CN110728411A - 一种基于卷积神经网络的高低空区域联合降雨预测方法 - Google Patents
一种基于卷积神经网络的高低空区域联合降雨预测方法 Download PDFInfo
- Publication number
- CN110728411A CN110728411A CN201910992079.3A CN201910992079A CN110728411A CN 110728411 A CN110728411 A CN 110728411A CN 201910992079 A CN201910992079 A CN 201910992079A CN 110728411 A CN110728411 A CN 110728411A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- data
- matrix
- altitude
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 41
- 230000009467 reduction Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 24
- 238000011161 development Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于卷积神经网络的高低空区域联合降雨预测方法，运用相关系数法确定预测因子后，利用加权K‑means方法将所有站点以距离和风向作为权重进行分类，将与目标站点气象相关的周围站点找出，以便于协助目标站点预测降雨，再对于目标站点和周围站点的高空数据计算切变因子，将筛选出的地面因子和高空切变值结合并降维，最后输入TCN网络中建立降雨量预测模型，对目标地区未来12小时的降雨量进行预测，预测过程中充分考虑降雨的时序影响和周边地区的气象关联度。本发明方法克服了单站点、单层空间预测降雨不精确的特点，降雨预测更加准确，及时性也更强。
Description
技术领域
本发明涉及降雨预测技术，尤其是一种基于卷积神经网络的高低空区域联合 降雨预测方法。
背景技术
随着社会、经济的发展，如何提高防灾减灾能力进行实时的检测评估，提供 准确、及时、可靠的信息，使防灾减灾有充分的科学依据，是国民经济建设和社 会保障的需要。短期气候预测可以指导防灾减灾，近些年来其在经济建设和社会 发展中的重要性渐趋突出。在气候变化最为复杂的季风区，由于季风多尺度变率 显著、年际差异大、极端天气、气候事件频发，开展有针对性的短期气候预测工 作显得尤为重要。但是，鉴于季风气候的影响因素众多，形成原因复杂，预测结 果的不确定性很大，在一定程度上导致了短期气候预测工作的极端艰巨性。
现有的降雨量预测方法多种多样，常用的方法有常规趋势法、时间序列法、 回归分析法、马尔可夫模型以及神经网络模型。近年来，用神经网络进行降雨量 预测呈现百花齐放的状态。文献[刘乐，王洪国，王宝伟.基于PCA和改进BP网 络的降雨预报模型研究[J].计算机工程与应用，2008,44(12)：234-237.]中利用改进 的BP神经网络预测城市降雨量，并且分析了不同气象因子对于降雨的影响程度， 但是这种预测方法是按天进行预报，既而结果并不那么精确和及时。文献[计亚 丽，贾克力，李畅游，等.LS-SVM和RBF神经网络模型在降雨预测中的应用[J].雨 科学与工程技术，2012，(2)：1-4.]中利用支持向量机和径向基神经网络对月降雨时 间序列进行混合性判断，能够对月降雨量进行简单的估计，然而该模型误差较大， 对于降雨较多的地区预测精度还不能达到满意的程度。
发明内容
发明目的：针对现有技术中存在的问题与不足，为了准确有效的预测降雨总 量，本发明提供一种卷积神经网络的高低空区域联合降雨预测方法，它克服了单 站点、单层空间预测降雨不精确的特点，筛选出与降雨量影响密切的相关因子， 借助与目标站点气象相关联的周围站点数据进行辅助预测，并充分考虑降雨的时 序影响，使得降雨预测更加准确，及时性也更强。
技术方案：为实现上述发明目的，本发明所述的一种基于卷积神经网络的高 低空区域联合降雨预测方法，包括如下步骤：
(1)收集气象相关的地面数据和高空站点观测数据并对收集的数据进行预 处理；
(2)根据地面数据的气象因子与降雨量实测值的相关关系确定影响降雨的 气象预测因子；
(3)将距离和风向作为权重衡量周围站点对于目标站点的影响，利用加权 K-means方法找出与目标站点气象相关的周围站点进行辅助预测；
(4)计算站点的高空切变值；
(5)将高空切变因子和筛选的地面气象预测因子结合并降维；
(6)将降维后的矩阵输入时间卷积网络TCN，利用TCN网络预测目标站 点的降雨值。
所述步骤(1)是获取数据集和相应的标签信息，所述步骤(1)进一步为：
(11)从气象局获取数据集和相应的标签信息，其中地面数据包括风向、风 速、海平面气压、3小时变压、6小时降雨、露点、温度、24小时变温、24小时 变压、低云量、低云高和能见度，高空站点观测数据包括风向和风速；
(12)将数据集分为训练集和测试集；
(13)初步处理数据，将数据中存在缺失的，含有异常值的和有地面但不含 高空数据的站点及相关数据去除。
所述步骤(2)中对影响降雨因素较大的因子进行选择和确定，所述步骤(2) 进一步为：
(21)地面数据选取风向、风速、海平面气压、3小时变压、6小时降雨、 露点、温度、24小时变温、24小时变压、低云量、低云高、能见度作为影响降 雨量的候选预测因子；
(22)分别计算出各候选地面因子与降雨量的实测值的相关系数；
(23)将相关系数降序排列，选取若干相关系数较大的地面因子作为影响降 雨量的预测因子。
气象具有时空的连续性，周围站点的气象状态与目标站点的气象密切相关， 找到周围站点对目标站点进行辅助预测能够提高降雨预测的精度，所述步骤(3) 进一步为：
(31)从高空数据中选择k个站点作为初始聚类中心Centerk；
(32)同时将距离和风向作为权重衡量周围站点对于目标站点的影响，使用 加权欧氏距离计算聚类对象间的相似度，两点之间的计算公式为
式中，w是关于风向的权重，公式为w＝|z1-z2|，z1和z2分别表示归一化后的站点1的风向和站点2的风向，x1和y1分别为站点1的 经度和纬度，x2和y2分别为站点2的经度和纬度；
(33)再次计算每个类簇中心，通过获取分配给该类簇的所有数据点的位置 的平均值来更新每个类簇中心，更新方式为
Ck是第k个 类簇，x是类簇中的样本点，|Ck|是第k个类簇中数据对象的个数；
(34)通过手肘法的核心指标误差平方和SSE确定k值，相关系数的计算 公式为
式中Ci是第i个簇，x是Ci中的样本点，mi是 类簇中心Centerk的质心(Ci中所有样本的位置的均值)；取肘部对应的k值作为 k-means的类簇个数；
(35)通过手肘法确定聚类个数k后，重复步骤(31)-(34)对站点进行 聚类；
(36)在划分好的k个类簇中找到有目标站点的类簇，类簇中的其他站点视 为与目标站点气象相关的周围站点。
所述步骤(4)中计算目标站点的高空切变值，具体计算公式为
步骤(5)将高空切变值作为因子和步骤(2)中筛选出的地面因子结合并进 行降维处理，所述步骤5进一步为：
(51)将高空切变因子以及筛选出的地面预测因子和相关数据组成m行n 列矩阵X＝{x1，x2，x3，...，xm}，行代表数据标签，列代表站点编号；
(52)将矩阵X进行归一化处理，根据公式将矩阵中的数据 转化成[0，1]范围，其中Xmin和Xmax分别是矩阵每行的最小值和最大值；
(53)计算矩阵X对应的协方差矩阵
m为行数；
(54)求出矩阵C的特征向量并将特征向量按对应特征值大小从上到下按 行排列成矩阵，取前d行组成矩阵P；
(55)矩阵Y＝PX即为降到d维后的数据，d的选择根据公式
式中error表示压缩后的误差，
为映射值，m为矩阵的 行数，确定一个阈值q，并选择一个d，使得error＜q，否则改变d值直到满足 不等式。
将高空切变值和地面因子结合的矩阵Y输入到网络中预测降雨结果，所述 步骤(6)进一步为：
(61)确定TCN神经网络的拓扑结构，TCN网络设计为3层网络结构，包 括输入层、隐含层和输出层；输入层输入从目标站点的高空切变因子和地面因子 结合并进行降维后的矩阵Y，隐含层同时用因果卷积和扩张卷积作为标准卷积层， 并将每两个这样的卷积层与恒等映射封装为一个残差模块；再由残差模块堆叠起 深度网络，在最后几层使用全卷积层代替全连接层；输出层输出目标站点未来 12小时的降雨数值；
(62)是对网络进行参数的调节，通过调节网络参数，学习率，dropout和 权重初始化，对网络进行训练，直到到达最大迭代次数或网络学习率收敛；
(63)TCN模型训练集上训练好后，将测试集的数据输入到模型中，输出 预测的降雨值。
有益效果：本发明提供的一种卷积神经网络的高低空区域联合降雨预测方法， 与现有技术相比，本发明的优点在于：考虑了高空和地面多种气象因子对降雨产 生的影响，并将与目标站点相关的区域站点结合进行降雨预报，克服了单个站点、 单层空间预报降雨精度不准确的特点，对因子数据进行非线性降维处理，筛选出 与降雨总量最大相关因子；通过TCN卷积神经网络进行训练和预测降雨，考虑 了时间序列的因素，提高了模型的预测精度，增强了及时性。
附图说明
图1为本发明实施例的整体步骤图；
图2为本发明具体示例的方法流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本 发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发 明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，一种卷积神经网络的高低空区域联合降雨预测方法，主要包括 6个步骤：
步骤1：收集气象相关的地面数据和高空站点观测数据并对收集的数据进行 预处理；
步骤2：根据地面数据的气象因子与降雨量实测值的相关关系确定影响降雨 的气象预测因子；
步骤3：将距离和风向作为权重衡量周围站点对于目标站点的影响，利用加 权K-means方法找出与目标站点气象相关的周围站点进行辅助预测；
步骤4：计算站点的高空切变值；
步骤5：将高空切变因子和筛选的地面气象预测因子结合并降维；
步骤6：将降维后的矩阵输入时间卷积网络TCN，利用TCN网络预测目标 站点的降雨值。
如图2所示，卷积神经网络的高低空区域联合降雨预测方法，具体步骤如下：
步骤1：获取数据集和相应的标签信息，并对数据进行预处理。数据预处理 主要是为了筛选与降雨密切相关的参数，减少无关或错误的参数影响降雨预测的 准确性，具体步骤如下：
步骤11：从气象局获取数据集和相应的标签信息，其中地面数据包括风向、 风速、海平面气压、3小时变压、6小时降雨、露点、温度、24小时变温、24 小时变压、低云量、低云高和能见度等，高空站点观测数据包括风向、风速、海 拔高度、站点级别、温度和露点差等；
步骤12：将数据集分为训练集和测试集；
步骤13：初步处理数据，将数据中存在缺失的，含有异常值的和有地面但 不含高空数据的站点及相关数据去除。
步骤2：选择和确定影响降雨的气象因子，这一步主要是为了在筛选出与降 雨关系最大的多个气象因子的同时又能最大程度减少整个模型的计算量。具体步 骤如下：
步骤21：地面数据选取风向、风速、海平面气压、3小时变压、6小时降雨、 露点、温度、24小时变温、24小时变压、低云量、低云高、能见度作为影响降 雨量的候选预测因子；
步骤22：分别计算出各候选地面因子与降雨量的实测值的相关系数；相关 系数的计算公式为：
式中Xi为第i个样本的预测因子 值的大小，
为预测因子的均值，Yi为第i个样本的实测值大小，
为实测值均值， M为样本总数量；
步骤23：将相关系数降序排列，选取若干相关系数较大的地面因子作为影 响降雨量的预测因子。
步骤3：由于气象具有空间连续性的特点，周围站点的气象状态和目标站点 的气象状态息息相关，利用加权K-means方法找出与目标站点气象相关的周围 站点可以对目标站点的状态进行辅助预测，以达到更精确的效果。具体步骤如下：
步骤31：从高空数据中选择k个站点作为初始聚类中心Centerk；
步骤32：同时将距离和风向作为权重衡量周围站点对于目标站点的影响， 使用加权欧氏距离计算聚类对象间的相似度，两点之间的计算公式为
式中，w是关于风向的权重，公式为 w＝|z1-z2|，z1和z2分别表示归一化后的站点1的风向和站点2的风向，x1和y1分别为站点1的经度和纬度，x2和y2分别为站点2的经度和纬度；
步骤33：再次计算每个类簇中心，通过获取分配给该类簇的所有数据点的 位置的平均值来更新每个类簇中心，更新方式为
Ck是第k 个类簇，x是类簇中的样本点，|Ck|是第k个类簇中数据对象的个数；
步骤34：通过手肘法的核心指标误差平方和SSE确定k值，相关系数的计 算公式为
式中Ci是第i个簇，x是Ci中的样本点，mi是 类簇中心Centerk的质心(Ci中所有样本的位置的均值)，随着聚类数k的增大， 误差平方和SSE会逐渐变小。当k小于真实聚类数时，由于k的增大会大幅增 加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时， 再增加k所得到的聚合程度会迅速变小，所以SSE的下降幅度会骤减，然后随 着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状， 而这个肘部对应的k值就是数据的真实聚类数。取肘部对应的k值作为k-means 的类簇个数；
步骤35：通过手肘法确定聚类个数k后，重复步骤(31)-(34)对站点进 行聚类；
步骤36：在划分好的k个类簇中找到有目标站点的类簇，类簇中的其他站 点视为与目标站点气象相关的周围站点。
步骤4：对于目标站点和周围站点的高空数据计算切变因子，具体
计算高空切变值的公式为式中，s为 高空切变值，u200和u850分别表示200hPa和850hPa等压面下的纬向风速；v200和 v850分别表示200hPa和850hPa等压面下的经向风速。
步骤5：将高空切变因子和筛选的地面因子结合并降维。高空和地面因子的 结合能完整地将影响降雨的因子覆盖，再通过降维方法将整个模型的计算量大大 减少，具体步骤如下：
步骤51：将高空切变因子以及筛选出的地面预测因子和相关数据组成m行 n列矩阵X＝{x1，x2，x3，...，xm}，行代表数据标签，列代表站点编号；
步骤52：将矩阵X进行归一化处理，根据公式将矩阵中的数 据转化成[0，1]范围，其中Xmin和Xmax分别是矩阵每行的最小值和最大值；
步骤53：计算矩阵X对应的协方差矩阵
m为行数；
步骤54：求出矩阵C的特征向量并将特征向量按对应特征值大小从上到下 按行排列成矩阵，取前d行组成矩阵P；
步骤55：矩阵Y＝PX即为降到d维后的数据，d的选择根据公式
式中error表示压缩后的误差，
为映射值，m 为矩阵的行数，确定一个阈值q，并选择一个d，使得error＜q，否则改变d值 直到满足不等式。
步骤6：将步骤5中降维后的矩阵输入TCN网络中进行训练，模型稳定后 在测试集上进行降雨预测，具体步骤如下：
步骤61：确定TCN神经网络的拓扑结构，TCN网络设计为3层网络结构， 包括输入层、隐含层和输出层；输入层输入从目标站点的高空切变因子和地面因 子结合并进行降维后的矩阵Y，隐含层同时用因果卷积和扩张卷积作为标准卷积 层，并将每两个这样的卷积层与恒等映射封装为一个残差模块；再由残差模块堆 叠起深度网络，在最后几层使用全卷积层代替全连接层；输出层输出目标站点未 来12小时的降雨数值；
步骤62：是对网络进行参数的调节，通过调节网络参数，学习率，dropout 和权重初始化，对网络进行训练，直到到达最大迭代次数或网络学习率收敛；
步骤63：TCN模型在训练集上训练好后，将测试集的数据输入到模型中， 输出预测的降雨值。
Claims (7)
1.一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，包括如下步骤：
(1)收集气象相关的地面数据和高空站点观测数据并对收集的数据进行预处理；
(2)根据地面数据的气象因子与降雨量实测值的相关关系确定影响降雨的气象预测因子；
(3)将距离和风向作为权重衡量周围站点对于目标站点的影响，利用加权K-means方法找出与目标站点气象相关的周围站点进行辅助预测；
(4)计算站点的高空切变值；
(5)将高空切变因子和筛选的地面气象预测因子结合并降维；
(6)将降维后的矩阵输入时间卷积网络TCN，利用TCN网络预测目标站点的降雨值。
2.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(1)包括：
(11)从气象局获取数据集和相应的标签信息，其中地面数据包括风向、风速、海平面气压、3小时变压、6小时降雨、露点、温度、24小时变温、24小时变压、低云量、低云高和能见度，高空站点观测数据包括风向和风速；
(12)将数据集分为训练集和测试集；
(13)初步处理数据，将数据中存在缺失的，含有异常值的和有地面但不含高空数据的站点及相关数据去除。
3.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(2)包括：
(21)地面数据选取风向、风速、海平面气压、3小时变压、6小时降雨、露点、温度、24小时变温、24小时变压、低云量、低云高、能见度作为影响降雨量的候选预测因子；
(22)分别计算出各候选地面因子与降雨量的实测值的相关系数；
(23)将相关系数降序排列，选取若干相关系数较大的地面因子作为影响降雨量的预测因子。
4.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(3)包括：
(31)从高空数据中选择k个站点作为初始聚类中心Centerk；
(32)同时将距离和风向作为权重衡量周围站点对于目标站点的影响，使用加权欧氏距离计算聚类对象间的相似度，两点之间的计算公式为 
式中，w是关于风向的权重，公式为w＝|z1-z2|，z1和z2分别表示归一化后的站点1的风向和站点2的风向，x1和y1分别为站点1的经度和纬度，x2和y2分别为站点2的经度和纬度；
(33)再次计算每个类簇中心，通过获取分配给该类簇的所有数据点的位置的平均值来更新每个类簇中心，更新方式为
Ck是第k个类簇，x是类簇中的样本点，|Ck|是第k个类簇中数据对象的个数；
(34)通过手肘法的核心指标误差平方和SSE确定k值，相关系数的计算公式为
式中Ci是第i个簇，x是Ci中的样本点，mi是类簇中心Centerk的质心；取肘部对应的k值作为k-means的类簇个数；
(35)通过手肘法确定聚类个数k后，重复步骤(31)-(34)对站点进行聚类；
(36)在划分好的k个类簇中找到有目标站点的类簇，类簇中的其他站点视为与目标站点气象相关的周围站点。
5.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(4)中高空切变值的计算公式为式中，s为高空切变值，u200和u850分别表示200hPa和850hPa等压面下的纬向风速；v200和v850分别表示200hPa和850hPa等压面下的经向风速。
6.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(5)包括：
(51)将高空切变因子以及筛选出的地面预测因子和相关数据组成m行n列矩阵X＝{x1，x2，x3，…，xm}，行代表数据标签，列代表站点编号；
(52)将矩阵X进行归一化处理，根据公式
将矩阵中的数据转化成[0,1]范围，其中Xmin和Xmax分别是矩阵每行的最小值和最大值；
(53)计算矩阵X对应的协方差矩阵
m为行数；
(54)求出矩阵C的特征向量并将特征向量按对应特征值大小从上到下按行排列成矩阵，取前d行组成矩阵P；
(55)矩阵Y＝PX即为降到d维后的数据，d的选择根据公式
式中error表示压缩后的误差，
为映射值，m为矩阵的行数，确定一个阈值q，并选择一个d，使得error<q，否则改变d值直到满足不等式。
7.根据权利要求1所述的一种基于卷积神经网络的高低空区域联合降雨预测方法，其特征在于，所述步骤(6)包括：
(61)确定TCN神经网络的拓扑结构，TCN网络设计为3层网络结构，包括输入层、隐含层和输出层；输入层输入从目标站点的高空切变因子和地面因子结合并进行降维后的矩阵Y，隐含层同时用因果卷积和扩张卷积作为标准卷积层，并将每两个这样的卷积层与恒等映射封装为一个残差模块；再由残差模块堆叠起深度网络，在最后几层使用全卷积层代替全连接层；输出层输出目标站点未来12小时的降雨数值；
(62)是对网络进行参数的调节，通过调节网络参数，学习率，dropout和权重初始化，对网络进行训练，直到到达最大迭代次数或网络学习率收敛；
(63)TCN模型在训练集上训练好后，将测试集的数据输入到模型中，输出预测的降雨值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910992079.3A CN110728411B (zh) | 2019-10-18 | 2019-10-18 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910992079.3A CN110728411B (zh) | 2019-10-18 | 2019-10-18 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110728411A true CN110728411A (zh) | 2020-01-24 |
| CN110728411B CN110728411B (zh) | 2022-04-12 |
Family
ID=69220319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910992079.3A Active CN110728411B (zh) | 2019-10-18 | 2019-10-18 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110728411B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111443163A (zh) * | 2020-03-10 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
| CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
| CN111815037A (zh) * | 2020-06-24 | 2020-10-23 | 河海大学 | 一种基于注意力机制的可解释性短临极端降雨预测方法 |
| CN111882128A (zh) * | 2020-07-28 | 2020-11-03 | 中原工学院 | 基于tcn的汛期气候趋势预测方法 |
| CN111932519A (zh) * | 2020-08-12 | 2020-11-13 | 上海眼控科技股份有限公司 | 天气预测方法、装置、计算机设备和存储介质 |
| CN111967679A (zh) * | 2020-08-20 | 2020-11-20 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
| CN112418500A (zh) * | 2020-11-16 | 2021-02-26 | 中科星图股份有限公司 | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 |
| CN113837352A (zh) * | 2021-08-06 | 2021-12-24 | 中国地质大学（武汉） | 基于长短期记忆神经网络的降雨-径流时空关系模拟方法 |
| CN113923594A (zh) * | 2021-10-12 | 2022-01-11 | 中国人民解放军国防科技大学 | 一种基于时分长期演进网络的晴雨区分方法 |
| CN114139590A (zh) * | 2021-05-27 | 2022-03-04 | 中国海洋大学 | 用于估算海洋温度的方法 |
| CN114966902A (zh) * | 2022-05-16 | 2022-08-30 | 哈尔滨工业大学 | 一种基于神经网络的降雨量自动估测方法及系统 |
| CN115983485A (zh) * | 2023-01-09 | 2023-04-18 | 广东工业大学 | 一种发电厂碳排放的预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897497A (zh) * | 2017-01-23 | 2017-06-27 | 扬州大学 | 基于滑动灰色模型和加权马尔可夫链的降雨量预测方法 |
| 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 |
| KR20180060287A (ko) * | 2016-11-28 | 2018-06-07 | 한국외국어대학교 연구산학협력단 | 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 |
| CN109375292A (zh) * | 2018-08-30 | 2019-02-22 | 昆明理工大学 | 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法 |
-
2019
- 2019-10-18 CN CN201910992079.3A patent/CN110728411B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180060287A (ko) * | 2016-11-28 | 2018-06-07 | 한국외국어대학교 연구산학협력단 | 기상수치모델 예측변수를 이용한 집중호우 사전 예측 방법 및 시스템 |
| CN106897497A (zh) * | 2017-01-23 | 2017-06-27 | 扬州大学 | 基于滑动灰色模型和加权马尔可夫链的降雨量预测方法 |
| 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 |
| CN109375292A (zh) * | 2018-08-30 | 2019-02-22 | 昆明理工大学 | 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| KRATZERT ET AL.: "Rainfall–runoff modelling using Long Short-Term Memory (LSTM) networks", 《HYDROLOGY AND EARTH SYSTEM SCIENCES》 * |
| 刘洋 等: "基于多隐层神经网络的GNSS PWV和气象数据的降雨预测研究", 《测绘通报》 * |
| 张鹏程 等: "一种基于多层感知器的动态区域联合短时降水预报方法", 《计算机应用与软件》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111443163A (zh) * | 2020-03-10 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种臭氧缺失数据的插补方法、装置及插补设备 |
| CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
| CN111815037B (zh) * | 2020-06-24 | 2022-08-26 | 河海大学 | 一种基于注意力机制的可解释性短临极端降雨预测方法 |
| CN111815037A (zh) * | 2020-06-24 | 2020-10-23 | 河海大学 | 一种基于注意力机制的可解释性短临极端降雨预测方法 |
| CN111882128A (zh) * | 2020-07-28 | 2020-11-03 | 中原工学院 | 基于tcn的汛期气候趋势预测方法 |
| CN111882128B (zh) * | 2020-07-28 | 2021-09-28 | 中原工学院 | 基于tcn的汛期气候趋势预测方法 |
| CN111932519A (zh) * | 2020-08-12 | 2020-11-13 | 上海眼控科技股份有限公司 | 天气预测方法、装置、计算机设备和存储介质 |
| CN111967679A (zh) * | 2020-08-20 | 2020-11-20 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
| CN111967679B (zh) * | 2020-08-20 | 2023-12-08 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
| CN112418500A (zh) * | 2020-11-16 | 2021-02-26 | 中科星图股份有限公司 | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 |
| CN114139590A (zh) * | 2021-05-27 | 2022-03-04 | 中国海洋大学 | 用于估算海洋温度的方法 |
| CN113837352A (zh) * | 2021-08-06 | 2021-12-24 | 中国地质大学（武汉） | 基于长短期记忆神经网络的降雨-径流时空关系模拟方法 |
| CN113837352B (zh) * | 2021-08-06 | 2023-07-14 | 中国地质大学（武汉） | 基于长短期记忆神经网络的降雨-径流时空关系模拟方法 |
| CN113923594B (zh) * | 2021-10-12 | 2023-10-03 | 中国人民解放军国防科技大学 | 一种基于时分长期演进网络的晴雨区分方法 |
| CN113923594A (zh) * | 2021-10-12 | 2022-01-11 | 中国人民解放军国防科技大学 | 一种基于时分长期演进网络的晴雨区分方法 |
| CN114966902A (zh) * | 2022-05-16 | 2022-08-30 | 哈尔滨工业大学 | 一种基于神经网络的降雨量自动估测方法及系统 |
| CN115983485A (zh) * | 2023-01-09 | 2023-04-18 | 广东工业大学 | 一种发电厂碳排放的预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110728411B (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728411B (zh) | 一种基于卷积神经网络的高低空区域联合降雨预测方法 | |
| Roy et al. | Tropical cyclone track forecasting techniques―A review | |
| CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
| Körner et al. | Introducing Gradient Boosting as a universal gap filling tool for meteorological time series | |
| CN111665575A (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| KR101538306B1 (ko) | 유사태풍분석 예측 시스템 및 이를 이용한 유사태풍분석 예측 방법 | |
| CN112966722A (zh) | 基于半监督随机森林模型的区域滑坡易发性预测方法 | |
| CN109146063B (zh) | 一种基于重要点分割的多分段短期负荷预测方法 | |
| CN112215393B (zh) | 基于自适应时空尺度选择的降水数值预报后处理订正方法 | |
| CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
| CN111797917A (zh) | 一种根据气象因素选取短期相似日的方法 | |
| CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
| CN110196456A (zh) | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 | |
| Pegion et al. | Understanding predictability of daily southeast US precipitation using explainable machine learning | |
| CN114169502A (zh) | 一种基于神经网络的降水预测方法、装置和计算机设备 | |
| CN114066070A (zh) | 基于人工智能和数值计算的天气预报方法 | |
| CN117235632A (zh) | 一种大型蒸发传感器水位异常数据检测方法 | |
| CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
| CN114706900B (zh) | 一种基于图像特征组合的降水相似预报方法 | |
| CN112799156B (zh) | 气象一体化突发事件预警发布方法及装置 | |
| Jia et al. | Improving the Forecast Performance of the DSAEF_LTP Model by Incorporating TC Translation Speed Similarity |
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 |