CN111209968B - 基于深度学习的多气象因子模式预报温度订正方法及系统 - Google Patents
基于深度学习的多气象因子模式预报温度订正方法及系统 Download PDFInfo
- Publication number
- CN111209968B CN111209968B CN202010018359.7A CN202010018359A CN111209968B CN 111209968 B CN111209968 B CN 111209968B CN 202010018359 A CN202010018359 A CN 202010018359A CN 111209968 B CN111209968 B CN 111209968B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- model
- mode
- correction
- 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
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Environmental Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的多气象因子模式预报温度订正方法及系统,该方法能够利用LSTM对一段时间数据的记忆和分析能力以及注意力机制的集中关键点的能力进行训练,得到一个基本通用的模型,避免了以往需要对数据进行大量统计分析和处理的过程,因此既能有较高的速度,也能有优异的订正效果。不仅如此,由于数据在低维度上的不可分,该方法对数据做一个高维度的映射,获得特征的更高维度和互相间关系的项。利用这些项的不同特点再经过聚类,能够更有针对性地分别进行建模,利用不同模型对不同特征的温度进行订正。最后使用所设计的综合指标进行订正效果的评价以及模型的选择,避免了指标的单一性和不可比较性,提高了模型的适用性。
Description
技术领域
本发明涉及气象领域和人工智能技术领域,更具体的说是涉及一种基于深度学习的多气象因子模式预报温度订正方法及系统。
背景技术
目前,气象与人类活动息息相关,气象预报的准确性极大的影响军事、民生、经济等领域,极端天气变化更将破坏人类生存环境。格点气象要素预报是一种将地区按既定范围划分成格点状,以格点为单位做气象要素预报,目前已有5km格点气象要素预报业务。精细化气象要素格点预报是格点预报中的一种高分辨率预报,预报方法通常是指以当前数值预报为基础,结合观测资料将格点数据,根据从业人员的经验订正得出预报值做精细化处理以及矫正误差。
数值天气预报误差的来源可以分为两种:初值误差和模式误差。初值误差是由于观测的限制,我们无法得到真实的大气的初始状态;模式误差是由于模式的演变与大气演变不一致引起,数值预报是将大气基本方程组进行离散化并进行积分运算从而得到未来大气状态的一种预报方法,离散化不可避免会带来误差。因此提高数值天气预报准确度的方法一般包括两种:一种是改进模式初始场,其中最主要的手段就是资料同化;另一种是提高模式的性能,比如使用更高分辨率的模式,更准确的次网格物理过程等。但是无论如何,初始误差和模式误差都无法消除,预报系统总会或多或少的存在误差。随着精细化气象要素格点预报业务的部署使用,如何提升短临预报的准确性及精细化预报的精细化程度是一个具有重大意义的研究方向。
地面气温是人们日常生活最关注的气象要素之一,华东地区以丘陵、盆地、平原为主,相比于平原地区,该地区的观测相对较少,同时受限模式分辨率以及计算能力,模式对地形、地表的描述能力不够,就造成了模式预报误差较大。因此一些研究人员提出了一些有效的温度订正方法,现有的温度预报订正方法主要包括滑动平均订正、多模式集成、线性回归等方法。这些方法多是建立在线性相关的基础上,但是大气环流变化中的复杂性和非线性性,往往决定预报因子与预报对象之间为非线性相关,因此用传统的预测方法处理本质上具有非线性关系的问题时具有一定的局限性。
随着人工智能的发展,拥有了越来越丰富的应用场景,气象行业也不例外,在突破传统预报方法的情况下,机器学习与深度学习相关理论在许多应用领域上已经显示了其非凡的能力和巨大的潜力,是科学研究的新鲜血液,无论是科研领域还是工业领域,都有着极为广泛的应用场景,同时也给气象预测技术的发展带来了机遇,为原来难以解决的气象问题提供了一个新思路。
目前基于人工智能的订正方法主要包括:
(1)基于机器学习算法的模式预报订正模型,把像素点看成是孤立的点,不考虑周边的像素,使用SVM、随机森林等模型进行建模。但是机器学习对于数据量巨大的样本训练困难,且容易过拟合,并且容易产生噪声误差,特别对于气象的混沌效应。
(2)基于深度学习算法的模式预报订正模型,目前已使用的方法包括ConvLSTM、U-Net和MeLC-GRU等方法,主要是将卷积神经网络和LSTM进行结合的方法。在这些模型中时间信息通过状态特征在时间维度上变换结合来传递,时间信息的传递可以一定程度上减少气象混沌效应(预报时长越长,准确率越低)的困扰,但是该方法对特征挖掘不够,且并未对不同特点数据分开建模。
因此,如何提供一种温度预报准确率高、高效可靠的预报温度订正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深度学习的多气象因子模式预报温度订正方法及系统,该方法能够减小模式预报温度的均方根误差、绝对误差,有效提高温度预报准确率,辅助气象员更好地进行业务温度预测。解决了基于深度学习的方法对模式预报温度进行订正中,机器学习中对大量数据处理能力较差,噪声大和易过拟合的问题以及深度学习对特征挖掘不够,且并未对不同特点数据分开建模的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于深度学习的多气象因子模式预报温度订正方法,该方法包括:
步骤1:将模式预报数据与实况数据进行对应;
步骤2:对模式预报数据进行特征扩充;
步骤3:对特征扩充后的模式预报数据使用K-means进行聚类;
步骤4:使用聚类后的模式预报数据,采用长短时记忆网络(LSTM)结合注意力机制分别进行建模,得到订正温度;
步骤5:对建模后得到的订正温度进行整合,得到最终订正结果。
进一步地,所述步骤1具体包括:
下载ECWMF模式预报数据;
将国际时间命名的模式预报数据文件转换成北京时间命名的模式预报数据文件;
将北京时间命名的模式预报数据文件与相应的实况数据文件进行对应;
将相应的模式预报数据插值到站点上,得到每个站点对应的模式预报数据。
进一步地,所述步骤2具体包括:
将对应后的最低温模式预报气象因子数据进行二次多项式特征扩充;
将对应后的最高温模式预报气象因子数据进行三次多项式特征扩充。
进一步地,所述步骤3具体包括:
利用手肘法则分别确立最高温和最低温的聚类最优K值;
分别对最低温和最高温特征扩充后的项采用采用K-means聚类为K类。
进一步地,所述步骤4具体包括:
采用长短时记忆网络作为基础模型,结合注意力机制构建模式预报温度订正模型;
分别将最低温聚类后的n个类别数据输入模式预报温度订正模型;
分别将最高温聚类后的m个类别数据输入模式预报温度订正模型;
分别对最低温或最高温中每个类别的模式预报温度订正模型进行训练,确定LSTM层数、神经元个数以及各个模型的调试参数;
将模式预报最低温或最高温数据输入训练好的模型中进行预测,得到订正温度。
进一步地,所述步骤5具体包括:
确立用于评价预测效果的综合指标,所述综合指标的计算公式为:
综合指标=ACC/(MSE×MAE);
式中,ACC为温度预测准确率,即绝对误差在2℃范围以内的站点占总站点的比率,MSE是均方根误差,MAE是绝对误差;
利用综合指标分别对最低温或最高温的订正温度进行评价,选择综合指标值最大的数据作为评价结果;
根据经纬度对应关系将最低温n个类别的评价结果进行整合,得到最低温的最终订正结果;
根据经纬度对应关系将最高温m个类别的评价结果进行整合,得到最高温的最终订正结果。
此外,本发明还提供了一种基于深度学习的多气象因子模式预报温度订正系统,该系统使用上述的一种基于深度学习的多气象因子模式预报温度订正方法。
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深度学习的多气象因子模式预报温度订正方法及系统,该方法能够利用LSTM对一段时间数据的记忆和分析能力以及注意力机制的集中关键点的能力进行训练,得到一个基本通用的模型,避免了以往需要对数据进行大量统计分析和处理的过程,因此既能有较高的速度,也能有优异的订正效果。不仅如此,由于数据在低维度上的不可分,该方法对数据做一个高维度的映射,获得特征的更高维度和互相间关系的项。利用这些项的不同特点再经过聚类,能够更有针对性地分别进行建模,利用不同模型对不同特征的温度进行订正。最后使用所设计的综合指标进行订正效果的评价以及模型的选择,避免了指标的单一性和不可比较性,提高了模型的适用性。
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一种基于深度学习的多气象因子模式预报温度订正方法的数据处理流程示意图;
图2附图为本发明提供的一种基于深度学习的多气象因子模式预报温度订正方法的整体流程示意图;
图3附图为本发明实施例中模式预报数据进行多项式扩充的流程示意图;
图4附图为本发明实施例中聚类过程的流程示意图;
图5附图为本发明实施例中LSTM结合注意力机制建模的流程示意图;
图6附图为本发明实施例中LSTM网络的结构示意图。
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和图2,本发明实施例公开了一种基于深度学习的多气象因子模式预报温度订正方法,该方法包括:
S1:将模式预报数据与实况数据进行对应;
S2:对模式预报数据进行特征扩充;
S3:对特征扩充后的模式预报数据使用K-means进行聚类;
S4:使用聚类后的模式预报数据,采用长短时记忆网络结合注意力机制分别进行建模,得到订正温度;
S5:对建模后得到的订正温度进行整合,得到最终订正结果。
在下面结合附图1及上述描述,对本实施例公开的方法做整体流程总结:
首先输入最低温和最高温相关模式预报气象因子;
经过多项式特征扩充后选择相关扩充的次数;
将扩充后的最低温和最高温特征分别进行聚类;
将聚类后的特征分类建模,先进行归一化,再输入LSTM集合注意力机制的模型,经过LSTM的特征提取和分析处理之后再结合注意力机制以获取目标的细节信息,抑制其他无用信息,输出订正后温度,与理论输出进行比较,进行损失计算,将损失输入到优化器中,使用梯度下降法进行优化,将结果反馈回LSTM结合注意力机制的模型中,不断迭代优化得到最终模型;
输入最低温或最高温需要预测的模式预报数据到训练好的模型中进行预测,最后整合各个类别最低温或者最高温的模型输出,得到最终订正结果。
以下对本实施例公开的方法中的若干关键步骤作详细介绍。
将模式预报数据与实况数据进行对应的过程,具体包括:
S110,下载ECWMF模式预报数据;
S120,将国际时间命名的模式预报数据文件转换成北京时间命名的模式预报数据文件;
S130,将北京时间命名的模式预报数据文件与相应的实况数据文件进行对应;
S140,将相应的模式预报数据插值到站点上,得到每个站点对应的模式预报数据。
图3为本申请实施例提供的方法中模式预报数据进行多项式扩充的流程图,其中:
步骤S210,分别将最低温和最高温的模式预报数据作为输入;
步骤S220,分别对最低温和最高温模式预报数据采用多项式进行二、三、四次扩充;
步骤S230,分析最低温和最高温在经过二、三、四次多项式扩充后与实际温度之间的相关性;
步骤S240,分别选取最低温和最高温特征扩充后与实际温度相关性较大的项,以作为后面建模输入。
图4为本申请实施例的基于深度学习的多气象因子模式预报温度方法中聚类过程的流程图,其中:
步骤S310,分别对最低温和最高温特征扩充后的数据进行选择,选取与实况温度相关性较大的项作为模型输入;
步骤S320,利用手肘法则分别确定最低温和最高温应该聚为几类,记为K类;
步骤S330,选取K个样本作为初始聚类中心;
步骤S340,根据初始聚类中心距离最近准则分为K类温度;
步骤S350,计算每类温度样本均值作为新的样本中心;
步骤S360,计算温度样本到新的聚类中心的距离平方和;
步骤S370,判断到聚类中心距离平方和是否改变,如果不变则聚类结束,如果仍然在变,则回到步骤S350。
图5为本申请实施例的基于深度学习的多气象因子模式预报温度方法中LSTM结合注意力机制建模的流程图,其中:
步骤S410,将最低温和最高温二、三、四次多项式特征扩充后数据作为聚类输入,因此需要对六种数据进行聚类,包括:
(1)最低温二次多项式特征扩充后与实况温度相关性较高的项作为聚类输入;
(2)最低温三次多项式特征扩充后与实况温度相关性较高的项作为聚类输入;
(3)最低温四次多项式特征扩充后与实况温度相关性较高的项作为聚类输入;
(4)最高温二次多项式特征扩充后与实况温度相关性较高的项作为聚类输入;
(5)最高温三次多项式特征扩充后与实况温度相关性较高的项作为聚类输入;
(6)最高温四次多项式特征扩充后与实况温度相关性较高的项作为聚类输入;
步骤S420,将步骤S410中六种数据作为输入,使用K-means进行聚类,聚类后得到六个LSTM建模输入,具体如下:
最低温二次多项式特征扩充后与实况温度相关性较高的项聚类后,得到K类最低温模式预报数据;
最低温三次多项式特征扩充后与实况温度相关性较高的项聚类后,得到K类最低温模式预报数据;
最低温四次多项式特征扩充后与实况温度相关性较高的项聚类后,得到K类最低温模式预报数据;
最高温二次多项式特征扩充后与实况温度相关性较高的项聚类后,得到K类最高温模式预报数据;
最高温三次多项式特征扩充后与实况温度相关性较高的项聚类后,得到K类最高温模式预报数据;
最高温四次多项式特征扩充后与实况温度相关性较高的项聚类后,得到K类最高温模式预报数据;
步骤S430,将步骤S420中得到六种聚类结果的不同各类别分别输入LSTM结合注意力机制的模型中对温度进行订正,得到每一类结果,具体如下:
(1)最低温二次多项式特征扩充后与实况温度相关性较高的项聚类后,K类最低温模式预报温度分别订正结果;
(2)最低温三次多项式特征扩充后与实况温度相关性较高的项聚类后,K类最低温模式预报温度分别订正结果;
(3)最低温四次多项式特征扩充后与实况温度相关性较高的项聚类后,K类最低温模式预报温度分别订正结果;
(4)最高温二次多项式特征扩充后与实况温度相关性较高的项聚类后,K类最高温模式预报温度分别订正结果;
(5)最高温三次多项式特征扩充后与实况温度相关性较高的项聚类后,K类最高温模式预报温度分别订正结果;
(6)最高温四次多项式特征扩充后与实况温度相关性较高的项聚类后,K类最高温模式预报温度分别订正结果;
步骤S440,对S430中得到每一类订正结果进行整合,分别得到最低温和最高温不同次数特征扩充后订正结果,具体如下:
(1)最低温二次多项式特征扩充后模式预报温度分别订正结果;
(2)最低温三次多项式特征扩充后模式预报温度分别订正结果;
(3)最低温四次多项式特征扩充后模式预报温度分别订正结果;
(4)最高温二次多项式特征扩充后模式预报温度分别订正结果;
(5)最高温三次多项式特征扩充后模式预报温度分别订正结果;
(6)最高温四次多项式特征扩充后模式预报温度分别订正结果;
步骤S450,对S440中六种订正结果结合综合指标进行评价,其中综合指标为:
综合指标=ACC/(MSE×MAE)。
式中,ACC为温度预测准确率,即绝对误差在2℃范围以内的站点占总站点的比率,MSE是均方根误差,MAE是绝对误差;
分别比较最低温和最高温二、三、四次特征扩充后结果,选出最低温和最高温订正效果最好的模型,得到最终订正结果。
图6为本实施例公开的方法中LSTM的网络结构图,其中:
LSTM网络的结构与传统循环神经网络的结构相同,均由输入层、隐层和输出层组成。隐层结构中增加了从上一时刻隐层到下一时刻隐层的连接,按时间展开的单层LSTM网络展开结构如图所示。LSTM网络通过长短时记忆单元的计算过程中,[x1,x2,...,xt]为输入序列,通过隐层得到一个输出序列[h1,h2,...,ht],对该序列进行连接得到h,为了得到每个节点的最终输出,设置全连接神经网络对h进行计算得到最终输出y。
此外,本发明还提供了一种基于深度学习的多气象因子模式预报温度订正系统,该系统使用上述的一种基于深度学习的多气象因子模式预报温度订正方法。
本发明中提到的LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络(RNN),主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。
本发明中提到的K-means算法是输入聚类个数K,以及包含n个数据对象的数据库,输出满足方差最小标准K个聚类的一种算法。K-means算法接受输入量K;然后将n个数据对象划分为K个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高;而不同聚类中的对象相似度较小。
综上所述,本发明实施例公开的基于深度学习的多气象因子模式预报温度订正方法及系统,与现有技术相比,具有如下优点:
该方法能够利用LSTM对一段时间数据的记忆和分析能力以及注意力机制的集中关键点的能力进行训练,得到一个基本通用的模型,避免了以往需要对数据进行大量统计分析和处理的过程,因此既能有较高的速度,也能有优异的订正效果。不仅如此,由于数据在低维度上的不可分,该方法对数据做一个高维度的映射,获得特征的更高维度和互相间关系的项。利用这些项的不同特点再经过聚类,能够更有针对性地分别进行建模,利用不同模型对不同特征的温度进行订正。最后使用所设计的综合指标进行订正效果的评价以及模型的选择,避免了指标的单一性和不可比较性,提高了模型的适用性。
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 (6)
1.一种基于深度学习的多气象因子模式预报温度订正方法,其特征在于,包括:
步骤1:将模式预报数据与实况数据进行对应;
步骤2:对模式预报数据进行特征扩充;
步骤3:对特征扩充后的模式预报数据使用K-means进行聚类;
步骤4:使用聚类后的模式预报数据,采用长短时记忆网络结合注意力机制分别进行建模,得到订正温度;
步骤5:对建模后得到的订正温度进行整合,得到最终订正结果;
所述步骤5具体包括:
确立用于评价预测效果的综合指标,所述综合指标的计算公式为:
综合指标=ACC/(MSE×MAE);
式中,ACC为温度预测准确率,即绝对误差在2℃范围以内的站点占总站点的比率,MSE是均方根误差,MAE是绝对误差;
利用综合指标分别对最低温或最高温的订正温度进行评价,选择综合指标值最大的数据作为评价结果;
根据经纬度对应关系将最低温n个类别的评价结果进行整合,得到最低温的最终订正结果;
根据经纬度对应关系将最高温m个类别的评价结果进行整合,得到最高温的最终订正结果。
2.根据权利要求1所述的一种基于深度学习的多气象因子模式预报温度订正方法,其特征在于,所述步骤1具体包括:
下载ECWMF模式预报数据;
将国际时间命名的模式预报数据文件转换成北京时间命名的模式预报数据文件;
将北京时间命名的模式预报数据文件与相应的实况数据文件进行对应;
将相应的模式预报数据插值到站点上,得到每个站点对应的模式预报数据。
3.根据权利要求1所述的一种基于深度学习的多气象因子模式预报温度订正方法,其特征在于,所述步骤2具体包括:
将对应后的最低温模式预报气象因子数据进行二次多项式特征扩充;
将对应后的最高温模式预报气象因子数据进行三次多项式特征扩充。
4.根据权利要求1所述的一种基于深度学习的多气象因子模式预报温度订正方法,其特征在于,所述步骤3具体包括:
利用手肘法则分别确立最高温和最低温的聚类最优K值;
分别对最低温和最高温特征扩充后的项采用K-means聚类为K类。
5.根据权利要求1所述的一种基于深度学习的多气象因子模式预报温度订正方法,其特征在于,所述步骤4具体包括:
采用长短时记忆网络作为基础模型,结合注意力机制构建模式预报温度订正模型;
分别将最低温聚类后的n个类别数据输入模式预报温度订正模型;
分别将最高温聚类后的m个类别数据输入模式预报温度订正模型;
分别对最低温或最高温中每个类别的模式预报温度订正模型进行训练,确定LSTM层数、神经元个数以及各个模型的调试参数;
将模式预报最低温或最高温数据输入训练好的模型中进行预测,得到订正温度。
6.一种基于深度学习的多气象因子模式预报温度订正系统,其特征在于,所述系统使用如权利要求1-5任一项所述的一种基于深度学习的多气象因子模式预报温度订正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018359.7A CN111209968B (zh) | 2020-01-08 | 2020-01-08 | 基于深度学习的多气象因子模式预报温度订正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018359.7A CN111209968B (zh) | 2020-01-08 | 2020-01-08 | 基于深度学习的多气象因子模式预报温度订正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209968A CN111209968A (zh) | 2020-05-29 |
CN111209968B true CN111209968B (zh) | 2023-05-12 |
Family
ID=70787204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010018359.7A Active CN111209968B (zh) | 2020-01-08 | 2020-01-08 | 基于深度学习的多气象因子模式预报温度订正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209968B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200353B (zh) * | 2020-09-30 | 2022-06-17 | 重庆师范大学 | 基于改进量子优化算法的支持向量机天气预测方法 |
CN112199840B (zh) * | 2020-09-30 | 2021-07-06 | 国家海洋环境预报中心 | 数值模式海面风速订正方法、装置、电子设备及存储介质 |
CN115345076B (zh) * | 2022-08-19 | 2023-09-12 | 清华大学 | 一种风速订正处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8688603B1 (en) * | 2011-11-14 | 2014-04-01 | Amazon Technologies, Inc. | System and method for identifying and correcting marginal false positives in machine learning models |
CN110068878A (zh) * | 2019-04-22 | 2019-07-30 | 山东省气象科学研究所 | 一种气温智能网格最优集成预报方法 |
KR20190096311A (ko) * | 2019-06-04 | 2019-08-19 | 엘지전자 주식회사 | 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 |
CN110610209A (zh) * | 2019-09-16 | 2019-12-24 | 北京邮电大学 | 一种基于数据挖掘的空气质量预测方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104849776A (zh) * | 2014-12-08 | 2015-08-19 | 国家电网公司 | 一种结合动态修正的电网高低温精细化预警方法 |
JP6351790B2 (ja) * | 2016-05-10 | 2018-07-04 | 株式会社メテオテック・ラボ | 海上気象予報提供方法 |
CN108227041B (zh) * | 2017-12-27 | 2020-04-28 | 中国海洋大学 | 基于站点实测数据和模式结果的水平能见度预报方法 |
CN109447260B (zh) * | 2018-10-08 | 2022-11-18 | 中国人民解放军空军研究院战场环境研究所 | 一种基于深度学习的局地数值天气预报产品订正方法 |
CN109214592B (zh) * | 2018-10-17 | 2022-03-08 | 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 |
CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
CN110197307B (zh) * | 2019-06-03 | 2023-07-25 | 上海海洋大学 | 一种结合注意力机制的区域型海表面温度预测方法 |
-
2020
- 2020-01-08 CN CN202010018359.7A patent/CN111209968B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8688603B1 (en) * | 2011-11-14 | 2014-04-01 | Amazon Technologies, Inc. | System and method for identifying and correcting marginal false positives in machine learning models |
CN110068878A (zh) * | 2019-04-22 | 2019-07-30 | 山东省气象科学研究所 | 一种气温智能网格最优集成预报方法 |
KR20190096311A (ko) * | 2019-06-04 | 2019-08-19 | 엘지전자 주식회사 | 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법 |
CN110610209A (zh) * | 2019-09-16 | 2019-12-24 | 北京邮电大学 | 一种基于数据挖掘的空气质量预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
A Novel Hybrid Data-Driven Model for Daily Land Surface Temperature Forecasting Using Long Short-Term Memory Neural Network Based on Ensemble Empirical Mode Decompositon;Xike Zhang et al.;《Environmental Research and Public Health》;1-23 * |
一种基于CNN和RNN深度神经网络的天气预测模型――以北京地区雷暴的6小时临近预报为例;倪铮;文韬;;数值计算与计算机应用(04);59-69 * |
Also Published As
Publication number | Publication date |
---|---|
CN111209968A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Short-term wind speed forecasting based on fast ensemble empirical mode decomposition, phase space reconstruction, sample entropy and improved back-propagation neural network | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN111209968B (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
Wang et al. | Short-term wind power prediction based on multidimensional data cleaning and feature reconfiguration | |
CN113962364A (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN108491970A (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
Zhang et al. | Multi-head attention-based probabilistic CNN-BiLSTM for day-ahead wind speed forecasting | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN112364238A (zh) | 一种基于深度学习的用户兴趣点推荐方法与系统 | |
CN112232543A (zh) | 一种基于图卷积网络的多站点预测方法 | |
CN115392554A (zh) | 基于深度图神经网络和环境融合的轨道客流预测方法 | |
CN112598165A (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN113192647A (zh) | 一种基于多特征分层时空表征的新冠确诊人数预测方法和系统 | |
CN115327041A (zh) | 一种基于关联性分析的空气污染物浓度预测方法 | |
Liu et al. | Super multi-step wind speed forecasting system with training set extension and horizontal–vertical integration neural network | |
CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
CN109784562B (zh) | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 | |
CN113657582A (zh) | 一种基于时空数据的时空图神经网络瓦斯浓度预测方法 | |
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 | |
CN116050460A (zh) | 基于注意力神经网络的气温数据空间插值方法 | |
CN114969078A (zh) | 一种联邦学习的专家研究兴趣实时在线预测更新方法 | |
CN115116227A (zh) | 一种交通流量预测方法、系统、装置及可读存储介质 |
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 |