临近降雨预报方法、系统及计算机可读存储介质 |
CN111521990A (zh) * | 2020-05-11 | 2020-08-11 | 沈阳工业大学 | 一种基于多层雷达回波数据的降雨量分析方法 |
CN112782699A (zh) * | 2020-12-24 | 2021-05-11 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于三维雷达回波的降水预测方法、装置、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169194A (zh) * | 2010-08-25 | 2011-08-31 | 清华大学 | 区域性气象感知预报系统 |
CN107656278A (zh) * | 2017-08-31 | 2018-02-02 | 武汉中心气象台(长江流域水文气象预报台湖北省决策气象服务中心) | 基于稠密雨量站定量降水估测方法 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN109239807A (zh) * | 2018-06-29 | 2019-01-18 | 平安科技(深圳)有限公司 | 降雨量评估方法及系统和终端 |
CN109254290A (zh) * | 2018-08-17 | 2019-01-22 | 深圳市雅码科技有限公司 | 一种天气雷达并行拼图方法及系统 |
-
2019
- 2019-03-20 CN CN201910211804.9A patent/CN109799550B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169194A (zh) * | 2010-08-25 | 2011-08-31 | 清华大学 | 区域性气象感知预报系统 |
CN107656278A (zh) * | 2017-08-31 | 2018-02-02 | 武汉中心气象台(长江流域水文气象预报台湖北省决策气象服务中心) | 基于稠密雨量站定量降水估测方法 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
CN109239807A (zh) * | 2018-06-29 | 2019-01-18 | 平安科技(深圳)有限公司 | 降雨量评估方法及系统和终端 |
CN109254290A (zh) * | 2018-08-17 | 2019-01-22 | 深圳市雅码科技有限公司 | 一种天气雷达并行拼图方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110045441A (zh) * | 2019-06-04 | 2019-07-23 | 北京航天宏图信息技术股份有限公司 | 基于雷达回波图的天气分析方法及装置 |
CN110673146A (zh) * | 2019-10-12 | 2020-01-10 | 上海眼控科技股份有限公司 | 气象预测图检测方法、装置、计算机设备和可读存储介质 |
CN110850414A (zh) * | 2019-11-26 | 2020-02-28 | 北京天元创新科技有限公司 | 降雨预警方法及装置 |
CN111145245A (zh) * | 2019-12-31 | 2020-05-12 | 哈尔滨工业大学(深圳) | 一种短时临近降雨预报方法、系统及计算机可读存储介质 |
CN111521990A (zh) * | 2020-05-11 | 2020-08-11 | 沈阳工业大学 | 一种基于多层雷达回波数据的降雨量分析方法 |
CN111521990B (zh) * | 2020-05-11 | 2022-04-29 | 沈阳工业大学 | 一种基于多层雷达回波数据的降雨量分析方法 |
CN112782699A (zh) * | 2020-12-24 | 2021-05-11 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于三维雷达回波的降水预测方法、装置、电子设备、存储介质 |
CN112782699B (zh) * | 2020-12-24 | 2024-05-03 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于三维雷达回波的降水预测方法、装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109799550B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109799550A (zh) | 用于预测降雨强度的方法和装置 | |
CN109460513A (zh) | 用于生成点击率预测模型的方法和装置 | |
CN110135654A (zh) | 用于预测强对流天气的方法和装置 | |
CN108732550A (zh) | 用于预测雷达回波的方法和装置 | |
CN109359170B (zh) | 用于生成信息的方法和装置 | |
CN109214584A (zh) | 用于预测客流量的方法和装置 | |
CN109145781A (zh) | 用于处理图像的方法和装置 | |
CN107845016B (zh) | 信息输出方法和装置 | |
CN105528652A (zh) | 一种预测模型的建立方法及终端 | |
CN109710507A (zh) | 一种自动化测试的方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN108629611A (zh) | 用于分配资源的方法和装置 | |
CN109447246A (zh) | 用于生成模型的方法和装置 | |
CN109495552A (zh) | 用于更新点击率预测模型的方法和装置 | |
CN109145828A (zh) | 用于生成视频类别检测模型的方法和装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
CN109460003A (zh) | 车辆故障预测建模方法及系统 | |
CN109508842A (zh) | 配送运力调控方法和装置 | |
CN110266002A (zh) | 用于预测电力负荷的方法和装置 | |
CN108182472A (zh) | 用于生成信息的方法和装置 | |
CN114004425A (zh) | 物品流转信息预测模型生成方法、信息生成方法、装置 | |
CN109327887A (zh) | 用于生成信息的方法和装置 | |
CN110443899A (zh) | 用于处理数据的方法和装置 | |
CN110008926A (zh) | 用于识别年龄的方法和装置 | |
CN109446379A (zh) | 用于处理信息的方法和装置 |
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 |