CN111105093B - 基于CNN和BiLSTM的临近降水预测方法 - Google Patents
基于CNN和BiLSTM的临近降水预测方法 Download PDFInfo
- Publication number
- CN111105093B CN111105093B CN201911338408.9A CN201911338408A CN111105093B CN 111105093 B CN111105093 B CN 111105093B CN 201911338408 A CN201911338408 A CN 201911338408A CN 111105093 B CN111105093 B CN 111105093B
- Authority
- CN
- China
- Prior art keywords
- layer
- time
- rainfall
- parameter
- sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001556 precipitation Methods 0.000 title claims description 24
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 16
- 238000002592 echocardiography Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于CNN和BiLSTM的临近降水预测方法,该方法针对复杂序列雷达回波进行降水预测的问题,首先通过卷积神经网络提取序列雷达回波图的上下文信息,再利用双向长短时记忆网络根据雷达回波序列的前后文关系进行分析预测,同时,在每一个卷积层和双向长短时记忆网络层后增加池化层有效地防止因训练集过快拟合而导致测试效果差的问题,该方法得到的临近降水预测结果准确可靠,且预测效率也大大提高。
Description
技术领域
本发明涉及计算机视觉及大气科学技术领域,更具体的说是涉及一种基于CNN和BiLSTM的临近降水预测方法。
背景技术
临近降水预报在气象服务领域一直是非常重要的问题。临近降水预报是指针对某个区域,在相对较短的时间里(一般是0~2小时)预测降雨强度。目前,国内外最常采用的临近降水预报方法是基于雷达外推的方法,其中光流法的雷达回波外推方法最为常用。光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧与当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息的一种方法。
但是,光流法的基本假设条件包括亮度恒定不变和时间连续“小运动”,也就是说,光流法应用的前提是同一目标在不同图像帧之间的运动,其亮度不会发生改变,且相邻图像帧之间的位移要比较小。这种条件在实际应用中较难达到。此外,为了得到预测的降水,在得到预测的雷达回波图像之后,还要根据Z-I关系反演降雨量,这样分步预测降水容易造成误差叠加,降低降水预测的整体精度。
近年来,图像检测、分类、回归等复杂问题随着机器学习的兴起,正逐渐简化成大数据集和训练模型的问题,上述问题也迎刃而解。随着计算机计算能力的大幅度提升,深度学习逐渐成为机器学习领域的一个新的研究方向,并在气象预报领域取得了初步成功的应用。但由于降水既与前一段时间的气象条件相关,又和周围地区的气象条件相关。实际上,降水量的预测是一个时空序列预测问题,它以过去的雷达图序列为输入,以未来一段时间的降雨量作为输出。长短时记忆网络(Long Short Term Memory Networks,简称LSTM)特别是双向长短时记忆网络(BiLSTM)为处理具有时间维度以及类似时间维度信息的循环神经网络的一种改进模型,能弥补卷积神经网络(Convolutional Neural Networks,简称CNN)只能处理空间维度信息的缺陷。
但是,双向长短时记忆网络本身的计算单元较多,其深度极易受到内存的限制,目前并未取得理想的应用效果。
因此,如何提供一种预测精度高、预测过程更加高效的临近降水预测方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于CNN和BiLSTM的临近降水预测方法,该方法针对复杂序列雷达回波进行降水预测的问题,首先通过卷积神经网络提取序列雷达回波图的上下文信息,再利用双向长短时记忆网络根据雷达回波序列的前后文关系进行分析预测,该方法解决了现有的降水预测方法预测精度低且效率难以保证的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于CNN和BiLSTM的临近降水预测方法,该方法包括:
获取序列雷达图像以及对应未来一小时的降雨数据集;
将数据集按照预设比例分为训练集和测试集;
构建Tiny-RainNet网络模型;
根据预设的高度和时间跨度条件,将序列雷达图像分别缩放至对应的尺寸;
分别将缩放获得的雷达图像输入到Tiny-RainNet网络模型中,训练得到降水预测模型;
输入测试集序列雷达回波图像至降水预测模型,预测对应区域的降雨量,并计算预测降雨量和实际降雨量之间的均方根误差,将最小的均方根误差对应的图像尺寸作为最佳图像缩放尺寸;
使用最佳图像缩放尺寸的序列雷达图像作为输入,对应降水量作为输出,训练Tiny-RainNet降水预测模型;
输入任一组序列雷达图像到训练后的Tiny-RainNet降水预测模型中,得到对应区域未来一小时降雨量的预测值。
进一步地,获取序列雷达图像的过程,具体包括:
获取T时刻,T-6min时刻,T-2×6min时刻…,T-15×6min时刻共15个时间跨度,每个时间跨度下包括0.5km,1.5km,2.5km,3.5km共4个高度的一共60张像素为101×101的序列雷达回波图像。
进一步地,根据预设的高度和时间跨度条件,将序列雷达图像分别缩放至对应的尺寸,具体为:
将像素为101×101的雷达图像分别在同一高度不同时间跨度和同一时间跨度不同高度下分别缩放至像素为5×5,10×10,…,90×90,95×95,101×101不同的尺寸。
进一步地,将数据集按照预设比例分为训练集和测试集,所述预设比例为8:2。
进一步地,所述Tiny-RainNet模型包括:
卷积层1,参数为(30,(1,1)),表示卷积核的个数为30,像素大小为1×1;
卷积层2,参数为(60,(2,2));
防止过拟合层dropout3,参数为0.5,表示按照0.5的概率屏蔽部分神经元;
最大池化层4,参数为(2,2),表示按照2×2的像素大小选取最大值替代该单元;
双向长短时记忆网络层5,参数为256,表示隐藏神经元个数为256;
防止过拟合层dropout6,参数为0.5;
双向长短时记忆网络层7,参数为128;
防止过拟合层dropout8,参数为0.5;
双向长短时记忆网络层9,参数为64;
防止过拟合层dropout10,参数为0.5;
全连接层11,参数为100,表示当前层的输出维度为100;
全连接层12,参数为1,表示当前层的输出维度为1。
本发明中提出的Tiny-RainNet模型是由卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)组合而成的模型,通过该模型结构的合理设计,可以更好的实现临近降水的精准预测。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于CNN和BiLSTM的临近降水预测方法,该方法针对复杂序列雷达回波进行降水预测的问题,首先通过卷积神经网络提取序列雷达回波图的上下文信息,再利用双向长短时记忆网络根据雷达回波序列的前后文关系进行分析预测,同时,在每一个卷积层和双向长短时记忆网络层后增加池化层有效地防止因训练集过快拟合而导致测试效果差的问题,该方法得到的临近降水预测结果准确可靠,且预测效率也大大提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于CNN和BiLSTM的临近降水预测方法的流程示意图;
图2附图为本发明实施例中Tiny-RainNet网络模型的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见附图1,本发明实施例公开了一种基于CNN和BiLSTM的临近降水预测方法,该方法包括:
S1:获取序列雷达图像以及对应未来一小时的降雨数据集;
S2:将数据集按照预设比例分为训练集和测试集;
S3:构建Tiny-RainNet网络模型;
S4:根据预设的高度和时间跨度条件,将序列雷达图像分别缩放至对应的尺寸;
S5:分别将缩放获得的雷达图像输入到Tiny-RainNet网络模型中,训练得到降水预测模型;
S6:输入测试集序列雷达回波图像至降水预测模型,预测对应区域的降雨量,并计算预测降雨量和实际降雨量之间的均方根误差,将最小的均方根误差对应的图像尺寸作为最佳图像缩放尺寸;
S7:使用最佳图像缩放尺寸的序列雷达图像作为输入,对应降水量作为输出,训练Tiny-RainNet降水预测模型;
S8:输入任一组序列雷达图像到训练后的Tiny-RainNet降水预测模型中,得到对应区域未来一小时降雨量的预测值。
下面通过具体的实例对上述方法做详细的介绍:
第一步:获取深圳市T时刻,T-6min时刻,T-2×6min时刻…,T-15×6min时刻这15个时间跨度,每个时间跨度下包括0.5km,1.5km,2.5km,3.5km 4个高度的一共60张像素为101×101的序列雷达回波图像(15×4×101×101)及其对应区域的未来1小时的降雨量值的数据集10000组;
第二步:按照8:2的比例将10000组序列雷达回波图像和未来1小时降水量组成的数据集分为8000组训练集和2000组测试集;
第三步:根据图2构建Tiny-RainNet网络模型;
第四步:将像素为101×101的雷达图像分别在同一高度不同时间跨度和同一时间跨度不同高度下分别缩放至像素为5×5,10×10,…,90×90,95×95,101×101不同的尺寸;
第五步:分别将缩放后的雷达图像输入到Tiny-RainNet网络中,训练降水预测模型;
第六步:输入测试集序列雷达回波图像至降水预测模型,预测对应区域的降雨量大小,并计算预测降雨量和实际降雨量之间的均方根误差,最小的均方根误差对应的图像尺寸10×10为该网络对应的最佳图像缩放尺寸;
第七步:将序列雷达图像缩放至10×10作为输入,对应降水量作为输出,训练Tiny-RainNet降水预测模型;
第八步:输入任一组序列雷达图像到训练后的Tiny-RainNet降水预测模型中,即可得到对应区域未来1小时降雨量的预测值。
在一个具体的实施例中,Tiny-RainNet模型包括:
卷积层1,参数为(30,(1,1)),表示卷积核的个数为30,像素大小为1×1;
卷积层2,参数为(60,(2,2));
防止过拟合层dropout3,参数为0.5,表示按照0.5的概率屏蔽部分神经元;
最大池化层4,参数为(2,2),表示按照2×2的像素大小选取最大值替代该单元;
双向长短时记忆网络层5,参数为256,表示隐藏神经元个数为256;
防止过拟合层dropout6,参数为0.5;
双向长短时记忆网络层7,参数为128;
防止过拟合层dropout8,参数为0.5;
双向长短时记忆网络层9,参数为64;
防止过拟合层dropout10,参数为0.5;
全连接层11,参数为100,表示当前层的输出维度为100;
全连接层12,参数为1,表示当前层的输出维度为1。
综上所述,本发明公开的基于CNN和BiLSTM的临近降水预测方法,与现有技术相比,具有如下优点:
1、该方法针对复杂序列雷达回波进行降水预测的问题,首先通过卷积神经网络提取序列雷达回波图的上下文信息,再利用双向长短时记忆网络根据雷达回波序列的前后文关系进行分析预测;
2、在每一个卷积层和双向长短时记忆网络层后增加池化层有效地防止因训练集过快拟合而导致测试效果差的问题,该方法得到的临近降水预测结果准确可靠,且预测效率也大大提高。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于CNN和BiLSTM的临近降水预测方法,其特征在于,包括:
获取序列雷达图像以及对应未来一小时的降雨数据集;
将数据集按照预设比例分为训练集和测试集;
构建Tiny-RainNet网络模型;
所述Tiny-RainNet模型包括:
卷积层1,参数为(30,(1,1)),表示卷积核的个数为30,像素为1×1;
卷积层2,参数为(60,(2,2));
防止过拟合层dropout3,参数为0.5,表示按照0.5的概率屏蔽部分神经元;
最大池化层4,参数为(2,2),表示按照2×2的像素选取最大值替代该单元;
双向长短时记忆网络层5,参数为256,表示隐藏神经元个数为256;
防止过拟合层dropout6,参数为0.5;
双向长短时记忆网络层7,参数为128;
防止过拟合层dropout8,参数为0.5;
双向长短时记忆网络层9,参数为64;
防止过拟合层dropout10,参数为0.5;
全连接层11,参数为100,表示当前层的输出维度为100;
全连接层12,参数为1,表示当前层的输出维度为1;
根据预设的高度和时间跨度条件,将序列雷达图像分别缩放至对应的尺寸;
分别将缩放获得的雷达图像输入到Tiny-RainNet网络模型中,训练得到降水预测模型;
输入测试集序列雷达回波图像至降水预测模型,预测对应区域的降雨量,并计算预测降雨量和实际降雨量之间的均方根误差,将最小的均方根误差对应的图像尺寸作为最佳图像缩放尺寸;
使用最佳图像缩放尺寸的序列雷达图像作为输入,对应降水量作为输出,训练Tiny-RainNet降水预测模型;
输入任一组序列雷达图像到训练后的Tiny-RainNet降水预测模型中,得到对应区域未来一小时降雨量的预测值。
2.根据权利要求1所述的一种基于CNN和BiLSTM的临近降水预测方法,其特征在于,获取序列雷达图像的过程,具体包括:
获取T时刻,T-6min时刻,T-2×6min时刻…, T-15×6min时刻共15个时间跨度,每个时间跨度下包括0.5km,1.5km,2.5km,3.5km共4个高度的一共60张像素为101×101的序列雷达回波图像。
3.根据权利要求2所述的一种基于CNN和BiLSTM的临近降水预测方法,其特征在于,根据预设的高度和时间跨度条件,将序列雷达图像分别缩放至对应的尺寸,具体为:
将像素为101×101的雷达图像分别在同一高度不同时间跨度和同一时间跨度不同高度下分别缩放至像素为5×5,10×10,…,90×90,95×95,101×101不同的尺寸。
4.根据权利要求1所述的一种基于CNN和BiLSTM的临近降水预测方法,其特征在于,将数据集按照预设比例分为训练集和测试集,所述预设比例为8:2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338408.9A CN111105093B (zh) | 2019-12-23 | 2019-12-23 | 基于CNN和BiLSTM的临近降水预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911338408.9A CN111105093B (zh) | 2019-12-23 | 2019-12-23 | 基于CNN和BiLSTM的临近降水预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105093A CN111105093A (zh) | 2020-05-05 |
CN111105093B true CN111105093B (zh) | 2023-04-18 |
Family
ID=70423270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911338408.9A Active CN111105093B (zh) | 2019-12-23 | 2019-12-23 | 基于CNN和BiLSTM的临近降水预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105093B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365091B (zh) * | 2020-11-30 | 2022-06-14 | 中国人民解放军国防科技大学 | 一种基于分类节点图注意力网络的雷达定量降水估计方法 |
CN113255972B (zh) * | 2021-05-10 | 2022-11-01 | 东南大学 | 基于Attention机制的短临降水预测方法 |
CN114091765A (zh) * | 2021-11-25 | 2022-02-25 | 山西勇利信息科技有限公司 | 一种基于时空双向多粒度动态集成的未来降雨预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测系统及方法 |
CN108764460A (zh) * | 2018-05-16 | 2018-11-06 | 华中科技大学 | 一种基于时间卷积和lstm的时间序列预测方法 |
US10176388B1 (en) * | 2016-11-14 | 2019-01-08 | Zoox, Inc. | Spatial and temporal information for semantic segmentation |
CN109886217A (zh) * | 2019-02-26 | 2019-06-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
EP3564889A1 (en) * | 2018-05-04 | 2019-11-06 | The Boston Consulting Group, Inc. | Systems and methods for learning and predicting events |
CN110443725A (zh) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | 基于cnn+lstm的风电功率预测模型 |
JP2019211342A (ja) * | 2018-06-05 | 2019-12-12 | 株式会社東芝 | 気象解析装置、気象解析方法、およびプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834912B (zh) * | 2015-05-14 | 2017-12-22 | 北京邮电大学 | 一种基于图像信息检测的天气识别方法及装置 |
-
2019
- 2019-12-23 CN CN201911338408.9A patent/CN111105093B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10176388B1 (en) * | 2016-11-14 | 2019-01-08 | Zoox, Inc. | Spatial and temporal information for semantic segmentation |
EP3564889A1 (en) * | 2018-05-04 | 2019-11-06 | The Boston Consulting Group, Inc. | Systems and methods for learning and predicting events |
CN108764460A (zh) * | 2018-05-16 | 2018-11-06 | 华中科技大学 | 一种基于时间卷积和lstm的时间序列预测方法 |
CN108734357A (zh) * | 2018-05-29 | 2018-11-02 | 北京佳格天地科技有限公司 | 气象预测系统及方法 |
JP2019211342A (ja) * | 2018-06-05 | 2019-12-12 | 株式会社東芝 | 気象解析装置、気象解析方法、およびプログラム |
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
CN109886217A (zh) * | 2019-02-26 | 2019-06-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
CN110443725A (zh) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | 基于cnn+lstm的风电功率预测模型 |
Non-Patent Citations (1)
Title |
---|
B. Shi, X. Bai and C. Yao.An End-to-End Trainable Neural Network for Image-Based Sequence Recognition and Its Application to Scene Text Recognition.《IEEE Transactions on Pattern Analysis and Machine Intelligence》.2017,第39卷(第11期),第2298-2304页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111105093A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105093B (zh) | 基于CNN和BiLSTM的临近降水预测方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN107703564B (zh) | 一种降雨预测方法、系统及电子设备 | |
CN112232231B (zh) | 行人属性的识别方法、系统、计算机设备和存储介质 | |
Xiong et al. | Contextual Sa-attention convolutional LSTM for precipitation nowcasting: A spatiotemporal sequence forecasting view | |
CN113361528B (zh) | 一种多尺度目标检测方法及系统 | |
CN116596916B (zh) | 缺陷检测模型的训练和缺陷检测方法及其装置 | |
CN111191610A (zh) | 一种视频监控中人流量检测与处理方法 | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN116309781A (zh) | 一种基于跨模态融合的水下视觉目标测距方法及装置 | |
CN114973207A (zh) | 一种基于目标检测的路标识别方法 | |
Shi | Object detection models and research directions | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN113159434A (zh) | 一种雷达回波预测方法、装置、设备及存储介质 | |
Huang et al. | A 3D ConvLSTM-CNN network based on multi-channel color extraction for ultra-short-term solar irradiance forecasting | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
CN111242003A (zh) | 一种基于多尺度受约束自注意机制的视频显著性物体检测的方法 | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
CN113783715A (zh) | 一种采用因果卷积神经网络的机会网络拓扑预测方法 | |
CN116776269A (zh) | 基于图卷积神经网络自编码器的交通异常检测方法 | |
CN110738208A (zh) | 一种高效的尺度规范化目标检测训练方法 | |
WO2023000856A1 (zh) | 一种异常事件检测方法、装置、电子设备、存储介质及计算机程序产品 | |
CN115169731A (zh) | 一种智慧校园能耗预测方法、装置、设备及介质 | |
CN112819698A (zh) | 资料同化方法、装置、设备及存储介质 |
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 |