CN109991685A - 一种基于多lstm模型融合的降水量预测方法以及装置 - Google Patents

一种基于多lstm模型融合的降水量预测方法以及装置 Download PDF

Info

Publication number
CN109991685A
CN109991685A CN201910263859.4A CN201910263859A CN109991685A CN 109991685 A CN109991685 A CN 109991685A CN 201910263859 A CN201910263859 A CN 201910263859A CN 109991685 A CN109991685 A CN 109991685A
Authority
CN
China
Prior art keywords
precipitation
model
lstm
history
data
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.)
Pending
Application number
CN201910263859.4A
Other languages
English (en)
Inventor
谭智峰
李林
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.)
Beijing MetarNet Technologies Co Ltd
Original Assignee
Beijing MetarNet Technologies Co 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 Beijing MetarNet Technologies Co Ltd filed Critical Beijing MetarNet Technologies Co Ltd
Priority to CN201910263859.4A priority Critical patent/CN109991685A/zh
Publication of CN109991685A publication Critical patent/CN109991685A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开是关于一种基于多LSTM模型融合的降水量预测方法、装置、电子设备以及存储介质。其中，该方法包括：获取目标区域内日粒度的历史气象数据，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集；分别建立所述多个数据集的LSTM模型并融合后与所述其它因素预测模型合并，生成降水量预测模型；对所述降水量预测模型的训练过程特性设置以完成模型训练；通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数；对未来时刻降水量预报模型输入新的采样时刻，得到对应降水量预报值。本公开通过多LSTM模型融合引入多组历史气象数据实现对降水量的预测，提升了对历史数据的感知能力，预测结果精准。

Description

一种基于多LSTM模型融合的降水量预测方法以及装置
技术领域
本公开涉及气象预测领域，具体而言，涉及一种基于多LSTM模型融合的降水量预测方法、装置、电子设备以及计算机可读存储介质。
背景技术
降水是水循环关键的组成部分，直接或间接地影响这人类的生活和发展。科学预测降水是提高水资源预测、水文预报准确性、实用性的基础，对合理利用水资源、提高工农业用水都用重要的意义。所以降水量预报的准确程度已成为影响国计民生的重要因素之一。提高降水量预报准确度越来越成为气象预报领域的十分重要的方向。
然而，气象变化是一种物理形成过程异常复杂多变的自然现象，受到时间和空间因素的多重影响，仅影响降水的影响因子就达到上百个特征。目前，常用降水量统计预报方法主要有PLS回归、自回归模型(AR)、有多元线性时滞回归方法等传统统计方法和人工神经网络、小波神经网络等模型。传统统计方法结构简单，但是解决非线性的降水预测问题很难取得理想效果。
由上可知，需要提供一种或多种至少能够解决上述问题的技术方案。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于多LSTM模型融合的降水量预测方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
根据本公开的一个方面，提供一种基于多LSTM模型融合的降水量预测方法，包括：
历史数据处理步骤，获取目标区域内日粒度的历史气象数据，使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集；
预测模型建立步骤，分别建立所述多个数据集的LSTM模型及所述历史气象数据中除历史降水量外其它数据的其它因素预测模型，并将所述LSTM模型融合后与所述其它因素预测模型合并，生成降水量预测模型；
模型特性设置步骤，对所述降水量预测模型的训练过程特性设置以完成模型训练；
超参数优化步骤，通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数；
预测值生成步骤，将训练后的多LSTM融合的降水量预测模型作为对未来时刻降水量预报模型，输入新的采样时刻，得到对应降水量预报值。
在本公开的一种示例性实施例中，所述历史数据处理步骤还包括：
所述历史气象数据包括降水量、气压变化、温度变化、水汽压、露点温度；
其中，所述气压变化为日粒度最高气压与日粒度最低气压的差值，所述温度变化为日粒度最高温度与日粒度最低温度的差值。
在本公开的一种示例性实施例中，所述历史数据处理步骤还包括：
使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，优选的可调历史窗口期值为5，如超出历史数据则以实际数据为准，优选的可调未来窗口期值为5，如超出未来数据则以实际数据为准。
在本公开的一种示例性实施例中，所述历史数据处理步骤还包括：
将历史降水量按照时间序列进行切分，其中：
短时间降水XC：按照一天为间隔，往前取30个间隔，即取一天的前30天作为训练来预测这一天；
中时间降水XP：按照七天为间隔，往前取30个间隔；
长时间降水XT：按照三十天为间隔，往前取30个间隔；
除历史降水量外其它数据影响降水因素按照日粒度的加权引入模型。
在本公开的一种示例性实施例中，所述预测模型建立步骤还包括：
所述多个数据集的LSTM模型结构相同，都包括1个输入层、6个隐藏层，和1个输出层的结构；
其中，模型隐藏层各神经元采用长短期记忆LSTM单元，每层650个LSTM单元。
在本公开的一种示例性实施例中，所述预测模型建立步骤还包括：
所述多个数据集的LSTM模型融合公式为：
其中，XRes为多个数据集的LSTM模型融合结果；Xc、Xp、Xq分别为短时间降水、中时间降水、长时间降水值；Wc、Wp、Wq分别为短时间降水、中时间降水、长时间降水值可学习参数；为逐元乘法；
所述LSTM模型融合后与所述其它因素预测模型合并公式为：
t时刻误差为该时刻预测输出与实际输出之间的均方误差，公式为：
其中，XExt为所述其它因素预测模型，为t时刻预测输出值，Xt为t时刻实际输出值，error(t)为t时刻误差值。
在本公开的一种示例性实施例中，所述模型特性设置步骤还包括：
深度神经网络模型LSTM-RNN权值初始化采用高斯初始化；
深度神经网络模型LSTM-RNN minbatch设置为16；
深度神经网络模型LSTM-RNN神经元连接方式采用45％dropout设置；
深度神经网络模型LSTM-RNN epochs设置为50000；
深度神经网络模型LSTM-RNN学习率设置为0.001；
深度神经网络模型LSTM-RNN误差计算采用交叉熵准则；
深度神经网络模型LSTM-RNN权值更新方法采用梯度下降法误差反向传播算法。
在本公开的一种示例性实施例中，所述超参数优化步骤还包括：
使用k折交叉验证法在验证集合上优化超参数，k值设置为5。
在本公开的一个方面，提供一种基于多LSTM模型融合的降水量预测装置，包括：
历史数据处理模块，用于获取目标区域内日粒度的历史气象数据，使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集；
预测模型建立模块，用于分别建立所述多个数据集的LSTM模型及所述历史气象数据中除历史降水量外其它数据的其它因素预测模型，并将所述LSTM模型融合后与所述其它因素预测模型合并，生成降水量预测模型；
模型特性设置模块，用于对所述降水量预测模型的训练过程特性设置以完成模型训练；
超参数优化模块，用于通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数；
预测值生成模块，用于将训练后的多LSTM融合的降水量预测模型作为对未来时刻降水量预报模型，输入新的采样时刻，得到对应降水量预报值。
在本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。
在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。
本公开的示例性实施例中的基于多LSTM模型融合的降水量预测方法，获取目标区域内日粒度的历史气象数据，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集；分别建立所述多个数据集的LSTM模型并融合后与所述其它因素预测模型合并，生成降水量预测模型；对所述降水量预测模型的训练过程特性设置以完成模型训练；通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数；对未来时刻降水量预报模型输入新的采样时刻，得到对应降水量预报值。一方面，由于通过历史数据切分引入了多组降水量数据及其它影响降水量因素的数据，使得降水量预测结果更加准确；另一方面，基于深度神经网络模型LSTM具有较强的非线性和自学习能力，在降低运算量的同时，极大地提升了预测精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。
图1示出了根据本公开一示例性实施例的基于多LSTM模型融合的降水量预测方法的流程图；
图2示出了根据本公开一示例性实施例的基于多LSTM模型融合的降水量预测方法的模型结构图；
图3示出了根据本公开一示例性实施例的基于多LSTM模型融合的降水量预测装置的示意框图；
图4示意性示出了根据本公开一示例性实施例的电子设备的框图；以及
图5示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本示例实施例中，首先提供了一种基于多LSTM模型融合的降水量预测方法；参考图1中所示，该基于多LSTM模型融合的降水量预测方法可以包括以下步骤：
历史数据处理步骤S110，获取目标区域内日粒度的历史气象数据，使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集；
预测模型建立步骤S120，分别建立所述多个数据集的LSTM模型及所述历史气象数据中除历史降水量外其它数据的其它因素预测模型，并将所述LSTM模型融合后与所述其它因素预测模型合并，生成降水量预测模型；
模型特性设置步骤S130，对所述降水量预测模型的训练过程特性设置以完成模型训练；
超参数优化步骤S140，通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数；
预测值生成步骤S150，将训练后的多LSTM融合的降水量预测模型作为对未来时刻降水量预报模型，输入新的采样时刻，得到对应降水量预报值。
根据本示例实施例中的基于多LSTM模型融合的降水量预测方法，一方面，由于通过历史数据切分引入了多组降水量数据及其它影响降水量因素的数据，使得降水量预测结果更加准确；另一方面，基于深度神经网络模型LSTM具有较强的非线性和自学习能力，在降低运算量的同时，极大地提升了预测精度。
下面，将对本示例实施例中的基于多LSTM模型融合的降水量预测方法进行进一步的说明。
在历史数据处理步骤S110中，可以获取目标区域内日粒度的历史气象数据，使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集。
在本示例的实施例中，所述历史数据处理步骤还包括：
所述历史气象数据包括降水量、气压变化、温度变化、水汽压、露点温度；
其中，所述气压变化为日粒度最高气压与日粒度最低气压的差值，所述温度变化为日粒度最高温度与日粒度最低温度的差值。
在本示例的实施例中，从气象业务系统中接入目标区域内日粒度的气象数据。这些数据包括降水量、气压变化(日粒度最高气压-日粒度最低气压)、温度变化(日粒度最高温度-日粒度最低温度)、水汽压、露点温度五种影响降水的主要因素。接入开始时为1981年1月1日。接入终止时间(本实施例)为2018年8月31日，具体实施时刻接入到预报日前一天数据。共接入13757条数据记录。
在本示例的实施例中，所述历史数据处理步骤还包括：
使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，优选的可调历史窗口期值为5，如超出历史数据则以实际数据为准，优选的可调未来窗口期值为5，如超出未来数据则以实际数据为准。
在本示例的实施例中，对数据进行清洗、数据集切分。由于气象部分数据的缺失，需要对缺失数据进行补全。该发明使用历史同期及未来同期气象数据平均值方法进行补全。其中，历史窗口期lh可调，优选的历史窗口期lh＝5，如超出历史数据则以实际数据为准；未来窗口期lf可调，优选的未来窗口期lf＝5，如超出未来数据则以实际数据为准。
在本示例的实施例中，所述历史数据处理步骤还包括：
将历史降水量按照时间序列进行切分，其中：
短时间降水XC：按照一天为间隔，往前取30个间隔，即取一天的前30天作为训练来预测这一天；
中时间降水XP：按照七天为间隔，往前取30个间隔；
长时间降水XT：按照三十天为间隔，往前取30个间隔；
除历史降水量外其它数据影响降水因素按照日粒度的加权引入模型。
在预测模型建立步骤S120中，可以分别建立所述多个数据集的LSTM模型及所述历史气象数据中除历史降水量外其它数据的其它因素预测模型，并将所述LSTM模型融合后与所述其它因素预测模型合并，生成降水量预测模型。
在本示例的实施例中，所述预测模型建立步骤还包括：
所述多个数据集的LSTM模型结构相同，都包括1个输入层、6个隐藏层，和1个输出层的结构；
其中，模型隐藏层各神经元采用长短期记忆LSTM单元，每层650个LSTM单元。
在本示例的实施例中，构建多LSTM模型融合的区域降水量预测模型，该模型由四个主要组成部分，分别短时间降水(XC)预测LSTM模型、中时间降水(XP)预测LSTM模型、长时间降水(XT)预测LSTM模型和其他因素影响(气压、温度、水汽压、露点温度)。三个不同时间降水预测LSTM模型结构相同，都包括1个输入层、6个隐藏层(其中模型隐藏层各神经元采用长短期记忆单元(LSTM单元)，每层650个LSTM单元，共650×6＝3900个LSTM单元)和1个输出层的结构。LSTM单元由三个门结构组成，输入门、遗忘门、输出门，是一种具有记忆作用的特殊神经元。具体结构如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)；
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
ct＝ftct-1+itθ(Wxcxt+Whcht-1+bc)；
ot＝σ(Wx0xt+Wh0ht-1+Wc0ct-1+b0)；
ht＝otθ(ct)；
其中，it为输入门，ft为遗忘门，ct为单元激活向量，ot为遗忘门，ht为隐藏层单元，Wxi为输入特征向量与输入门之间的权重矩阵，Whi为隐藏层单元与输入门之间的权重矩阵，Wci为单元激活向量与输入门之间的权重矩阵，Wxf为输入特征向量与遗忘门之间的权重矩阵，Whf为隐藏单元与遗忘门之间的权重矩阵，Wcf为单元激活向量与遗忘门之间的权重矩阵，Wxo为输入特征向量与输出门之间的权重矩阵，Who为隐藏单元与输出门之间的权重矩阵，Wco为单元激活向量与输出门之间的权重矩阵，Wxc为输入特征向量与单元激活向量之间的权重矩阵，Whc为隐藏层单元与单元激活向量之间的权重矩阵，bi为输入门偏置，bf为遗忘门偏置，bc为单元激活向量偏置，bo为输出门偏置，t下标为采样时刻，σ(·)为sigmoid映射函数，θ(·)为tanh映射函数。
在本示例的实施例中，如图3所示，为基于多LSTM模型融合的降水量预测方法的模型结构图，所述预测模型建立步骤还包括：
所述多个数据集的LSTM模型融合公式为：
其中，XRes为多个数据集的LSTM模型融合结果；Xc、Xp、Xq分别为短时间降水、中时间降水、长时间降水值；Wc、Wp、Wq分别为短时间降水、中时间降水、长时间降水值可学习参数；为逐元乘法；
所述LSTM模型融合后与所述其它因素预测模型合并公式为：
t时刻误差为该时刻预测输出与实际输出之间的均方误差，公式为：
其中，XExt为所述其它因素预测模型，为t时刻预测输出值，Xt为t时刻实际输出值，error(t)为t时刻误差值。
在模型特性设置步骤S130中，可以对所述降水量预测模型的训练过程特性设置以完成模型训练。
在本示例的实施例中，所述模型特性设置步骤还包括：
深度神经网络模型LSTM-RNN权值初始化采用高斯初始化；
深度神经网络模型LSTM-RNN minbatch设置为16；
深度神经网络模型LSTM-RNN神经元连接方式采用45％dropout设置；
深度神经网络模型LSTM-RNN epochs设置为50000；
深度神经网络模型LSTM-RNN学习率设置为0.001；
深度神经网络模型LSTM-RNN误差计算采用交叉熵准则；
深度神经网络模型LSTM-RNN权值更新方法采用梯度下降法误差反向传播算法。
在超参数优化步骤S140中，可以通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数。
在本示例的实施例中，所述超参数优化步骤还包括：
使用k折交叉验证法在验证集合上优化超参数，k值设置为5。
在预测值生成步骤S150中，可以将训练后的多LSTM融合的降水量预测模型作为对未来时刻降水量预报模型，输入新的采样时刻，得到对应降水量预报值。
在本示例的实施例中，通过引入并构建深度学习模型使用LSTM单元加强对历史数据的感知能力，提高模型融合因素，对区域降水进行预报。这种方法能够较好的预测降水量，为各行各业对于气象降水数据的依赖都有重要的意义。
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本示例实施例中，还提供了一种基于多LSTM模型融合的降水量预测装置。参照图3所示，该基于多LSTM模型融合的降水量预测装置200可以包括：历史数据处理模块210、预测模型建立模块220、模型特性设置模块230、超参数优化模块240以及预测值生成模块250。其中：
历史数据处理模块210，用于获取目标区域内日粒度的历史气象数据，使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集；
预测模型建立模块220，用于分别建立所述多个数据集的LSTM模型及所述历史气象数据中除历史降水量外其它数据的其它因素预测模型，并将所述LSTM模型融合后与所述其它因素预测模型合并，生成降水量预测模型；
模型特性设置模块230，用于对所述降水量预测模型的训练过程特性设置以完成模型训练；
超参数优化模块240，用于通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数；
预测值生成模块250，用于将训练后的多LSTM融合的降水量预测模型作为对未来时刻降水量预报模型，输入新的采样时刻，得到对应降水量预报值。
上述中各基于多LSTM模型融合的降水量预测装置模块的具体细节已经在对应的音频段落识别方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了基于多LSTM模型融合的降水量预测装置200的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参照图4来描述根据本发明的这种实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元310可以执行如图1中所示的步骤S110至步骤S150。
存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(ROM)3203。
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备300也可以与一个或多个外部设备370(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器360通过总线330与电子设备300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图5所示，描述了根据本发明的实施例的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (11)

1.一种基于多LSTM模型融合的降水量预测方法，其特征在于，所述方法包括：
历史数据处理步骤，获取目标区域内日粒度的历史气象数据，使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集；
预测模型建立步骤，分别建立所述多个数据集的LSTM模型及所述历史气象数据中除历史降水量外其它数据的其它因素预测模型，并将所述LSTM模型融合后与所述其它因素预测模型合并，生成降水量预测模型；
模型特性设置步骤，对所述降水量预测模型的训练过程特性设置以完成模型训练；
超参数优化步骤，通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数；
预测值生成步骤，将训练后的多LSTM融合的降水量预测模型作为对未来时刻降水量预报模型，输入新的采样时刻，得到对应降水量预报值。
2.如权利要求1所述的方法，其特征在于，所述历史数据处理步骤还包括：
所述历史气象数据包括降水量、气压变化、温度变化、水汽压、露点温度；
其中，所述气压变化为日粒度最高气压与日粒度最低气压的差值，所述温度变化为日粒度最高温度与日粒度最低温度的差值。
3.如权利要求1所述的方法，其特征在于，所述历史数据处理步骤还包括：
使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，优选的可调历史窗口期值为5，如超出历史数据则以实际数据为准，优选的可调未来窗口期值为5，如超出未来数据则以实际数据为准。
4.如权利要求1所述的方法，其特征在于，所述历史数据处理步骤还包括：
将历史降水量按照时间序列进行切分，其中：
短时间降水XC：按照一天为间隔，往前取30个间隔，即取一天的前30天作为训练来预测这一天；
中时间降水XP：按照七天为间隔，往前取30个间隔；
长时间降水XT：按照三十天为间隔，往前取30个间隔；
除历史降水量外其它数据影响降水因素按照日粒度的加权引入模型。
5.如权利要求1所述的方法，其特征在于，所述预测模型建立步骤还包括：
所述多个数据集的LSTM模型结构相同，都包括1个输入层、6个隐藏层，和1个输出层的结构；
其中，模型隐藏层各神经元采用长短期记忆LSTM单元，每层650个LSTM单元。
6.如权利要求1所述的方法，其特征在于，所述预测模型建立步骤还包括：
所述多个数据集的LSTM模型融合公式为：
XRes＝WcоXc+WpоXp+WqоXq；
其中，XRes为多个数据集的LSTM模型融合结果；Xc、Xp、Xq分别为短时间降水、中时间降水、长时间降水值；Wc、Wp、Wq分别为短时间降水、中时间降水、长时间降水值可学习参数；о为逐元乘法；
所述LSTM模型融合后与所述其它因素预测模型合并公式为：
t时刻误差为该时刻预测输出与实际输出之间的均方误差，公式为：
其中，XExt为所述其它因素预测模型，为t时刻预测输出值，Xt为t时刻实际输出值，error(t)为t时刻误差值。
7.如权利要求1所述的方法，其特征在于，所述模型特性设置步骤还包括：
深度神经网络模型LSTM-RNN权值初始化采用高斯初始化；
深度神经网络模型LSTM-RNN minbatch设置为16；
深度神经网络模型LSTM-RNN神经元连接方式采用45％dropout设置；
深度神经网络模型LSTM-RNN epochs设置为50000；
深度神经网络模型LSTM-RNN学习率设置为0.001；
深度神经网络模型LSTM-RNN误差计算采用交叉熵准则；
深度神经网络模型LSTM-RNN权值更新方法采用梯度下降法误差反向传播算法。
8.如权利要求1所述的方法，其特征在于，所述超参数优化步骤还包括：
使用k折交叉验证法在验证集合上优化超参数，k值设置为5。
9.一种基于多LSTM模型融合的降水量预测装置，其特征在于，所述装置包括：
历史数据处理模块，用于获取目标区域内日粒度的历史气象数据，使用历史同期及未来同期气象数据平均值补全所述历史气象数据中缺失，并将所述历史气象数据中的历史降水量按照预设间隔切分为多个数据集；
预测模型建立模块，用于分别建立所述多个数据集的LSTM模型及所述历史气象数据中除历史降水量外其它数据的其它因素预测模型，并将所述LSTM模型融合后与所述其它因素预测模型合并，生成降水量预测模型；
模型特性设置模块，用于对所述降水量预测模型的训练过程特性设置以完成模型训练；
超参数优化模块，用于通过k折交叉验证法在验证集合上优化所述降水量预测模型的超参数；
预测值生成模块，用于将训练后的多LSTM融合的降水量预测模型作为对未来时刻降水量预报模型，输入新的采样时刻，得到对应降水量预报值。
10.一种电子设备，其特征在于，包括
处理器；以及
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法。
CN201910263859.4A 2019-04-03 2019-04-03 一种基于多lstm模型融合的降水量预测方法以及装置 Pending CN109991685A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910263859.4A CN109991685A (zh) 2019-04-03 2019-04-03 一种基于多lstm模型融合的降水量预测方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910263859.4A CN109991685A (zh) 2019-04-03 2019-04-03 一种基于多lstm模型融合的降水量预测方法以及装置

Publications (1)

Publication Number Publication Date
CN109991685A true CN109991685A (zh) 2019-07-09

Family

ID=67132209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910263859.4A Pending CN109991685A (zh) 2019-04-03 2019-04-03 一种基于多lstm模型融合的降水量预测方法以及装置

Country Status (1)

Country Link
CN (1) CN109991685A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427663A (zh) * 2019-07-17 2019-11-08 武汉大学 基于时间序列网络的面降水-水位模拟方法
CN110555378A (zh) * 2019-07-29 2019-12-10 咪咕文化科技有限公司 基于直播视频的天气预测方法、系统及天气预测装置
CN110599789A (zh) * 2019-09-17 2019-12-20 北京心中有数科技有限公司 一种道路气象预测方法、装置、电子设备及存储介质
CN111105093A (zh) * 2019-12-23 2020-05-05 浙江师范大学 基于CNN和BiLSTM的临近降水预测方法
CN111126704A (zh) * 2019-12-25 2020-05-08 河海大学常州校区 基于多图卷积和记忆网络的多区域降水量预测模型构建方法
CN111199283A (zh) * 2020-02-24 2020-05-26 张早 一种基于卷积循环神经网络的气温预测系统及方法
CN111614520A (zh) * 2020-05-25 2020-09-01 杭州东方通信软件技术有限公司 一种基于机器学习算法的idc流量数据预测方法及装置
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
CN112613658A (zh) * 2020-12-22 2021-04-06 中国环境科学研究院 逐日降雨量预测方法、装置、电子设备及存储介质
CN112668773A (zh) * 2020-12-24 2021-04-16 北京百度网讯科技有限公司 一种入库流量的预测方法、装置及电子设备
CN113011637A (zh) * 2021-02-25 2021-06-22 上海眼控科技股份有限公司 空气质量的预测方法、装置、设备及存储介质
CN114072835A (zh) * 2020-03-11 2022-02-18 格步计程车控股私人有限公司 费用预测方法及费用预测数据系统
CN114091362A (zh) * 2022-01-24 2022-02-25 江西飞尚科技有限公司 一种水位预测方法、系统、存储介质及设备
CN114140903A (zh) * 2021-08-02 2022-03-04 南斗六星系统集成有限公司 一种基于决策树生成规则的道路类型识别车载装置
CN114386332A (zh) * 2022-01-17 2022-04-22 长春师范大学 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质
CN116703004A (zh) * 2023-07-19 2023-09-05 共享数据(福建)科技有限公司 一种基于预训练模型的水系流域智慧巡护方法和装置
CN117454778A (zh) * 2023-12-26 2024-01-26 海纳云物联科技有限公司 蓄水量数据处理方法、设备及存储介质
CN117910658A (zh) * 2024-03-15 2024-04-19 北京和利时系统工程有限公司 一种降水量预测方法、模型的训练与修正方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563122A (zh) * 2017-09-20 2018-01-09 长沙学院 基于交织时间序列局部连接循环神经网络的犯罪预测方法
CN107622329A (zh) * 2017-09-22 2018-01-23 深圳市景程信息科技有限公司 基于多时间尺度长短时记忆神经网络的电力负荷预测方法
CN107818380A (zh) * 2017-09-29 2018-03-20 深圳和而泰智能控制股份有限公司 信息处理方法及服务器
CN107992957A (zh) * 2016-10-25 2018-05-04 航天信息股份有限公司 一种基于税务数据进行经营预测的方法及装置
US10002322B1 (en) * 2017-04-06 2018-06-19 The Boston Consulting Group, Inc. Systems and methods for predicting transactions
CN108288109A (zh) * 2018-01-11 2018-07-17 安徽优思天成智能科技有限公司 基于lstm深度时空残差网络的机动车尾气浓度预测方法
CN108648829A (zh) * 2018-04-11 2018-10-12 平安科技（深圳）有限公司 疾病预测方法及装置、计算机装置及可读存储介质
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN109214592A (zh) * 2018-10-17 2019-01-15 北京工商大学 一种多模型融合的深度学习的空气质量预测方法
CN109376913A (zh) * 2018-09-30 2019-02-22 北京市天元网络技术股份有限公司 降水量的预测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992957A (zh) * 2016-10-25 2018-05-04 航天信息股份有限公司 一种基于税务数据进行经营预测的方法及装置
US10002322B1 (en) * 2017-04-06 2018-06-19 The Boston Consulting Group, Inc. Systems and methods for predicting transactions
CN107563122A (zh) * 2017-09-20 2018-01-09 长沙学院 基于交织时间序列局部连接循环神经网络的犯罪预测方法
CN107622329A (zh) * 2017-09-22 2018-01-23 深圳市景程信息科技有限公司 基于多时间尺度长短时记忆神经网络的电力负荷预测方法
CN107818380A (zh) * 2017-09-29 2018-03-20 深圳和而泰智能控制股份有限公司 信息处理方法及服务器
CN108288109A (zh) * 2018-01-11 2018-07-17 安徽优思天成智能科技有限公司 基于lstm深度时空残差网络的机动车尾气浓度预测方法
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN108648829A (zh) * 2018-04-11 2018-10-12 平安科技（深圳）有限公司 疾病预测方法及装置、计算机装置及可读存储介质
CN109376913A (zh) * 2018-09-30 2019-02-22 北京市天元网络技术股份有限公司 降水量的预测方法及装置
CN109214592A (zh) * 2018-10-17 2019-01-15 北京工商大学 一种多模型融合的深度学习的空气质量预测方法

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427663A (zh) * 2019-07-17 2019-11-08 武汉大学 基于时间序列网络的面降水-水位模拟方法
CN110555378A (zh) * 2019-07-29 2019-12-10 咪咕文化科技有限公司 基于直播视频的天气预测方法、系统及天气预测装置
CN110555378B (zh) * 2019-07-29 2023-01-17 咪咕文化科技有限公司 基于直播视频的天气预测方法、系统及天气预测装置
CN110599789B (zh) * 2019-09-17 2021-04-27 北京心中有数科技有限公司 一种道路气象预测方法、装置、电子设备及存储介质
CN110599789A (zh) * 2019-09-17 2019-12-20 北京心中有数科技有限公司 一种道路气象预测方法、装置、电子设备及存储介质
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
CN111105093A (zh) * 2019-12-23 2020-05-05 浙江师范大学 基于CNN和BiLSTM的临近降水预测方法
CN111105093B (zh) * 2019-12-23 2023-04-18 浙江师范大学 基于CNN和BiLSTM的临近降水预测方法
CN111126704A (zh) * 2019-12-25 2020-05-08 河海大学常州校区 基于多图卷积和记忆网络的多区域降水量预测模型构建方法
CN111199283A (zh) * 2020-02-24 2020-05-26 张早 一种基于卷积循环神经网络的气温预测系统及方法
CN114072835A (zh) * 2020-03-11 2022-02-18 格步计程车控股私人有限公司 费用预测方法及费用预测数据系统
CN114072835B (zh) * 2020-03-11 2024-03-08 格步计程车控股私人有限公司 费用预测方法及费用预测数据系统
CN111614520A (zh) * 2020-05-25 2020-09-01 杭州东方通信软件技术有限公司 一种基于机器学习算法的idc流量数据预测方法及装置
CN112613658A (zh) * 2020-12-22 2021-04-06 中国环境科学研究院 逐日降雨量预测方法、装置、电子设备及存储介质
CN112668773A (zh) * 2020-12-24 2021-04-16 北京百度网讯科技有限公司 一种入库流量的预测方法、装置及电子设备
CN113011637A (zh) * 2021-02-25 2021-06-22 上海眼控科技股份有限公司 空气质量的预测方法、装置、设备及存储介质
CN114140903B (zh) * 2021-08-02 2024-03-19 南斗六星系统集成有限公司 一种基于决策树生成规则的道路类型识别车载装置
CN114140903A (zh) * 2021-08-02 2022-03-04 南斗六星系统集成有限公司 一种基于决策树生成规则的道路类型识别车载装置
CN114386332A (zh) * 2022-01-17 2022-04-22 长春师范大学 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质
CN114386332B (zh) * 2022-01-17 2023-08-01 长春师范大学 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质
CN114091362B (zh) * 2022-01-24 2022-06-10 江西飞尚科技有限公司 一种水位预测方法、系统、存储介质及设备
CN114091362A (zh) * 2022-01-24 2022-02-25 江西飞尚科技有限公司 一种水位预测方法、系统、存储介质及设备
CN116703004A (zh) * 2023-07-19 2023-09-05 共享数据(福建)科技有限公司 一种基于预训练模型的水系流域智慧巡护方法和装置
CN116703004B (zh) * 2023-07-19 2023-09-29 共享数据(福建)科技有限公司 一种基于预训练模型的水系流域智慧巡护方法和装置
CN117454778A (zh) * 2023-12-26 2024-01-26 海纳云物联科技有限公司 蓄水量数据处理方法、设备及存储介质
CN117454778B (zh) * 2023-12-26 2024-05-07 海纳云物联科技有限公司 蓄水量数据处理方法、设备及存储介质
CN117910658A (zh) * 2024-03-15 2024-04-19 北京和利时系统工程有限公司 一种降水量预测方法、模型的训练与修正方法及装置

Similar Documents

Publication Publication Date Title
CN109991685A (zh) 一种基于多lstm模型融合的降水量预测方法以及装置
Luo et al. NeuLFT: A novel approach to nonlinear canonical polyadic decomposition on high-dimensional incomplete tensors
Xu et al. Composite quantile regression neural network with applications
Xiao et al. Prediction of wind turbine blade icing fault based on selective deep ensemble model
Ma et al. A hybrid attention-based deep learning approach for wind power prediction
Yin et al. A data-driven fuzzy information granulation approach for freight volume forecasting
CN110321603A (zh) 一种用于航空发动机气路故障诊断的深度计算模型
CN109376913A (zh) 降水量的预测方法及装置
Du et al. Exploration of financial market credit scoring and risk management and prediction using deep learning and bionic algorithm
Yang et al. Interval-valued data prediction via regularized artificial neural network
Tan et al. Multi-node load forecasting based on multi-task learning with modal feature extraction
Calvette et al. Forecasting smart well production via deep learning and data driven optimization
Bebarta et al. Comparative study of stock market forecasting using different functional link artificial neural networks
Maddu et al. Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
Li et al. [Retracted] Forecast of the Employment Situation of College Graduates Based on the LSTM Neural Network
Lin et al. Attention-based Gate Recurrent Unit for remaining useful life prediction in prognostics
Sun et al. Landslide evolution state prediction and down-level control based on multi-task learning
Bamdale et al. How to tackle climate change using Artificial Intelligence
CN112232557B (zh) 基于长短期记忆网络的转辙机健康度短期预测方法
Dai et al. Multimodal deep learning water level forecasting model for multiscale drought alert in Feiyun River basin
CN113011657A (zh) 进行台风水位预测的方法、装置、电子设备及存储介质
Hou Research on Artificial Intelligence Forecasting Method Integrating Data Mining and Statistical Analysis
Wang et al. Prediction method of college students’ psychological pressure based on deep neural network
Chen et al. LPR‐MLP: A Novel Health Prediction Model for Transmission Lines in Grid Sensor Networks

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190709