CN110826810B - 一种空间推理与机器学习相结合的区域降雨预测方法 - Google Patents

一种空间推理与机器学习相结合的区域降雨预测方法 Download PDF

Info

Publication number
CN110826810B
CN110826810B CN201911104132.8A CN201911104132A CN110826810B CN 110826810 B CN110826810 B CN 110826810B CN 201911104132 A CN201911104132 A CN 201911104132A CN 110826810 B CN110826810 B CN 110826810B
Authority
CN
China
Prior art keywords
observation data
network
convolution
matrix
layer
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.)
Active
Application number
CN201911104132.8A
Other languages
English (en)
Other versions
CN110826810A (zh
Inventor
李健
刘孔宇
于合龙
熊琦
胡雅婷
汪威
王国伟
温长吉
常晶
周晶
任虹宾
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.)
Jilin Agricultural University
Original Assignee
Jilin Agricultural University
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 Jilin Agricultural University filed Critical Jilin Agricultural University
Priority to CN202210976472.5A priority Critical patent/CN115438841A/zh
Priority to CN201911104132.8A priority patent/CN110826810B/zh
Publication of CN110826810A publication Critical patent/CN110826810A/zh
Application granted granted Critical
Publication of CN110826810B publication Critical patent/CN110826810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

一种空间推理与机器学习相结合的区域降雨预测方法，使用空间推理的方法和理论，对待监测区域的空间位置和气候状态信息进行描述；然后借助机器学习中的深度神经网络模型对其进行分析和降雨预测，具体实现步骤依次为：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；提升了降雨预测的精度，降低了降雨预测模型的复杂度，保证了其运用的实时性。

Description

一种空间推理与机器学习相结合的区域降雨预测方法
技术领域
本发明涉空间推理和机器学习，具体涉及一种基于空间推理和机器学习的区域降雨预测方法。
背景技术
随着当今社会的发展，气象变化对人们的社会生活生产的影响不容忽视，人们对于气象预测的实时性和精确度的要求也越来越高，尤其是降雨预测。但是，天气系统的形成和变化与地理环境、大气运动互相影响，所以天气预报决策较困难、水平较低，现有的降雨预测模型方程非常复杂。
发明内容
本发明目的在于提供一种基于空间推理和机器学习的区域降雨预测方法，用于对局部区域降雨的快速和精确监测。
为实现上述目的，本发明提供了一种空间推理与机器学习相结合的区域降雨预测方法，使用空间推理的方法和理论，对待监测区域的空间位置和气候状态信息进行描述；然后借助机器学习中的深度神经网络模型对其进行分析和降雨预测，具体实现步骤依次为：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；
所述观测数据采集，利用分布于固定位置的n个无线电探空仪检测大气的状态，作为观测数据；所述观测数据包括温度值，湿度，是否降雨，以及风速和风向；
所述观测数据预处理，包括对空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理，得到预处理特征值；
所述特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；
所述预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；
所述空间关系因子特征网络输入为基于空间信息的空间推理，(n+2)2交集矩阵，描述n+2个简单区域的空间位置关系，即为空间关系矩阵；
所述空间关系因子特征网络由3个结构相同的卷积模块1级联而成；
所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；
所述三个卷积层的卷积核大小分别为1×1,3×3,5×5，填充分别为0,1,2，步进为1；
第一个卷积模块1中卷积层输出通道数设置为4；
第二个卷积模块1中卷积层输出通道数设置为16；
第三个卷积模块1中卷积层输出通道数设置为32；
所述空间关系因子特征网络输出为空间关系因子特征：通道数为32，宽高均为n+2；
所述风因子特征网络输入为风速矩阵和风向矩阵，由一个concat层和三个结构相同的卷积模块2级联而成；
所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；
所述concat层输入为风速矩阵和方向矩阵；采用第二维度拼接；
所述风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；
所述风因子特征网络输出为风因子特征，通道数为32，宽高均为n+2；
所述温度因子特征网络输入温度向量；由2个反池化层和2个结构相同的卷积模块3交替级联组成；
所述温度向量由每个无线电探空仪的观测数据中的温度值依次排列；为n维行向量；
所述2个反池化层分别完成输入特征在列方向和行方向上均扩展到n+2维；
所述卷积模块3由一个卷积层和一个BN层级联而成；
所述卷积层参数为，输出通道数依次为8和32；卷积核大小为3×3，填充为1，步进为1；
所述温度因子特征网络输出为温度因子特征，通道数为32，宽高均为n+2；
所述湿度因子特征网络输入湿度向量；
所述湿度向量由每个无线电探空仪的观测数据中的湿度值依次排列；为n维行向量；
所述湿度因子特征网络结构与温度因子特征网络结构一致；
所述湿度因子特征网络输出为湿度因子特征，通道数为32，宽高均为n+2；
所述观测数据预处理特征融合，使用合并网络结构完成对预处理特征值的融合，输出观测数据描述符；
所述合并网络结构采用权重网络结构分别对输入特征的每一个通道学习一个权重值，然后使用Axpy层和Eltwise层进行加权合并，得到观测数据描述符；
所述权重网络结构为globalpooling层和全链接层以及sigmoid层级联形成；输出各通道的加权权重值；
所述观测数据描述符通道数为32，宽高均为n+2；
所述观测数据特征提取，为观测数据描述符经过多级级联的卷积网络，得到观测数据特征向量；
所述观测数据特征向量时序融合，将多次采集的观测数据生成观测数据特征向量，并依次输入到LSTM网络中，输出观测数据特征时序向量；
所述降雨预测，将观测数据特征时序向量送入判决器中，输出降雨预测结果矩阵和降雨预测概率矩阵；
所述判决器由一个卷积模块和两个全链接层组成；所述卷积模块包含一个卷积层和BN层；所述两个全链接层分别为卷积模块输出连接，分别输出降雨预测结果矩阵和降雨预测概率矩阵；
所述降雨预测结果矩阵和降雨预测概率矩阵维度宽高均为n+2，表征(n+2)2交集矩阵对应元素区域的降雨预测结果及概率值。
更优的，所述观测数据特征提取采用的多级级联的卷积网络为VGG16网络结构。
更优的，所述网络参数均为线下训练完成。
本发明具有如下有益效果：
本发明提供了一种基于空间推理和机器学习的区域降雨预测方法，借助空间推理的空间表示能力和机器学习的精准预测能力，完成对区域降雨的有效预测；在预测过程中引入空间信息、温度、湿度以及风速风向等环境因素，并通过加权融合，权值自适应方式，使得降雨预测模型精度提升且复杂度得到优化，提升了降雨预测实时性；更进一步的，引入LSTM网络，从较长时间序列上进行考量，使得模型对降雨预测精度有较大提升。
附图说明
图1、一种基于空间推理和机器学习的区域降雨预测方法流程图。
图2、空间关系因子特征网络连接示意图。
图3、风因子特征网络连接示意图。
图4、温度因子特征网络连接示意图。
图5、合并网络结构连接示意图。
图6、权重结构网络连接示意图。
具体实施方式
下面通过实施例对本发明进行具体的描述，有必要在此指出的是以下实施例只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限制，该领域的技术人员可以根据上述本发明内容对本发明作出一些非本质的改进和调整。
实施例1
一种基于空间推理和机器学习的区域降雨预测方法，使用空间推理的方法和理论，对待监测区域的空间位置和气候状态信息进行描述，然后借助机器学习中的深度神经网络模型对其进行分析和降雨预测；具体实施步骤如图1所示，包含如下6个步骤：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；
其中，步骤1：观测数据采集，利用分布于固定位置的n个无线电探空仪检测大气的状态，作为观测数据；所述观测数据包括温度值，湿度，是否降雨，以及风速和风向；
步骤2：观测数据预处理，包括对空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理，得到预处理特征值；
其中特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；
其结果预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；
上述空间关系因子特征网络输入为基于空间信息的空间推理，(n+2)2交集矩阵，描述n+2个简单区域的空间位置关系，即为空间关系矩阵；具体为从空间划分看，假定每个固定位置的无线电探空仪的有效范围为一个简单区域，监测区域和观测区域内的降雨区域也为简单区域；其空间信息即为空间简单区域的空间推理；
所述空间关系因子特征网络如图2所示，由3个结构相同的卷积模块1级联而成；
所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；
所述三个卷积层的卷积核大小分别为1×1,3×3,5×5，填充分别为0,1,2，步进为1；第一个卷积模块1中卷积层输出通道数设置为4；第二个卷积模块1中卷积层输出通道数设置为16；第三个卷积模块1中卷积层输出通道数设置为32；
所述空间关系因子特征网络输出为空间关系因子特征：通道数为32，宽高均为n+2；
风因子特征网络输入为风速矩阵和风向矩阵，如图3所示，由一个concat层和三个结构相同的卷积模块2级联而成；
所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；
所述concat层输入为风速矩阵和方向矩阵；采用第二维度拼接；
所述风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；
所述风因子特征网络输出为风因子特征，通道数为32，宽高均为n+2；
温度因子特征网络输入温度向量；如图4所示，由2个反池化层和2个结构相同的卷积模块3交替级联组成；
上述温度向量由每个无线电探空仪的观测数据中的温度值依次排列；为n维行向量；
上述2个反池化层分别完成输入特征在列方向和行方向上均扩展到n+2维；
其中卷积模块3由一个卷积层和一个BN层级联而成；
卷积层参数为，输出通道数依次为8和32；卷积核大小为3×3，填充为1，步进为1；
所述温度因子特征网络输出为温度因子特征，通道数为32，宽高均为n+2；
湿度因子特征网络输入湿度向量；
所述湿度向量由每个无线电探空仪的观测数据中的湿度值依次排列；为n维行向量；
所述湿度因子特征网络结构与温度因子特征网络结构一致；
所述湿度因子特征网络输出为湿度因子特征，通道数为32，宽高均为n+2；
步骤3：观测数据预处理特征融合，使用合并网络结构完成对预处理特征值的融合，输出观测数据描述符；其中合并网络结构如图5所示，采用权重网络结构分别对输入特征的每一个通道学习一个权重值，然后使用Axpy层和Eltwise层进行加权合并，得到观测数据描述符；
上述权重网络结构如图6所示，为globalpooling层和全链接层以及sigmoid层级联形成；输出各通道的加权权重值；
所述观测数据描述符通道数为32，宽高均为n+2；
步骤4：观测数据特征提取，为观测数据描述符经过多级级联的卷积网络，得到观测数据特征向量；
其中观测数据特征提取采用的多级级联的卷积网络为VGG16网络结构；
步骤5：观测数据特征向量时序融合，将多次采集的观测数据生成观测数据特征向量，并依次输入到LSTM网络中，输出观测数据特征时序向量；
步骤6：降雨预测，将观测数据特征时序向量送入判决器中，输出降雨预测结果矩阵和降雨预测概率矩阵；
上述判决器由一个卷积模块和两个全链接层组成；所述卷积模块包含一个卷积层和BN层；其中两个全链接层分别为卷积模块输出连接，分别输出降雨预测结果矩阵和降雨预测概率矩阵；
降雨预测结果矩阵和降雨预测概率矩阵维度宽高均为n+2，表征(n+2)2交集矩阵对应元素区域的降雨预测结果及概率值。
一种基于空间推理和机器学习的区域降雨预测方法中所有的网络模型参数均为线下训练完成。
实施例2
一种基于空间推理和机器学习的区域降雨预测模型的训练方法，其包括准备训练数据集、预训练以及全网络训练；
获取长时间的n个无线电探空仪检测大气的状态的观测数据历史值，并记录其对应的降雨状态；
对于每次的观测数据，按照实施例1中方法，生成空间关系矩阵、风速矩阵和风向矩阵、温度向量以及湿度向量，并依据各个简单区域的降雨状态，按照交集矩阵表示方法，生成其标签降雨矩阵，维度为宽高均为n+2；
上述空间关系矩阵、风速矩阵和风向矩阵、温度向量以及湿度向量以及标签降雨矩阵为一组训练数据；
其观测数据历史值具有时间序列属性，即训练数据同样具有时间序列属性；
由观测数据的历史值生成训练数据集合；
在预训练阶段，将实施例1中的降雨模型祛除LSTM网络和判决器，在步骤4观测数据特征提取之后接入卷积网络和全链接层，输出特征为通道数为1，宽高均为n+2；并使用softmaxloss函数，按照多标签属性计算loss；
其具体为，使用训练数据进行前向计算并和标签降雨矩阵计算loss；使用得到的loss反向回传更新网络参数；在训练集上不断迭代更新网络参数；直至loss小于给定值或迭代次数大于给定值；
在全网络训练阶段，按照实施例1中过程搭建网络，使用预训练结果作为网络初始化值，
其中预训练网络结构部分为已学习网络结构，新加入LSTM网络和判决器为未学习网络结构；
其学习率设定为已学习网络结构为为学习网络结构的0.1倍；
按照网络训练过程在训练集上进行迭代更新网络参数；至迭代结束，选取性能最佳，得到降雨预测模型。

Claims (3)

1.一种基于空间推理和机器学习的区域降雨预测方法，其特征在于：具体步骤依次为：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；
所述观测数据采集，利用分布于固定位置的n个无线电探空仪检测大气的状态，作为观测数据；所述观测数据包括温度值，湿度，是否降雨，以及风速和风向；
所述观测数据预处理，包括对空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理，得到预处理特征值；
所述特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；
所述预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；
所述空间关系因子特征网络输入为基于空间信息的空间推理，(n+2)2交集矩阵，描述n+2个简单区域的空间位置关系，即为空间关系矩阵；
所述空间关系因子特征网络由3个结构相同的卷积模块1级联而成；其中，第一个卷积模块1中卷积层输出通道数设置为4，第二个卷积模块1中卷积层输出通道数设置为16，第三个卷积模块1中卷积层输出通道数设置为32；
所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；
所述三个卷积层的卷积核大小分别为1×1,3×3,5×5，填充分别为0,1,2，步进为1；
所述空间关系因子特征网络输出为空间关系因子特征：通道数为32，宽高均为n+2；
所述风因子特征网络输入为风速矩阵和风向矩阵，由一个concat层和三个结构相同的卷积模块2级联而成；
所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；
所述concat层输入为风速矩阵和方向矩阵；采用第二维度拼接；
所述风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；
所述风因子特征网络输出为风因子特征，通道数为32，宽高均为n+2；
所述温度因子特征网络输入温度向量；由2个反池化层和2个结构相同的卷积模块3交替级联组成；
所述温度向量由每个无线电探空仪的观测数据中的温度值依次排列；为n维行向量；
所述2个反池化层分别完成输入特征在列方向和行方向上均扩展到n+2维；
所述卷积模块3由一个卷积层和一个BN层级联而成；
所述卷积层参数为，输出通道数依次为8和32；卷积核大小为3×3，填充为1，步进为1；
所述温度因子特征网络输出为温度因子特征，通道数为32，宽高均为n+2；
所述湿度因子特征网络输入湿度向量；
所述湿度向量由每个无线电探空仪的观测数据中的湿度值依次排列；为n维行向量；
所述湿度因子特征网络结构与温度因子特征网络结构一致；
所述湿度因子特征网络输出为湿度因子特征，通道数为32，宽高均为n+2；
所述观测数据预处理特征融合，使用合并网络结构完成对预处理特征值的融合，输出观测数据描述符；
所述合并网络结构采用权重网络结构分别对输入特征的每一个通道学习一个权重值，然后使用Axpy层和Eltwise层进行加权合并，得到观测数据描述符；
所述权重网络结构为globalpooling层和全链接层以及sigmoid层级联形成；输出各通道的加权权重值；
所述观测数据描述符通道数为32，宽高均为n+2；
所述观测数据特征提取，为观测数据描述符经过多级级联的卷积网络，得到观测数据特征向量；
所述观测数据特征向量时序融合，将多次采集的观测数据生成观测数据特征向量，并依次输入到LSTM网络中，输出观测数据特征时序向量；
所述降雨预测，将观测数据特征时序向量送入判决器中，输出降雨预测结果矩阵和降雨预测概率矩阵；
所述判决器由一个卷积模块和两个全链接层组成；所述卷积模块包含一个卷积层和BN层；所述两个全链接层分别为卷积模块输出连接，分别输出降雨预测结果矩阵和降雨预测概率矩阵；
所述降雨预测结果矩阵和降雨预测概率矩阵维度宽高均为n+2，表征(n+2)2交集矩阵对应元素区域的降雨预测结果及概率值。
2.如权利要求1所述一种基于空间推理和机器学习的区域降雨预测方法，其特征在于：所述观测数据特征提取采用的多级级联的卷积网络为VGG16网络结构。
3.如权利要求2所述一种基于空间推理和机器学习的区域降雨预测方法，其特征在于：所述网络参数均为线下训练完成。
CN201911104132.8A 2019-11-13 2019-11-13 一种空间推理与机器学习相结合的区域降雨预测方法 Active CN110826810B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210976472.5A CN115438841A (zh) 2019-11-13 2019-11-13 基于人工智能精准预测降雨模型的训练方法及预测方法
CN201911104132.8A CN110826810B (zh) 2019-11-13 2019-11-13 一种空间推理与机器学习相结合的区域降雨预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911104132.8A CN110826810B (zh) 2019-11-13 2019-11-13 一种空间推理与机器学习相结合的区域降雨预测方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210976472.5A Division CN115438841A (zh) 2019-11-13 2019-11-13 基于人工智能精准预测降雨模型的训练方法及预测方法

Publications (2)

Publication Number Publication Date
CN110826810A CN110826810A (zh) 2020-02-21
CN110826810B true CN110826810B (zh) 2022-07-15

Family

ID=69554492

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210976472.5A Pending CN115438841A (zh) 2019-11-13 2019-11-13 基于人工智能精准预测降雨模型的训练方法及预测方法
CN201911104132.8A Active CN110826810B (zh) 2019-11-13 2019-11-13 一种空间推理与机器学习相结合的区域降雨预测方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202210976472.5A Pending CN115438841A (zh) 2019-11-13 2019-11-13 基于人工智能精准预测降雨模型的训练方法及预测方法

Country Status (1)

Country Link
CN (2) CN115438841A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011106B (zh) * 2021-04-15 2021-12-03 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN114429076A (zh) * 2021-12-01 2022-05-03 南京师范大学 一种基于Bayes网络的气候演化模拟方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3452777B2 (ja) * 1997-11-12 2003-09-29 株式会社東芝 降雨予測装置
CN106405682A (zh) * 2016-08-29 2017-02-15 深圳先进技术研究院 一种降雨预测方法及装置
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
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
CN109447378A (zh) * 2018-12-26 2019-03-08 广东海洋大学 一种青藏高原降水预测方法
CN109508476A (zh) * 2018-10-17 2019-03-22 四川佳联众合企业管理咨询有限公司 基于深度网络学习的山火预测建模方法
CN109946762A (zh) * 2019-03-06 2019-06-28 重庆邮电大学移通学院 一种基于概率分布短时预报降水的方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3452777B2 (ja) * 1997-11-12 2003-09-29 株式会社東芝 降雨予測装置
CN106405682A (zh) * 2016-08-29 2017-02-15 深圳先进技术研究院 一种降雨预测方法及装置
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
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
CN109508476A (zh) * 2018-10-17 2019-03-22 四川佳联众合企业管理咨询有限公司 基于深度网络学习的山火预测建模方法
CN109447378A (zh) * 2018-12-26 2019-03-08 广东海洋大学 一种青藏高原降水预测方法
CN109946762A (zh) * 2019-03-06 2019-06-28 重庆邮电大学移通学院 一种基于概率分布短时预报降水的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于LSTM深度神经网络的精细化气温预报初探;倪铮 等;《计算机应用与软件》;20181112;第35卷(第11期);233-236+271 *
基于神经网络和模型集成的短时降雨预测方法;郭尚瓒 等;《气象科技进展》;20170215;第7卷(第1期);107-113 *

Also Published As

Publication number Publication date
CN110826810A (zh) 2020-02-21
CN115438841A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
Zhang et al. Temperature forecasting via convolutional recurrent neural networks based on time-series data
CN110826810B (zh) 一种空间推理与机器学习相结合的区域降雨预测方法
CN115393540A (zh) 基于深度学习的三维海洋环境场的智能融合方法及系统
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
CN111967675A (zh) 光伏发电量的预测方法以及预测装置
Li et al. Deep spatio-temporal wind power forecasting
CN116310850B (zh) 基于改进型RetinaNet的遥感图像目标检测方法
CN110782071A (zh) 基于时空特性融合的卷积神经网络进行风电功率预测方法
CN112308973A (zh) 基于机器学习的三维海洋要素场智能构建方法及系统
CN112232591A (zh) 基于气象因素的覆冰厚度智能预警方法
CN115267945A (zh) 一种基于图神经网络的雷电预警方法与系统
CN114881286A (zh) 一种基于深度学习的短时降水预测方法
Lyu et al. Dynamic feature selection for solar irradiance forecasting based on deep reinforcement learning
CN117233869B (zh) 一种基于GRU-BiTCN的站点短期风速预测方法
CN112200103A (zh) 一种基于图注意力的视频分析系统和方法
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN115115819A (zh) 面向装配顺序监测的图像多视角语义变化检测网络及方法
CN115797557A (zh) 基于图注意力网络的自监督3d场景流估计方法
Bosma et al. Estimating solar and wind power production using computer vision deep learning techniques on weather maps
Socaci et al. XNow: A deep learning technique for nowcasting based on radar products’ values prediction
KR20230066927A (ko) 발전량 예측 방법 및 장치
CN113962432A (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统
CN113537240A (zh) 一种基于雷达序列图像的形变区智能提取方法及系统
Gawali et al. Fault prediction model in wind turbines using deep learning structure with enhanced optimisation algorithm

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