CN110991690A - 一种基于深度卷积神经网络的多时次风速预测方法 - Google Patents

Abstract

本发明公开了一种基于深度卷积神经网络的多时次风速预测方法，特点是首先构建模型输入特征图，再基于深度卷积神经网络建立预测模型，最后根据建立的预测模型进行风速的多时次提前预测；优点是使用滑动窗口的方式从历史实测数据和数值天气预报模型的预测数据中构造了二维的特征图，这种形式的输入数据保留了原始数据的时序信息并可以参与卷积运算，构建的预测模型不仅利用了一维卷积神经网络提取相邻时域内各个气象变量之间的浅层局部特征，而且还利用了二维卷积神经网络由浅入深地挖掘浅层局部特征中潜在的深层抽象特征信息，为回归预测层提供了有效的深度特征数据，提高了模型的整体预测性能。

Description

一种基于深度卷积神经网络的多时次风速预测方法

技术领域

本发明涉及多时次的风速预测方法，尤其是一种基于深度卷积神经网络的多时次风速预测方法。

背景技术

强风灾害是一种由气候变化引起的极端天气灾害，它不仅带来了严重的经济损失，而且深深地制约了社会的健康发展，是我国沿海地区的主要自然灾害之一。近年来，国内外许多学者已对风速预测进行了大量的研究，提出的众多风速预测方法可分为以下三类：1)物理方法，主要包括基于数值天气预报和空间相关法的预测方法，此类方法需要利用低层的大气物理信息和地形等详细信息，建立基于流体动力学模型，它通常应用于中短期风速预测任务，主要缺点在于计算的复杂度较高，需要在超级计算机上连续运算数小时；2)统计学方法，例如回归分析法、卡尔曼滤波法和自回归滑动平均法等，这些方法的基本思想是从历史的风速时间序列中挖掘出与所预测的风速序列之间的关联，其缺点是对数据的质量要求较高，而且其预测精度会随着预测步长的增加而下降；3)人工智能方法，如基于支持向量回归的风速预测方法和基于极限学习机方法，这些基于传统神经网络设计的模型更倾向于学习浅层的抽象特征，预测的准确性已经无法满足实际需求，且时效性较差。

发明内容

本发明所要解决的技术问题是提供一种基于深度卷积神经网络的多时次风速预测方法，将深度学习中的卷积神经网络模型应用于风速的多时次预测中，提高风速预测精度和时效性。

本发明解决上述技术问题所采用的技术方案为：一种基于深度卷积神经网络的多时次风速预测方法，包括以下步骤：

①构建模型输入的特征图，具体过程如下：

①-1从气象自动观测站中采集特定时间段内每个时刻的实测气象历史数据，将特定时间段的总时长记为n小时，n为整数且n＞8，并从数值天气预报模式系统中获取该特定时间段内每个时刻的历史预测数据，将n个时刻中第i时刻下实测气象历史数据中的实测输入变量的集合记为F_i，F_i＝{f_i ¹,f_i ²,f_i ³,f_i ⁴,f_i ⁵,f_i ⁶,f_i ⁷,f_i ⁸}，其中，1≤i≤n且i为整数，f_i ¹表示n个时刻中第i时刻下实测气象历史数据中的风速，f_i ²表示n个时刻中第i时刻下实测气象历史数据中的风向，f_i ³表示n个时刻中第i时刻下实测气象历史数据中的温度，f_i ⁴表示n个时刻中第i时刻下实测气象历史数据中的相对湿度，f_i ⁵表示n个时刻中第i时刻下实测气象历史数据中的露点温度，f_i ⁶表示n个时刻中第i时刻下实测气象历史数据中的风冷却指数，f_i ⁷表示n个时刻中第i时刻下实测气象历史数据中的降水量，f_i ⁸表示n个时刻中第i时刻下实测气象历史数据中的大气压强，将n个时刻中第i时刻下数值天气预报模式系统中的历史预测输入变量的集合记为

其中，

表示n个时刻中第i时刻下数值天气预报模式系统中的风速，

表示n个时刻中第i时刻下数值天气预报模式系统中的风向，

表示n个时刻中第i时刻下数值天气预报模式系统中的温度，

表示n个时刻中第i时刻下数值天气预报模式系统中的相对湿度，

表示n个时刻中第i时刻下数值天气预报模式系统中的露点温度，

表示n个时刻中第i时刻下数值天气预报模式系统中的风冷却指数，

表示n个时刻中第i时刻下数值天气预报模式系统中的降水量，

表示n个时刻中第i时刻下数值天气预报模式系统中的大气压强；

①-2对实测输入变量进行数据清洗得到清洗后的实测输入变量，然后对清洗后的实测输入变量和历史预测输入变量进行归一化操作得到归一化后的实测输入变量和归一化后的历史预测输入变量；

①-3定义在同一时刻的归一化后的实测输入变量组成一个实测时间序列单元，定义在同一时刻的归一化后的历史预测输入变量组成一个历史预测时间序列单元，将实测时间序列单元组成的序列记为S₁，S₁＝{G₁,…,G_i,…,G_n}，其中，G_i表示第i时刻下的实测时间序列单元，将历史预测时间序列单元组成的序列记为S₂，

表示第i时刻下的历史预测时间序列单元；

①-4使用滑动窗口的方式分别同时截取S₁和S₂，将截取S₁的窗口定义为第一窗口，第一窗口的长度设置为7，将截取S₂的窗口定义为第二窗口，第二窗口的长度设置为1，第一窗口从n个时刻中第1个时刻开始滑动，第二窗口从n个时刻中第8个时刻开始滑动，第一窗口和第二窗口的移动步长均为1，将每个时刻第一窗口和第二窗口同时截取的两种数据拼接成一张与该时刻对应的特征图一共得到n-8张特征图，将n-8张特征图组成特征图集M，M＝{M₁,…,M_j,…,M_n-8}，1≤j≤n-8，其中，

每张特征图的样本标签为实测气象历史数据中与该特征图中第二窗口所对应的时刻下的风速，将每张特征图的样本标签的集合记为M_L，

表示第1张特征图的样本标签，

表示第j张特征图的样本标签，

表示第n-8张特征图的样本标签；

②利用深度卷积神经网络建立风速预测模型，具体步骤如下：

②-1使用一维卷积神经网络构造深度卷积神经网络的第一层，使用0和1之间的随机数来初始化一维卷积神经网络的网络参数得到初始的偏置项b₁和初始的8×3维的滤波器矩阵w，w对应的滤波器的移动步长为1，w对应的滤波器的个数为32，并将特征图及与特征图对应的样本标签输入深度卷积神经网络的第一层，深度卷积神经网络的第一层对输入的特征图进行特征提取后输出对应的特征映射，其中，将一维卷积神经网络对输入的第j张特征图M_j进行特征提取后输出的特征映射记为

其中，σ为sigmoid激活函数，·表示矩阵数乘，最终输出与M_j对应的32个通道的大小为1×8特征映射，将第一层输出的与每张特征图对应的32个通道的大小为1×8特征映射拼接成对应的一张大小为32×8的新特征映射；

使用二维卷积神经网络构造深度卷积神经网络的第二层，使用0和1之间的随机数来初始化二维卷积神经网络的网络参数得到初始的偏置项和初始的3×3维的滤波器矩阵，二维卷积神经网络具有两个二维卷积层，其滤波器大小均为3×3，其中第一个卷积层使用了32个滤波器，第一个卷积层后设置有第一池化层作为输出的采样层，第二个卷积层使用了64个滤波器，第二个卷积层后设置有第二池化层作为输出的采样层，将与每张特征图对应的大小为32×8的新特征映射输入至二维卷积神经网络，第一池化层对第一个卷积层输出的特征映射进行竖直方向的特征压缩，特征压缩中目标的接受域大小为2×1，选取接受域中的最大值进行池化采样后将输出值输入第二个卷积层，第二池化层对第二个卷积层输出的特征映射进行竖直方向的特征压缩，特征压缩中目标的接受域大小为2×1，选取接受域中的最大值进行池化采样后输出对应的特征映射；

最后，使用具有三层结构的全连接网络构造深度卷积神经网络的第三层，将深度卷积神经网络的第二层输出的与每张特征图对应的64个通道的大小为8×8的特征映射输入至具有三层结构的全连接网络中，使用0和1之间的随机数来初始化全连接网络中的网络参数，全连接网络中的网络参数包括第一层的连接权值U¹和偏置项

第二层的连接权值U²和偏置项

以及第三层的连接权值U³和偏置项

全连接网络中的第一层对

的处理过程如下：

全连接网络中的第二层对

的处理过程如下：

全连接网络中的第三层对

的处理过程如下：

其中，

为全连接层中的第一层的输出值，

为全连接层中第二层的输出值，

为M_j对应的未来1小时的风速预测数值；

②-2根据保相似性原则定义预测模型的损失函数，获取步骤②-1得到的每张特征图对应的未来1小时的风速预测数值和对应的样本标签之间的差值，并将该差值进行反向传播，设定最大迭代次数，利用随机梯度下降算法进行迭代优化，直至损失函数的数值收敛或者迭代次数大于设定的最大迭代次数时，停止迭代过程并完成深度卷积神经网络的训练，得到训练完成的风速预测模型；

③使用实测气象历史数据和数值天气预报模式系统中未来8小时的预测数据构造其中每个整点时刻的当前预测时间点输入样本，将每个当前预测时间点输入样本依次输入训练完成的风速预测模型，输出的结果依次为未来8个时次的风速预测值，完成对未来8个时次的风速预测。

所述的步骤②-1中二维卷积层的处理过程为：

为二维卷积层输出的特征映射，

为输入至二维卷积层的特征映射，·表示矩阵数乘，b′为二维卷积神经网络的偏置项，w′为二维卷积神经网络的3×3维的滤波器矩阵，σ为sigmoid激活函数。

所述的步骤②-2中利用随机梯度下降算法进行迭代的具体过程如下：

定义损失函数如下：

其中，

g(·)表示的是全连接层，U表示全连接层中的连接权值，U＝{U¹,U²,U³}，b_f表示的全连接层中的偏置项，

f(·)表示的是一维卷积神经网络和二维卷积神经网络的特征转换函数，W和b表示的是一维卷积神经网络和二维卷积神经网络中的连接权值和偏置项，W＝{w,w′}，b＝{b₁,b′}，λ₁和λ₂为设置的权重衰减系数，

为2-范数符号；定义

则网络参数更新过程可表示为：

和

符号“←”表示更新符号，η表示学习率，

为计算偏导的符号，

所述的步骤②-2中λ₁＝0.001，λ₂＝0.001。

所述的步骤②-2中设定的最大迭代次数为500次。

所述的步骤③的具体过程如下：

③-1从气象自动观测站中采集当前整点预测时刻前7个时刻内每个整点时刻的实测气象历史数据，从实测气象历史数据中选取每个时刻的风速、风向、温度、相对湿度、露点温度、风冷却指数、降水量和大气压强作为当前实测输入变量，从数值天气预报模式系统中获取未来8小时内每个时刻的预测数据，从预测数据中选取每个时刻的风速、风向、温度、相对湿度、露点温度、风冷却指数、降水量和大气压强作为当前预测输入变量；

③-2根据当前实测输入变量和当前预测输入变量构造当前实测时间序列单元和当前预测时间序列单元，将当前实测时间序列单元和当前预测时间序列单元按照时间进程合并得到合并后的序列，然后使用长度为8的滑动窗口对合并后的序列进行特征图截取，窗口的移动步长为1，一共获得8张特征图；

③-3将8张特征图按照时间顺序依次输入至训练完成的风速预测模型中，输出的结果依次为未来8个时次的风速预测值，完成对未来8个时次的风速预测。

与现有技术相比，本发明的优点在于整个过程可分三大部分：第一部分为模型输入特征图的构建，第二部分为基于深度卷积神经网络的预测模型建立，第三部分为风速的多时次提前预测；其中，模型输入特征图的构建是为了提供深度卷积神经网络模型的训练样本集，将原始的一维数据构造成二维的特征图的形式，这种形式的输入数据能够保留原始数据中的时序信息，参与卷积运算；所构建的深度卷积神经网络的第一层用于对特征图的局部特征信息提取并将提取的特征映射输入至深度卷积神经网络的第二层，深度卷积神经网络的第二层通过二维卷积操作和最大池化采样对输入的特征映射进行深层特征提取和数据降维，得到深层的特征映射，再将得到深层的特征映射输入深度卷积神经网络第三层的回归预测层中进行预测；最后，结合历史真实数据和数值天气预报模式的预测数据，利用训练完毕的模型执行风速的多时次提前预测，可以预测未来连续8小时风速大小；其中，使用滑动窗口的方式从历史实测数据和数值天气预报模型的预测数据中构造了二维的特征图，这种形式的输入数据保留了原始数据的时序信息并可以参与卷积运算；接下来，通过卷积层、池化层和全连接层的使用，搭建了一种具有深度结构的预测模型，该模型不仅利用了一维卷积神经网络提取相邻时域内各个气象变量之间的浅层局部特征，而且还利用了二维卷积神经网络由浅入深地挖掘浅层局部特征中潜在的深层抽象特征信息，为回归预测层提供了有效的深度特征数据，提高了模型的整体预测性能，通过简单改变其中参数，即可预测未来连续其它时长的风速大小。

具体实施方式

以下对本发明作进一步详细描述。

一种基于深度卷积神经网络的多时次风速预测方法，包括以下步骤：

①构建模型输入的特征图，具体过程如下：

①-1从气象自动观测站中采集特定时间段内每个时刻的实测气象历史数据，将特定时间段的总时长记为n小时，n为整数且n＞8，并从数值天气预报模式系统中获取该特定时间段内每个时刻的历史预测数据，将n个时刻中第i时刻下实测气象历史数据中的实测输入变量的集合记为F_i，F_i＝{f_i ¹,f_i ²,f_i ³,f_i ⁴,f_i ⁵,f_i ⁶,f_i ⁷,f_i ⁸}，其中，1≤i≤n且i为整数，f_i ¹表示n个时刻中第i时刻下实测气象历史数据中的风速，f_i ²表示n个时刻中第i时刻下实测气象历史数据中的风向，f_i ³表示n个时刻中第i时刻下实测气象历史数据中的温度，f_i ⁴表示n个时刻中第i时刻下实测气象历史数据中的相对湿度，f_i ⁵表示n个时刻中第i时刻下实测气象历史数据中的露点温度，f_i ⁶表示n个时刻中第i时刻下实测气象历史数据中的风冷却指数，f_i ⁷表示n个时刻中第i时刻下实测气象历史数据中的降水量，f_i ⁸表示n个时刻中第i时刻下实测气象历史数据中的大气压强，将n个时刻中第i时刻下数值天气预报模式系统中的历史预测输入变量的集合记为

其中，

表示n个时刻中第i时刻下数值天气预报模式系统中的风速，

表示n个时刻中第i时刻下数值天气预报模式系统中的风向，

表示n个时刻中第i时刻下数值天气预报模式系统中的温度，

表示n个时刻中第i时刻下数值天气预报模式系统中的相对湿度，

表示n个时刻中第i时刻下数值天气预报模式系统中的露点温度，

表示n个时刻中第i时刻下数值天气预报模式系统中的风冷却指数，

表示n个时刻中第i时刻下数值天气预报模式系统中的降水量，

表示n个时刻中第i时刻下数值天气预报模式系统中的大气压强；

①-2对实测输入变量进行数据清洗得到清洗后的实测输入变量，然后对清洗后的实测输入变量和历史预测输入变量进行归一化操作得到归一化后的实测输入变量和归一化后的历史预测输入变量；

①-3定义在同一时刻的归一化后的实测输入变量组成一个实测时间序列单元，定义在同一时刻的归一化后的历史预测输入变量组成一个历史预测时间序列单元，将实测时间序列单元组成的序列记为S₁，S₁＝{G₁,…,G_i,…,G_n}，其中，G_i表示第i时刻下的实测时间序列单元，将历史预测时间序列单元组成的序列记为S₂，

表示第i时刻下的历史预测时间序列单元；

①-4使用滑动窗口的方式分别同时截取S₁和S₂，将截取S₁的窗口定义为第一窗口，第一窗口的长度设置为7，将截取S₂的窗口定义为第二窗口，第二窗口的长度设置为1，第一窗口从n个时刻中第1个时刻开始滑动，第二窗口从n个时刻中第8个时刻开始滑动，第一窗口和第二窗口的移动步长均为1，将每个时刻第一窗口和第二窗口同时截取的两种数据拼接成一张与该时刻对应的特征图一共得到n-8张特征图，将n-8张特征图组成特征图集M，M＝{M₁,…,M_j,…,M_n-8}，1≤j≤n-8，其中，

每张特征图的样本标签为实测气象历史数据中与该特征图中第二窗口所对应的时刻下的风速，将每张特征图的样本标签的集合记为M_L，

表示第1张特征图的样本标签，

表示第j张特征图的样本标签，

表示第n-8张特征图的样本标签。

②利用深度卷积神经网络建立风速预测模型，具体步骤如下：

②-1使用一维卷积神经网络构造深度卷积神经网络的第一层，使用0和1之间的随机数来初始化一维卷积神经网络的网络参数得到初始的偏置项b₁和初始的8×3维的滤波器矩阵w，w对应的滤波器的移动步长为1，w对应的滤波器的个数为32，并将特征图及与特征图对应的样本标签输入深度卷积神经网络的第一层，深度卷积神经网络的第一层对输入的特征图进行特征提取后输出对应的特征映射，其中，将一维卷积神经网络对输入的第j张特征图M_j进行特征提取后输出的特征映射记为

其中，σ为sigmoid激活函数，·表示矩阵数乘，最终输出与M_j对应的32个通道的大小为1×8特征映射，将第一层输出的与每张特征图对应的32个通道的大小为1×8特征映射拼接成对应的一张大小为32×8的新特征映射；

使用二维卷积神经网络构造深度卷积神经网络的第二层，使用0和1之间的随机数来初始化二维卷积神经网络的网络参数得到初始的偏置项和初始的3×3维的滤波器矩阵，二维卷积神经网络具有两个二维卷积层，其滤波器大小均为3×3，其中第一个卷积层使用了32个滤波器，第一个卷积层后设置有第一池化层作为输出的采样层，第二个卷积层使用了64个滤波器，第二个卷积层后设置有第二池化层作为输出的采样层，将与每张特征图对应的大小为32×8的新特征映射输入至二维卷积神经网络，第一池化层对第一个卷积层输出的特征映射进行竖直方向的特征压缩，特征压缩中目标的接受域大小为2×1，选取接受域中的最大值进行池化采样后将输出值输入第二个卷积层，第二池化层对第二个卷积层输出的特征映射进行竖直方向的特征压缩，特征压缩中目标的接受域大小为2×1，选取接受域中的最大值进行池化采样后输出对应的特征映射，其中，二维卷积层的处理过程为：

为二维卷积层输出的特征映射，

为输入至二维卷积层的特征映射，·表示矩阵数乘，b′为二维卷积神经网络的偏置项，w′为二维卷积神经网络的3×3维的滤波器矩阵，σ为sigmoid激活函数；

最后，使用具有三层结构的全连接网络构造深度卷积神经网络的第三层，将深度卷积神经网络的第二层输出的与每张特征图对应的64个通道的大小为8×8的特征映射输入至具有三层结构的全连接网络中，使用0和1之间的随机数来初始化全连接网络中的网络参数，全连接网络中的网络参数包括第一层的连接权值U¹和偏置项

第二层的连接权值U²和偏置项

以及第三层的连接权值U³和偏置项

全连接网络中的第一层对

的处理过程如下：

全连接网络中的第二层对

的处理过程如下：

全连接网络中的第三层对

的处理过程如下：

其中，

为全连接层中的第一层的输出值，

为全连接层中第二层的输出值，

为M_j对应的未来1小时的风速预测数值；

②-2根据保相似性原则定义预测模型的损失函数，获取步骤②-1得到的每张特征图对应的未来1小时的风速预测数值和对应的样本标签之间的差值，并将该差值进行反向传播，设定最大迭代次数，利用随机梯度下降算法进行迭代优化，直至损失函数的数值收敛或者迭代次数大于设定的最大迭代次数时，停止迭代过程并完成深度卷积神经网络的训练，得到训练完成的风速预测模型，其中，利用随机梯度下降算法进行迭代的具体过程如下：

定义损失函数如下：

其中，

g(·)表示的是全连接层，U表示全连接层中的连接权值，U＝{U¹,U²,U³}，b_f表示的全连接层中的偏置项，

f(·)表示的是一维卷积神经网络和二维卷积神经网络的特征转换函数，W和b表示的是一维卷积神经网络和二维卷积神经网络中的连接权值和偏置项，W＝{w,w′}，b＝{b₁,b′}，λ₁和λ₂为设置的权重衰减系数，

为2-范数符号；定义

则网络参数更新过程可表示为：

和

符号“←”表示更新符号，η表示学习率，

为计算偏导的符号，

λ₁＝0.001，λ₂＝0.001，设定的最大迭代次数可为500次。

③使用实测气象历史数据和数值天气预报模式系统中未来8小时的预测数据构造其中每个整点时刻的当前预测时间点输入样本，将每个当前预测时间点输入样本依次输入训练完成的风速预测模型，输出的结果依次为未来8个时次的风速预测值，完成对未来8个时次的风速预测，具体过程如下：

③-1从气象自动观测站中采集当前整点预测时刻前7个时刻内每个整点时刻的实测气象历史数据，从实测气象历史数据中选取每个时刻的风速、风向、温度、相对湿度、露点温度、风冷却指数、降水量和大气压强作为当前实测输入变量，从数值天气预报模式系统中获取未来8小时内每个时刻的预测数据，从预测数据中选取每个时刻的风速、风向、温度、相对湿度、露点温度、风冷却指数、降水量和大气压强作为当前预测输入变量；

③-2根据当前实测输入变量和当前预测输入变量构造当前实测时间序列单元和当前预测时间序列单元，将当前实测时间序列单元和当前预测时间序列单元按照时间进程合并得到合并后的序列，然后使用长度为8的滑动窗口对合并后的序列进行特征图截取，窗口的移动步长为1，一共获得8张特征图；

③-3将8张特征图按照时间顺序依次输入至训练完成的风速预测模型中，输出的结果依次为未来8个时次的风速预测值，完成对未来8个时次的风速预测。

Claims (6)

1.一种基于深度卷积神经网络的多时次风速预测方法，其特征在于包括以下步骤：

①构建模型输入的特征图，具体过程如下：

①-1从气象自动观测站中采集特定时间段内每个时刻的实测气象历史数据，将特定时间段的总时长记为n小时，n为整数且n＞8，并从数值天气预报模式系统中获取该特定时间段内每个时刻的历史预测数据，将n个时刻中第i时刻下实测气象历史数据中的实测输入变量的集合记为F_i，F_i＝{f_i ¹,f_i ²,f_i ³,f_i ⁴,f_i ⁵,f_i ⁶,f_i ⁷,f_i ⁸}，其中，1≤i≤n且i为整数，f_i ¹表示n个时刻中第i时刻下实测气象历史数据中的风速，f_i ²表示n个时刻中第i时刻下实测气象历史数据中的风向，f_i ³表示n个时刻中第i时刻下实测气象历史数据中的温度，f_i ⁴表示n个时刻中第i时刻下实测气象历史数据中的相对湿度，f_i ⁵表示n个时刻中第i时刻下实测气象历史数据中的露点温度，f_i ⁶表示n个时刻中第i时刻下实测气象历史数据中的风冷却指数，f_i ⁷表示n个时刻中第i时刻下实测气象历史数据中的降水量，f_i ⁸表示n个时刻中第i时刻下实测气象历史数据中的大气压强，将n个时刻中第i时刻下数值天气预报模式系统中的历史预测输入变量的集合记为

其中，

表示n个时刻中第i时刻下数值天气预报模式系统中的风速，

表示n个时刻中第i时刻下数值天气预报模式系统中的风向，

表示n个时刻中第i时刻下数值天气预报模式系统中的温度，

表示n个时刻中第i时刻下数值天气预报模式系统中的相对湿度，

表示n个时刻中第i时刻下数值天气预报模式系统中的露点温度，

表示n个时刻中第i时刻下数值天气预报模式系统中的风冷却指数，

表示n个时刻中第i时刻下数值天气预报模式系统中的降水量，

表示n个时刻中第i时刻下数值天气预报模式系统中的大气压强；

①-2对实测输入变量进行数据清洗得到清洗后的实测输入变量，然后对清洗后的实测输入变量和历史预测输入变量进行归一化操作得到归一化后的实测输入变量和归一化后的历史预测输入变量；

①-3定义在同一时刻的归一化后的实测输入变量组成一个实测时间序列单元，定义在同一时刻的归一化后的历史预测输入变量组成一个历史预测时间序列单元，将实测时间序列单元组成的序列记为S₁，S₁＝{G₁,…,G_i,…,G_n}，其中，G_i表示第i时刻下的实测时间序列单元，将历史预测时间序列单元组成的序列记为S₂，

表示第i时刻下的历史预测时间序列单元；

①-4：使用滑动窗口的方式分别同时截取S₁和S₂，将截取S₁的窗口定义为第一窗口，第一窗口的长度设置为7，将截取S₂的窗口定义为第二窗口，第二窗口的长度设置为1，第一窗口从n个时刻中第1个时刻开始滑动，第二窗口从n个时刻中第8个时刻开始滑动，第一窗口和第二窗口的移动步长均为1，将每个时刻第一窗口和第二窗口同时截取的两种数据拼接成一张与该时刻对应的特征图一共得到n-8张特征图，将n-8张特征图组成特征图集M，M＝{M₁,…,M_j,…,M_n-8}，1≤j≤n-8，其中，

每张特征图的样本标签为实测气象历史数据中与该特征图中第二窗口所对应的时刻下的风速，将每张特征图的样本标签的集合记为M_L，

f₈ ¹表示第1张特征图的样本标签，

表示第j张特征图的样本标签，

表示第n-8张特征图的样本标签；

②利用深度卷积神经网络建立风速预测模型，具体步骤如下：

②-1使用一维卷积神经网络构造深度卷积神经网络的第一层，使用0和1之间的随机数来初始化一维卷积神经网络的网络参数得到初始的偏置项b₁和初始的8×3维的滤波器矩阵w，w对应的滤波器的移动步长为1，w对应的滤波器的个数为32，并将特征图及与特征图对应的样本标签输入深度卷积神经网络的第一层，深度卷积神经网络的第一层对输入的特征图进行特征提取后输出对应的特征映射，其中，将一维卷积神经网络对输入的第j张特征图M_j进行特征提取后输出的特征映射记为

其中，σ为sigmoid激活函数，·表示矩阵数乘，最终输出与M_j对应的32个通道的大小为1×8特征映射，将第一层输出的与每张特征图对应的32个通道的大小为1×8特征映射拼接成对应的一张大小为32×8的新特征映射；

使用二维卷积神经网络构造深度卷积神经网络的第二层，使用0和1之间的随机数来初始化二维卷积神经网络的网络参数得到初始的偏置项和初始的3×3维的滤波器矩阵，二维卷积神经网络具有两个二维卷积层，其滤波器大小均为3×3，其中第一个卷积层使用了32个滤波器，第一个卷积层后设置有第一池化层作为输出的采样层，第二个卷积层使用了64个滤波器，第二个卷积层后设置有第二池化层作为输出的采样层，将与每张特征图对应的大小为32×8的新特征映射输入至二维卷积神经网络，第一池化层对第一个卷积层输出的特征映射进行竖直方向的特征压缩，特征压缩中目标的接受域大小为2×1，选取接受域中的最大值进行池化采样后将输出值输入第二个卷积层，第二池化层对第二个卷积层输出的特征映射进行竖直方向的特征压缩，特征压缩中目标的接受域大小为2×1，选取接受域中的最大值进行池化采样后输出对应的特征映射；

最后，使用具有三层结构的全连接网络构造深度卷积神经网络的第三层，将深度卷积神经网络的第二层输出的与每张特征图对应的64个通道的大小为8×8的特征映射输入至具有三层结构的全连接网络中，使用0和1之间的随机数来初始化全连接网络中的网络参数，全连接网络中的网络参数包括第一层的连接权值U¹和偏置项

第二层的连接权值U²和偏置项

以及第三层的连接权值U³和偏置项

全连接网络中的第一层对

的处理过程如下：

全连接网络中的第二层对

的处理过程如下：

全连接网络中的第三层对

的处理过程如下：

其中，

为全连接层中的第一层的输出值，

为全连接层中第二层的输出值，

为M_j对应的未来1小时的风速预测数值；

②-2根据保相似性原则定义预测模型的损失函数，获取步骤②-1得到的每张特征图对应的未来1小时的风速预测数值和对应的样本标签之间的差值，并将该差值进行反向传播，设定最大迭代次数，利用随机梯度下降算法进行迭代优化，直至损失函数的数值收敛或者迭代次数大于设定的最大迭代次数时，停止迭代过程并完成深度卷积神经网络的训练，得到训练完成的风速预测模型；

③使用实测气象历史数据和数值天气预报模式系统中未来8小时的预测数据构造其中每个整点时刻的当前预测时间点输入样本，将每个当前预测时间点输入样本依次输入训练完成的风速预测模型，输出的结果依次为未来8个时次的风速预测值，完成对未来8个时次的风速预测。

2.根据权利要求1所述的一种基于深度卷积神经网络的多时次风速预测方法，其特征在于所述的步骤②-1中二维卷积层的处理过程为：

为二维卷积层输出的特征映射，

为输入至二维卷积层的特征映射，·表示矩阵数乘，b′为二维卷积神经网络的偏置项，w′为二维卷积神经网络的3×3维的滤波器矩阵，σ为sigmoid激活函数。

3.根据权利要求2所述的一种基于深度卷积神经网络的多时次风速预测方法，其特征在于所述的步骤②-2中利用随机梯度下降算法进行迭代的具体过程如下：

定义损失函数如下：

其中，

g(·)表示的是全连接层，U表示全连接层中的连接权值，U＝{U¹,U²,U³}，b_f表示的全连接层中的偏置项，

f(·)表示的是一维卷积神经网络和二维卷积神经网络的特征转换函数，W和b表示的是一维卷积神经网络和二维卷积神经网络中的连接权值和偏置项，W＝{w,w′}，b＝{b₁,b′}，λ₁和λ₂为设置的权重衰减系数，

为2-范数符号；定义

则网络参数更新过程可表示为：

和

符号“←”表示更新符号，η表示学习率，

为计算偏导的符号，

4.根据权利要求3所述的一种基于深度卷积神经网络的多时次风速预测方法，其特征在于所述的步骤②-2中λ₁＝0.001，λ₂＝0.001。

5.根据权利要求1所述的一种基于深度卷积神经网络的多时次风速预测方法，其特征在于所述的步骤②-2中设定的最大迭代次数为500次。

6.根据权利要求1所述的一种基于深度卷积神经网络的多时次风速预测方法，其特征在于所述的步骤③的具体过程如下：

③-1从气象自动观测站中采集当前整点预测时刻前7个时刻内每个整点时刻的实测气象历史数据，从实测气象历史数据中选取每个时刻的风速、风向、温度、相对湿度、露点温度、风冷却指数、降水量和大气压强作为当前实测输入变量，从数值天气预报模式系统中获取未来8小时内每个时刻的预测数据，从预测数据中选取每个时刻的风速、风向、温度、相对湿度、露点温度、风冷却指数、降水量和大气压强作为当前预测输入变量；

③-2根据当前实测输入变量和当前预测输入变量构造当前实测时间序列单元和当前预测时间序列单元，将当前实测时间序列单元和当前预测时间序列单元按照时间进程合并得到合并后的序列，然后使用长度为8的滑动窗口对合并后的序列进行特征图截取，窗口的移动步长为1，一共获得8张特征图；

③-3将8张特征图按照时间顺序依次输入至训练完成的风速预测模型中，输出的结果依次为未来8个时次的风速预测值，完成对未来8个时次的风速预测。