CN111337929A - 气象云图预测方法、装置、计算机设备和存储介质 - Google Patents
气象云图预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111337929A CN111337929A CN202010222455.3A CN202010222455A CN111337929A CN 111337929 A CN111337929 A CN 111337929A CN 202010222455 A CN202010222455 A CN 202010222455A CN 111337929 A CN111337929 A CN 111337929A
- Authority
- CN
- China
- Prior art keywords
- cloud
- target
- cloud picture
- meteorological
- historical
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- 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
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及人工智能领域,尤其是一种气象云图预测方法、装置、计算机设备和存储介质。所述方法包括:获取待预测区域对应的历史气象云图;对所述历史气象云图进行处理得到动态信息;从所述历史气象云图中选取目标云图,对所述目标云图进行处理得到内容信息;将所述动态信息和所述内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图;所述生成对抗网络是基于最小二乘的训练方式训练得到的。采用本方法能够提高预测准确性。
Description
技术领域
本发明涉及气象雷达技术领域,特别是涉及一种气象云图预测方法、装置、计算机设备和存储介质。
背景技术
气象雷达回波,是由雷达发射、经大气及其悬浮物散射而返回的被雷达天线所接收的电磁波。由这些电磁波转换的信号所对应的图像称为气象雷达回波图。分析气象雷达回波图,可及时发现台风、雷暴、暴雨、冰雹、龙卷风等灾害性天气的强度、位置及其移动变化情况。
传统技术中,采用持续性预报法或交叉相关法预报雷暴体的演变和运动。持续性预报法中,假设所有气象雷达回波的大小和强度在预报期间内保持不变,且以固定速度平移;交叉相关法是选取连续两个时刻的气象雷达回波图,将图像区域划分为32×32像素的图像子集,采用交叉相关法计算两幅图像的最佳匹配区域,根据前后图像匹配区域的位置和时间间隔,确定出每个图像子集的移动矢量,根据图像移动矢量集,利用后向轨迹方法对图像作短时外推预测。
但是,上述持续性预报法和交叉相关法,均存在风暴体识别的准确度低的情况,使得强天气临近预报的准确度降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测准确性的气象云图预测方法、装置、计算机设备和存储介质。
一种气象云图预测方法,所述方法包括:
获取待预测区域对应的历史气象云图;
对所述历史气象云图进行处理得到动态信息;
从所述历史气象云图中选取目标云图,对所述目标云图进行处理得到内容信息;
将所述动态信息和所述内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图;所述生成对抗网络是基于最小二乘的训练方式训练得到的。
在其中一个实施例中,所述将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图之后,还包括:
按照时间顺序对所述目标气象云图进行排序;
按照排序顺序依次显示所述目标气象云图。
在其中一个实施例中,所述将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图之后,还包括:
获取所述目标气象云图的显示张数,并根据所述显示张数将待显示区域进行划分;
将所述目标气象云图显示在划分后的所述待显示区域中。
在其中一个实施例中,所述获取待预测区域对应的历史气象云图,包括:
获取待预测区域在多个连续历史时刻的历史气象云图;或者获取待预测区域对应的预设时刻的一张历史气象云图。
在其中一个实施例中,所述生成对抗网络的训练方法包括:
获取训练气象云图;
通过预测网络对所述训练气象云图进行预测得到预测气象云图,并获取所述训练气象云图对应的真实气象云图;
根据所述预测气象云图和所述真实气象云图对初始鉴别器进行训练,使得所述初始鉴别器对应的第一损失函数的值最小;
根据训练完成的初始鉴别器、所述预测气象云图以及所述真实气象云图对所述预测网络进行训练,使得所述预测网络对应的第二损失函数的值最小,所述第一损失函数和所述第二损失函数是根据所述预测气象云图以及所述真实气象云图的图像均方值误差以及最小二乘损失得到的;
循环对所述初始鉴别器和所述预测网络进行训练,直至所述第一损失函数和第二损失函数的值均小于预设值时,得到生成对抗网络。
在其中一个实施例中,所述对所述历史气象云图进行处理得到动态信息,包括:
将所获取到的历史气象云图输入至多层卷积递归神经网络中,得到动态信息。
在其中一个实施例中,所述从所述历史气象云图中选取目标云图,对所述目标云图进行处理得到内容信息,包括:
从所述历史气象云图中确定目标云图;所述目标云图对应的时刻与当前时刻的时间间隔最小;
将所述目标云图输入至内容提取卷积神经网络中,得到所述目标云图的内容信息。
在其中一个实施例中,所述对所述历史气象云图进行处理得到动态信息之前,还包括:
根据预设尺寸对所述历史气象云图进行尺寸变换。
一种气象云图预测装置,所述装置包括:
历史云图获取模块,用于获取待预测区域对应的历史气象云图;
动态信息获取模块,用于对所述历史气象云图进行处理得到动态信息;
内容信息获取模块,用于从所述历史气象云图中选取目标云图,对所述目标云图进行处理得到内容信息;
预测模块,用于将所述动态信息和所述内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图;所述生成对抗网络是基于最小二乘的训练方式训练得到的。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述中任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述中任一项所述的方法的步骤。
上述气象云图预测方法、装置、计算机设备和存储介质,其根据待测区域对应的历史气象云图得到动态信息和内容信息,这样将动态信息和内容信息进行融合,以根据融合后的信息进行预测,即将融合后的信息输入至生成对抗网络中,得到对应的目标气象云图,这样该生成对抗网络是采用最小二乘的训练方式训练得到的,增加生成对抗网络的训练稳定性,减弱生成对抗网络训练过程中存在梯度回传湮灭的问题,从而保证了生成对抗网络的准确性,进而保证了气象云图预测的结果的准确性。
附图说明
图1为一个实施例中气象云图预测方法的应用场景图;
图2为一个实施例中气象云图预测方法的流程示意图;
图3为一个实施例中目标气象云图的显示示意图;
图4为另外一个实施例中目标气象云图的显示示意图;
图5为一个实施例中生成对抗网络训练过程的示意图;
图6为一个实施例中的气象云图预测方法的网络结构图;
图7为另外一个实施例中的气象云图预测方法的网络结构图;
图8为一个实施例中气象云图预测装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的气象云图预测方法,可以应用于如图1所示的应用环境中。其中,终端102与服务器104通过网络进行通信。终端102可以向服务器104发送气象云图预测指令,从而服务器104可以根据该气象云图预测指令,获取到待预测区域对应的历史气象云图,并根据历史气象云图进行处理得到动态信息以及内容信息,例如从历史气象云图中选取目标云图,对目标云图进行处理得到内容信息,这样服务器104将动态信息和内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图;生成对抗网络是基于最小二乘的训练方式训练得到的。上述气象云图预测方法增加生成对抗网络的训练稳定性,减弱生成对抗网络训练过程中存在梯度回传湮灭的问题,从而保证了生成对抗网络的准确性,进而保证了气象云图预测的结果的准确性。其中,终端102可以但不限于是各种安装有雷达装置的个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种气象云图预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:获取待预测区域对应的历史气象云图。
具体地,历史气象云图可以是根据雷达装置以前获取到的雷达气象数据进行处理得到的。雷达装置,即上文中的终端每隔一定时长生成一次雷达气象数据,例如,雷达装置每5分钟生成一次雷达气象数据,也就是说多个连续时刻中,相邻历史时刻之间的时间间隔可以为5分钟,雷达装置将雷达气象数据发送至服务器,从而服务器可以根据雷达气象数据生成气象云图。
可选地,获取待预测区域对应的历史气象云图可以包括:获取待预测区域在多个连续历史时刻的历史气象云图;或者获取待预测区域对应的预设时刻的一张历史气象云图。具体地,服务器在获取当前时刻之前预设数量个连续历史时刻的历史气象云图,各个相邻历史时刻之间的时间间隔均为5分钟,服务器可以获取50分钟内的10张历史气象云图。此外,若历史气象云图的采集存在一定难度,或者是其它的原因,则服务器还可以仅获取到待预测区域对应的预设时刻的一张历史气象云图,其中该一张历史气象云图可以是与当前时刻最接近的前一张历史气象云图,例如5分钟前所生成的历史气象云图。
S204:对历史气象云图进行处理得到动态信息。
具体地,动态信息是指历史气象云图所表征的动态变化信息,例如其可以包括气象云图的前后时间顺序信息,也就是说保证历史气象云图的连续性的信息。
可选地,服务器可以通过多层卷积递归神经网络来提取历史气象云图对应的动态信息,这样可以获取到历史气象云图对应的空间特征和时间特征,从而可以根据该空间特征和时间特征得到历史气象云图的连续性信息。
S206:从历史气象云图中选取目标云图,对目标云图进行处理得到内容信息。
具体地,目标云图是历史气象云图的其中一张,当历史气象云图只有一张时,则历史气象云图即为目标云图,当历史气象云图存在多张时,则目标云图可以为历史气象云图中的任一张,且可选地,为了提高预测的准确性,该目标云图可以是与当前时间的时间间隔最短的一张历史气象云图,也就是说服务器获取时间最新的历史气象云图作为目标云图。
内容信息是指历史气象云图中的所包含的静态的信息,其是用来表征历史气象云图的真实性的特征。可选地,服务器可以通过单层卷积神经网络来获取到历史气象云图的内容信息,例如内容提取卷积神经网络。
S208:将动态信息和内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图;生成对抗网络是基于最小二乘的训练方式训练得到的。
具体地,服务器在获取到历史气象云图的动态信息和内容信息后,则可以根据预设的网络来对动态信息和内容信息进行融合,例如可以通过concat和add的方式融合特征,并将融合后的信息输入至生成对抗网络中得到待预测区域在目标时间的目标气象云图。
其中生成对抗网络是基于生成网络(WGAN-GP)来生成的,且该生成对抗网络是基于最小二乘的训练方式训练得到的,这样服务器通过修改生成对抗网络中判别器的损失函数,对远离决策边界的样本进行惩罚,得到更优的梯度下降方向。从而可以避免原始生成对抗网络中,判别器的损失函数是采用的交叉熵损失,其虽然可以正确分类,但是会导致那些被决策便捷正确分类为“真”样本,但实际是原理真实数据的,且由于对抗生成网络生成的样本不会继续迭代并贡献回传梯度,因为其已经成功的欺骗了判别器,在梯度更新时,不会贡献回传梯度,继而引发梯度弥散问题。
在实际应用中,服务器首先利用深度学的图像生成网络的强大的信息组合能力,首先分别用过多层卷积递归神经网络从历史气象云图中提取动态信息,并通过内容提取卷积神经网络从历史气象云图中提取内容信息,并将动态信息和内容信息进行特征融合,此时,若在预测过程继续使用卷积递归神经网络(ConvLSTM)反而会加速信息丢失,增加计算资源消耗,因此本实施例中采用基于最小二乘的生成对抗网络来进行预测,这样有助于改善生成图像的质量,以得到与历史气象云图对应的全部预测图片,例如当输入的历史气象云图为n张时,则可以输出n张对应的预测图片。
上述气象云图预测方法,其根据待测区域对应的历史气象云图得到动态信息和内容信息,这样将动态信息和内容信息进行融合,以根据融合后的信息进行预测,即将融合后的信息输入至生成对抗网络中,得到对应的目标气象云图,这样该生成对抗网络是采用最小二乘的训练方式训练得到的,增加生成对抗网络的训练稳定性,减弱生成对抗网络训练过程中存在梯度回传湮灭的问题,从而保证了生成对抗网络的准确性,进而保证了气象云图预测的结果的准确性。
在其中一个实施例中,将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图之后,还包括:按照时间顺序对目标气象云图进行排序;按照排序顺序依次显示目标气象云图。
在其中一个实施例中,将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图之后,还包括:获取目标气象云图的显示张数,并根据显示张数将待显示区域进行划分;将目标气象云图显示在划分后的待显示区域中。
具体地,请参阅图3和图4所示,其中图3为一个实施例中目标气象云图的显示示意图,图4为另外一个实施例中目标气象云图的显示示意图,其中服务器在获取待预测区域在多个连续预测时刻或一个预测时刻的目标气象云图后,可以将目标气象云图进行整理、可视化显示,方便对目标区域进行强天气临近预报。
其中,当历史气象云图的张数为多个时,则服务器可以预测得到对应的多张目标气象云图,该多张目标气象云图是具有时间先后顺序的。可选地,参见图3,服务器按照时间顺序对目标气象云图进行排序,然后通过视频的方式依次显示目标气象云图,例如视频的第一帧为第一目标气象云图,显示预设时间段后,则显示视频的下一帧的目标气象云图。
可选地,参见图4,服务器还可以根据目标气象云图的张数来对待显示区域进行划分,例如当目标气象云图为6张时,则将待显示区域对应划分为6个子区域,每一个子区域显示一张目标气象云图,可选地,服务器还可以将每一张目标气象云图的时间显示在每个子区域上。
上述实施例中,服务器将目标气象云图进行整理、可视化显示,方便对目标区域进行强天气临近预报。
在其中一个实施例中,参见图5所示,图5为一个实施例中生成对抗网络训练过程的示意图,该生成对抗网络的训练方法包括:获取训练气象云图;通过预测网络对训练气象云图进行预测得到预测气象云图,并获取训练气象云图对应的真实气象云图;根据预测气象云图和真实气象云图对初始鉴别器进行训练,使得初始鉴别器对应的第一损失函数的值最小;根据训练完成的初始鉴别器、预测气象云图以及真实气象云图对预测网络进行训练,使得预测网络对应的第二损失函数的值最小;第一损失函数是根据预测气象云图以及真实气象云图的图像均方值误差以及最小二乘损失得到的;循环对初始鉴别器和预测网络进行训练,直至第二损失函数的值小于预设值时,得到生成对抗网络。
结合图5,首先服务器获取到训练气象云图,如图5中的z,其中服务器需要对训练气象云图进行处理,例如进行尺寸变换得到统一尺寸的训练气象云图,并提取到对应的训练气象云图的动态信息和内容信息后,将动态信息和内容信息进行融合。其中需要说明的时,服务器还需要获取到与训练气象云图对应的真实气象云图,以作为模型输出预测结果的对照组,从而对模型进行修正完成训练过程。
然后服务器将融合后的信息输入到预测网络G中得到预测气象云图G(z),这样服务器可以根据预测气象云图G(z)和真实气象云图x来对初始鉴别器进行训练,其中初始鉴别器可以包括视频鉴别器和图像鉴别器,两个鉴别器分别用来保证网络所预测出图片结果的连续性和真实性,此时预测得到图片序列与真实图片序列对应的标签分别为0和1,对鉴别器输出标签结果计算第一损失函数,得到对应梯度,再通过反向传播技术对鉴别器网络进行优化,从而使鉴别器网络得到训练。其中第一损失函数是根据预测气象云图以及真实气象云图的图像均方值误差以及最小二乘损失得到的,这样对远离决策边界的样本进行惩罚,得到更优的梯度下降方向。
服务器在对初始鉴别器训练完成后,则根据训练完成的初始鉴别器、预测气象云图以及真实气象云图对预测网络进行训练,使得预测网络对应的第二损失函数的值最小,例如将预测气象云图输入至训练完成的初始鉴别器中通过计算,此时预测气象云图序列对应标签为1,得到对应的最小二乘损失,同时在预测气象云图序列与真实气象云图序列中计算图片均方值误差和最小二乘损失,得到图片损失,最后通过反向传播技术对时序预测网络进行优化,使预测网络进行训练。
这样服务器循环对初始鉴别器和预测网络进行训练,直至第二损失函数的值小于预设值时,得到生成对抗网络。也就是说服务器对整个模型进行训练,当最后预测网络输出结果通过损失函数计算结果小于一定阈值(例如:loss<0.1),判断模型训练饱和,退出训练过程,保存最优模型,完成模型训练。
上述实施例中,生成对抗网络是基于生成网络(WGAN-GP)来生成的,且该生成对抗网络是基于最小二乘的训练方式训练得到的,这样服务器通过修改生成对抗网络中判别器的损失函数,对远离决策边界的样本进行惩罚,得到更优的梯度下降方向,避免了在梯度更新时,不会贡献回传梯度,继而引发梯度弥散问题。
具体地,请参见图6和图7所示,图6为一个实施例中的气象云图预测方法的网络结构图,图7为另外一个实施例中的气象云图预测方法的网络结构图,其中图6中的网络机构图中,其多层卷积递归神经网络的输入仅包括一张历史气象云图,图7所示的多层卷积递归神经网络的输入包括多张历史气象云图,但是其本质上都是为了提取历史气象云图中的动态信息,因此下文中仅以图7所示的网络结构进行说明。
在其中一个实施例中,对历史气象云图进行处理得到动态信息,包括:将所获取到的历史气象云图输入至多层卷积递归神经网络中,得到动态信息。
在其中一个实施例中,从历史气象云图中选取目标云图,对目标云图进行处理得到内容信息,包括:从历史气象云图中确定目标云图;目标云图对应的时刻与当前时刻的时间间隔最小;将目标云图输入至内容提取卷积神经网络中,得到目标云图的内容信息。
在其中一个实施例中,对历史气象云图进行处理得到动态信息之前,还包括:根据预设尺寸对历史气象云图进行尺寸变换。
具体地,结合图7,服务器首先获取历史气象云图,例如以获取到当前时刻之前的预设数量的连续时刻的历史气象云图,例如可以获取到当前时刻之前10个连续时刻的历史气象云图T-10~T-1。
然后服务器对所获取的历史气象云图进行尺寸变换得到预设尺寸的历史气象云图,例如服务器对输入历史气象云图进行裁剪,使历史气象云图大小统一为128×128像素,得到裁剪后的历史气象云图St-10~St-1。
这样服务器可以并行将将所获取到的历史气象云图输入至多层卷积递归神经网络中,得到动态信息,且从历史气象云图中确定目标云图;目标云图对应的时刻与当前时刻的时间间隔最小;将目标云图输入至内容提取卷积神经网络中,得到目标云图的内容信息,也就是说服务器一边通过多层卷积递归神经网络得到动态信息,另一边通过内容提取卷积神经网络得到内容信息。
结合图7,服务器将处理后历史气象云图S1~St-1依次送入多层卷积递归神经网络(ConvLSTM),该方法有利于更加准确的对连续动态信息进行提取。同时,服务器将处理后历史气象云图S1~St-1中最后一个时刻历史气象云图St-1,送入卷积神经网络(CNN_1)中,进行内容信息抽取。
然后服务器将所获取的动态信息和内容信息输入至卷积神经网络CONCAT中进行特征融合。
最后,服务器将融合后的信息输入至预测网络,即图中的Combination layers以及Decoder得到目标气象云图;生成对抗网络是基于最小二乘的训练方式训练得到的,具体的训练方式可以参见上文。
上述实施例中,服务器根据待测区域对应的历史气象云图得到动态信息和内容信息,这样将动态信息和内容信息进行融合,以根据融合后的信息进行预测,即将融合后的信息输入至生成对抗网络中,得到对应的目标气象云图,这样该生成对抗网络是采用最小二乘的训练方式训练得到的,增加生成对抗网络的训练稳定性,减弱生成对抗网络训练过程中存在梯度回传湮灭的问题,从而保证了生成对抗网络的准确性,进而保证了气象云图预测的结果的准确性。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种气象云图预测装置,包括:历史云图获取模块100、动态信息获取模块200、内容信息获取模块300和预测模块400,其中:
历史云图获取模块100,用于获取待预测区域对应的历史气象云图;
动态信息获取模块200,用于对历史气象云图进行处理得到动态信息;
内容信息获取模块300,用于从历史气象云图中选取目标云图,对目标云图进行处理得到内容信息;
预测模块400,用于将动态信息和内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图;生成对抗网络是基于最小二乘的训练方式训练得到的。
在其中一个实施例中,上述气象云图预测装置还可以包括:
排序模块,用于按照时间顺序对目标气象云图进行排序;
第一显示模块,用于按照排序顺序依次显示目标气象云图。
在其中一个实施例中,上述气象云图预测装置还可以包括:
划分模块,用于获取目标气象云图的显示张数,并根据显示张数将待显示区域进行划分;
第而显示模块,用于将目标气象云图显示在划分后的待显示区域中。
在其中一个实施例中,上述的历史云图获取模块100还用于获取待预测区域在多个连续历史时刻的历史气象云图;或者获取待预测区域对应的预设时刻的一张历史气象云图。
在其中一个实施例中,上述气象云图预测装置还可以包括:
训练气象云图获取模块,用于获取训练气象云图;
预测模块400,用于通过预测网络对训练气象云图进行预测得到预测气象云图,并获取训练气象云图对应的真实气象云图;
鉴别器训练模块,用于根据预测气象云图和真实气象云图对初始鉴别器进行训练,使得初始鉴别器对应的第一损失函数的值最小;
预测网络训练模块,用于根据训练完成的初始鉴别器、预测气象云图以及真实气象云图对预测网络进行训练,使得预测网络对应的第二损失函数的值最小,第二损失函数是根据预测气象云图以及真实气象云图的图像均方值误差以及最小二乘损失得到的;
循环训练模块,用于循环对初始鉴别器和预测网络进行训练,直至第二损失函数的值小于预设值时,得到生成对抗网络。
在其中一个实施例中,上述的动态信息获取模块200还用于将所获取到的历史气象云图输入至多层卷积递归神经网络中,得到动态信息。
在其中一个实施例中,上述的内容信息获取模块300包括:
目标云图确定单元,用于从历史气象云图中确定目标云图;目标云图对应的时刻与当前时刻的时间间隔最小;
内容信息提取单元,用于将目标云图输入至内容提取卷积神经网络中,得到目标云图的内容信息。
在其中一个实施例中,上述气象云图预测装置还可以包括:
尺寸变换模块,用于根据预设尺寸对历史气象云图进行尺寸变换。
关于气象云图预测装置的具体限定可以参见上文中对于气象云图预测方法的限定,在此不再赘述。上述气象云图预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史气象云图。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种气象云图预测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取待预测区域对应的历史气象云图;对历史气象云图进行处理得到动态信息;从历史气象云图中选取目标云图,对目标云图进行处理得到内容信息;将动态信息和内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图;生成对抗网络是基于最小二乘的训练方式训练得到的。
在一个实施例中,处理器执行计算机程序时所实现的将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图之后,还包括:按照时间顺序对目标气象云图进行排序;按照排序顺序依次显示目标气象云图。
在一个实施例中,处理器执行计算机程序时所实现的将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图之后,还包括:获取目标气象云图的显示张数,并根据显示张数将待显示区域进行划分;将目标气象云图显示在划分后的待显示区域中。
在一个实施例中,处理器执行计算机程序时所实现的获取待预测区域对应的历史气象云图,包括:获取待预测区域在多个连续历史时刻的历史气象云图;或者获取待预测区域对应的预设时刻的一张历史气象云图。
在一个实施例中,处理器执行计算机程序时所涉及的生成对抗网络的训练方法包括:获取训练气象云图;通过预测网络对训练气象云图进行预测得到预测气象云图,并获取训练气象云图对应的真实气象云图;根据预测气象云图和真实气象云图对初始鉴别器进行训练,使得初始鉴别器对应的第一损失函数的值最小;根据训练完成的初始鉴别器、预测气象云图以及真实气象云图对预测网络进行训练,使得预测网络对应的第二损失函数的值最小,第二损失函数是根据预测气象云图以及真实气象云图的图像均方值误差以及最小二乘损失得到的;循环对初始鉴别器和预测网络进行训练,直至第二损失函数的值小于预设值时,得到生成对抗网络。
在一个实施例中,处理器执行计算机程序时所实现的对历史气象云图进行处理得到动态信息,包括:将所获取到的历史气象云图输入至多层卷积递归神经网络中,得到动态信息。
在一个实施例中,处理器执行计算机程序时所实现的从历史气象云图中选取目标云图,对目标云图进行处理得到内容信息,包括:从历史气象云图中确定目标云图;目标云图对应的时刻与当前时刻的时间间隔最小;将目标云图输入至内容提取卷积神经网络中,得到目标云图的内容信息。
在一个实施例中,处理器执行计算机程序时所实现的对历史气象云图进行处理得到动态信息之前,还包括:根据预设尺寸对历史气象云图进行尺寸变换。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取待预测区域对应的历史气象云图;对历史气象云图进行处理得到动态信息;从历史气象云图中选取目标云图,对目标云图进行处理得到内容信息;将动态信息和内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图;生成对抗网络是基于最小二乘的训练方式训练得到的。
在一个实施例中,计算机程序被处理器执行时所实现的将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图之后,还包括:按照时间顺序对目标气象云图进行排序;按照排序顺序依次显示目标气象云图。
在一个实施例中,计算机程序被处理器执行时所实现的将融合后的信息输入至生成对抗网络中,得到待预测区域在目标时间的目标气象云图之后,还包括:获取目标气象云图的显示张数,并根据显示张数将待显示区域进行划分;将目标气象云图显示在划分后的待显示区域中。
在一个实施例中,计算机程序被处理器执行时所实现的获取待预测区域对应的历史气象云图,包括:获取待预测区域在多个连续历史时刻的历史气象云图;或者获取待预测区域对应的预设时刻的一张历史气象云图。
在一个实施例中,计算机程序被处理器执行时所涉及的生成对抗网络的训练方法包括:获取训练气象云图;通过预测网络对训练气象云图进行预测得到预测气象云图,并获取训练气象云图对应的真实气象云图;根据预测气象云图和真实气象云图对初始鉴别器进行训练,使得初始鉴别器对应的第一损失函数的值最小;根据训练完成的初始鉴别器、预测气象云图以及真实气象云图对预测网络进行训练,使得预测网络对应的第二损失函数的值最小,第二损失函数是根据预测气象云图以及真实气象云图的图像均方值误差以及最小二乘损失得到的;循环对初始鉴别器和预测网络进行训练,直至第二损失函数的值小于预设值时,得到生成对抗网络。
在一个实施例中,计算机程序被处理器执行时所实现的对历史气象云图进行处理得到动态信息,包括:将所获取到的历史气象云图输入至多层卷积递归神经网络中,得到动态信息。
在一个实施例中,计算机程序被处理器执行时所实现的从历史气象云图中选取目标云图,对目标云图进行处理得到内容信息,包括:从历史气象云图中确定目标云图;目标云图对应的时刻与当前时刻的时间间隔最小;将目标云图输入至内容提取卷积神经网络中,得到目标云图的内容信息。
在一个实施例中,计算机程序被处理器执行时所实现的对历史气象云图进行处理得到动态信息之前,还包括:根据预设尺寸对历史气象云图进行尺寸变换。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种气象云图预测方法,其特征在于,所述方法包括:
获取待预测区域对应的历史气象云图;
对所述历史气象云图进行处理得到动态信息;
从所述历史气象云图中选取目标云图,对所述目标云图进行处理得到内容信息;
将所述动态信息和所述内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图;所述生成对抗网络是基于最小二乘的训练方式训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图之后,还包括:
按照时间顺序对所述目标气象云图进行排序;
按照排序顺序依次显示所述目标气象云图。
3.根据权利要求1所述的方法,其特征在于,所述将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图之后,还包括:
获取所述目标气象云图的显示张数,并根据所述显示张数将待显示区域进行划分;
将所述目标气象云图显示在划分后的所述待显示区域中。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述获取待预测区域对应的历史气象云图,包括:
获取待预测区域在多个连续历史时刻的历史气象云图;或者获取待预测区域对应的预设时刻的一张历史气象云图。
5.根据权利要求4所述的方法,其特征在于,所述生成对抗网络的训练方法包括:
获取训练气象云图;
通过预测网络对所述训练气象云图进行预测得到预测气象云图,并获取所述训练气象云图对应的真实气象云图;
根据所述预测气象云图和所述真实气象云图对初始鉴别器进行训练,使得所述初始鉴别器对应的第一损失函数的值最小;
根据训练完成的初始鉴别器、所述预测气象云图以及所述真实气象云图对所述预测网络进行训练,使得所述预测网络对应的第二损失函数的值最小,所述第一损失函数和所述第二损失函数是根据所述预测气象云图以及所述真实气象云图的图像均方值误差以及最小二乘损失得到的;
循环对所述初始鉴别器和所述预测网络进行训练,直至所述第一损失函数和第二损失函数的值均小于预设值时,得到生成对抗网络。
6.根据权利要求4所述的方法,其特征在于,所述对所述历史气象云图进行处理得到动态信息,包括:
将所获取到的历史气象云图输入至多层卷积递归神经网络中,得到动态信息。
7.根据权利要求4所述的方法,其特征在于,所述从所述历史气象云图中选取目标云图,对所述目标云图进行处理得到内容信息,包括:
从所述历史气象云图中确定目标云图;所述目标云图对应的时刻与当前时刻的时间间隔最小;
将所述目标云图输入至内容提取卷积神经网络中,得到所述目标云图的内容信息。
8.根据权利要求4所述的方法,其特征在于,所述对所述历史气象云图进行处理得到动态信息之前,还包括:
根据预设尺寸对所述历史气象云图进行尺寸变换。
9.一种气象云图预测装置,其特征在于,所述装置包括:
历史云图获取模块,用于获取待预测区域对应的历史气象云图;
动态信息获取模块,用于对所述历史气象云图进行处理得到动态信息;
内容信息获取模块,用于从所述历史气象云图中选取目标云图,对所述目标云图进行处理得到内容信息;
预测模块,用于将所述动态信息和所述内容信息进行融合,并将融合后的信息输入至生成对抗网络中,得到所述待预测区域在目标时间的目标气象云图;所述生成对抗网络是基于最小二乘的训练方式训练得到的。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222455.3A CN111337929A (zh) | 2020-03-26 | 2020-03-26 | 气象云图预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222455.3A CN111337929A (zh) | 2020-03-26 | 2020-03-26 | 气象云图预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111337929A true CN111337929A (zh) | 2020-06-26 |
Family
ID=71182570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010222455.3A Pending CN111337929A (zh) | 2020-03-26 | 2020-03-26 | 气象云图预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111337929A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668613A (zh) * | 2020-12-07 | 2021-04-16 | 中国西安卫星测控中心 | 基于气象预报和机器学习的卫星红外成像效果预测方法 |
CN113420939A (zh) * | 2021-07-15 | 2021-09-21 | 上海眼控科技股份有限公司 | 云图预报方法、设备及存储介质 |
CN115984688A (zh) * | 2022-12-20 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种面向连续帧的双流云图预测方法、存储介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022101A (zh) * | 2015-06-23 | 2015-11-04 | 国家卫星气象中心 | 强对流云团追踪方法 |
CN106371155A (zh) * | 2016-08-25 | 2017-02-01 | 华南师范大学 | 基于大数据和分析场的气象预报方法及系统 |
CN108334832A (zh) * | 2018-01-26 | 2018-07-27 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的视线估计方法 |
CN108364097A (zh) * | 2018-02-07 | 2018-08-03 | 国家海洋局北海预报中心 | 基于生成对抗网络的台风云系预测方法 |
CN108460739A (zh) * | 2018-03-02 | 2018-08-28 | 北京航空航天大学 | 一种基于生成对抗网络的遥感图像薄云去除方法 |
CN108520282A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于Triple-GAN的分类方法 |
CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN108961198A (zh) * | 2018-07-09 | 2018-12-07 | 中国海洋大学 | 一种多风格生成对抗网络的水下图像合成方法及其应用 |
CN110689562A (zh) * | 2019-09-26 | 2020-01-14 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的轨迹回环检测优化方法 |
-
2020
- 2020-03-26 CN CN202010222455.3A patent/CN111337929A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022101A (zh) * | 2015-06-23 | 2015-11-04 | 国家卫星气象中心 | 强对流云团追踪方法 |
CN106371155A (zh) * | 2016-08-25 | 2017-02-01 | 华南师范大学 | 基于大数据和分析场的气象预报方法及系统 |
CN108334832A (zh) * | 2018-01-26 | 2018-07-27 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的视线估计方法 |
CN108364097A (zh) * | 2018-02-07 | 2018-08-03 | 国家海洋局北海预报中心 | 基于生成对抗网络的台风云系预测方法 |
CN108460739A (zh) * | 2018-03-02 | 2018-08-28 | 北京航空航天大学 | 一种基于生成对抗网络的遥感图像薄云去除方法 |
CN108520282A (zh) * | 2018-04-13 | 2018-09-11 | 湘潭大学 | 一种基于Triple-GAN的分类方法 |
CN108615073A (zh) * | 2018-04-28 | 2018-10-02 | 北京京东金融科技控股有限公司 | 图像处理方法及装置、计算机可读存储介质、电子设备 |
CN108961198A (zh) * | 2018-07-09 | 2018-12-07 | 中国海洋大学 | 一种多风格生成对抗网络的水下图像合成方法及其应用 |
CN110689562A (zh) * | 2019-09-26 | 2020-01-14 | 深圳市唯特视科技有限公司 | 一种基于生成对抗网络的轨迹回环检测优化方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668613A (zh) * | 2020-12-07 | 2021-04-16 | 中国西安卫星测控中心 | 基于气象预报和机器学习的卫星红外成像效果预测方法 |
CN113420939A (zh) * | 2021-07-15 | 2021-09-21 | 上海眼控科技股份有限公司 | 云图预报方法、设备及存储介质 |
CN115984688A (zh) * | 2022-12-20 | 2023-04-18 | 中国科学院空天信息创新研究院 | 一种面向连续帧的双流云图预测方法、存储介质及设备 |
CN115984688B (zh) * | 2022-12-20 | 2023-07-04 | 中国科学院空天信息创新研究院 | 一种面向连续帧的双流云图预测方法、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242372A (zh) | 气象雷达回波图预测方法、装置、计算机设备和存储介质 | |
CN111337929A (zh) | 气象云图预测方法、装置、计算机设备和存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN111239739A (zh) | 气象雷达回波图预测方法、装置、计算机设备和存储介质 | |
CN111505740B (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
CN109903272B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
CN110263733B (zh) | 图像处理方法、提名评估方法及相关装置 | |
KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
CN111476191B (zh) | 基于智慧交通的人工智能图像处理方法及大数据云服务器 | |
CN112766108B (zh) | 基于上下文信息的sar图像目标检测方法 | |
CN111191533A (zh) | 行人重识别的处理方法、装置、计算机设备和存储介质 | |
JP2020098587A (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
JP2022028870A (ja) | 車線検出方法、装置、電子機器、記憶媒体及び車両 | |
CN111464810A (zh) | 视频预测方法、装置、计算机设备和计算机可读存储介质 | |
CN111507929A (zh) | 气象云图预测方法、装置、计算机设备和存储介质 | |
CN112270243A (zh) | 基于智慧交通的截取图像合成方法、系统及云服务器 | |
CN113449586A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN116745653A (zh) | 使用生成式神经网络的临近预报 | |
CN113383283B (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
CN111950419A (zh) | 图像信息预测方法、装置、计算机设备和存储介质 | |
Nie et al. | Self-attention UNet model for radar based precipitation nowcasting | |
CN110705513A (zh) | 视频特征提取方法、装置、可读存储介质和计算机设备 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20220920 |
|
AD01 | Patent right deemed abandoned |