CN111445460A - 雷达云图的预测方法、装置、计算机设备和存储介质 - Google Patents
雷达云图的预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111445460A CN111445460A CN202010236274.6A CN202010236274A CN111445460A CN 111445460 A CN111445460 A CN 111445460A CN 202010236274 A CN202010236274 A CN 202010236274A CN 111445460 A CN111445460 A CN 111445460A
- Authority
- CN
- China
- Prior art keywords
- sequence
- picture
- historical
- radar cloud
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000010586 diagram Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及计算机技术领域,特别是涉及一种雷达云图的预测方法、装置、计算机设备和存储介质。所述方法包括:获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成;基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列;对历史图片对序列进行预测处理,得到未来时间段的预测数据;对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。采用本方法能够提升雷达云图预测的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种雷达云图的预测方法、装置、计算机设备和存储介质。
背景技术
随着遥感科技的发展,雷达已经成为了地面探测天气情况的重要手段。雷达存储的基础数据是反射率因子的强度信息,通常将反射率因子的强度信息映射成以不同颜色代表不同强度的反射率因子图。
在传统方式中,利用人工智能(Artificial Intelligence,AI)模型对历史雷达云图进行未来时间段雷达云图的预测,模型并不能准确提取出历史雷达云图的特征,使得预测效果并不明显,雷达云图预测的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升预测准确性的雷达云图的预测方法、装置、计算机设备和存储介质。
一种雷达云图的预测方法,所述方法包括:
获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成;
基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列;
对历史图片对序列进行预测处理,得到未来时间段的预测数据;
对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
在其中一个实施例中,对历史图片对序列进行预测处理,得到未来时间段的预测数据,包括:
对历史图片对序列中各历史图片对之间的图片变化时序特征进行提取,得到对应历史图片对序列的图片变化时序特征;
基于图片变化时序特征,预测未来时间段的未来图片变化时序特征,以得到预测数据。
在其中一个实施例中,对历史图片对序列进行预测处理,得到未来时间段的预测数据,包括:
对历史图片对序列进行映射处理,得到对应历史图片对序列的多维历史数据;
对多维历史数据进行分析预测,得到多维预测数据,以多维预测数据作为预测数据。
在其中一个实施例中,对预测数据进行反向处理,得到未来时间段的预测雷达云图序列,包括:
根据预测数据,通过第一生成器对预测数据进行筛选以及反向处理,生成预测雷达云图序列,并通过第一鉴别器鉴别后输出。
在其中一个实施例中,上述方法还包括:
根据预测数据,通过第二生成器对预测数据进行筛选以及反向处理,生成预测高斯拟合图序列,并通过第二鉴别器鉴别后输出。
在其中一个实施例中,对历史图片对序列进行预测处理之前,还包括:
对历史图片对序列中的各历史图片对进行图片尺寸的缩小或放大处理,得到与预设尺寸一致的历史图片对序列。
在其中一个实施例中,基于历史雷达云图序列生成高斯拟合图序列,包括:
获取历史雷达云图序列,并通过预设方式将历史雷达云图序列中的各历史雷达云图转换为散点图;
通过高斯拟合混合模型对各散点图进行拟合处理,得到对应历史雷达云图序列的高斯拟合图序列。
一种雷达云图的预测装置,装置包括:
获取模块,用于获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成;
图片对序列生成模块,用于基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列;
预测模块,用于对历史图片对序列进行预测处理,得到未来时间段的预测数据;
第一反向处理模块,用于对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
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任一项所述的方法的步骤。
上述雷达云图的预测方法、装置、计算机设备和存储介质,通过获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成,然后基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列,并对历史图片对序列进行预测处理,得到未来时间段的预测数据,进一步对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。从而,历史图片对序列中包含历史雷达云图序列以及基于历史雷达云图序列所生成高斯拟合图序列,使得用于预测的历史图片对序列包含了原始数据的所有信息,保障了数据的完整性,并且,由于高斯拟合图序列是基于历史雷达云图序列生成,高斯拟合图序列中去除了历史雷达云图中的无用信息,可以使得用于预测的数据更具针对性,可以提升预测的准确性,进而可以提升生成的预测雷达云图序列的准确性。
附图说明
图1为一个实施例中雷达云图的预测方法的流程示意图;
图2为一个实施例中雷达云图的示意图;
图3为一个实施例中高斯拟合图的示意图;
图4为另一个实施例中雷达云图的预测方法的流程示意图;
图5为一个实施例中预测网络的结构示意图;
图6为一个实施例中雷达云图的预测装置的结构框图;
图7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。
本申请提供的雷达云图的预测方法运行于服务器中。其中,服务器基于获取的历史时间段的雷达云图序列以及高斯拟合图序列,进行未来时间段雷达云图序列的预测。具体的,服务器获取历史雷达云图序列以及高斯拟合图序列,其中,高斯拟合图序列基于历史雷达云图序列生成,然后服务器基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列,进一步,服务器通过对历史图片对序列进行预测处理,得到未来时间段的预测数据,并对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。在本实施例中,服务器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1所示,提供了一种雷达云图的预测方法,可以包括以下步骤:
步骤S102,获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成。
其中,历史雷达云图序列包括多个时间点的历史雷达云图,历史雷达云图序列可以表示为(C1,C2,…,Cn)。雷达云图又称雷达回波图,是由气象雷达发射微波信号探测到的天气信息,再在雷达显示器上呈现的回波图片。参考图2,雷达回波图可以是彩色图片,也可以是灰度图片。具体地,雷达回波图的存储是基于矩阵的,雷达回波图的数据矩阵,也可以称为像素点矩阵。若雷达回波图为彩色图片,则雷达回波图的数据矩阵为三维数据矩阵;若雷达回波图为灰度图片,则雷达回波图的数据矩阵为单通道矩阵。
高斯拟合图序列包括多个时间点的高斯拟合图,高斯拟合图序列可以表示为(G1,G2,…,Gn)。其中,高斯拟合图序列中各高斯拟合图分别与历史雷达云图序列中各历史雷达云图对应。
高斯拟合图是指基于历史雷达云图生成的图片,高斯拟合图中呈现了降水云系的位置变化以及范围变化等信息,高斯拟合图参考图3所示。
步骤S104,基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列。
其中,历史图片对序列包括多个历史图片对,各历史图片对由同一时间点的雷达云图和高斯拟合图组成。具体地,历史图片对序列可以表示为{(C1,G1),(C2,G2),…,(Cn,Gn)}。
在本实施例中,服务器可以根据历史雷达云图序列以及高斯拟合图序列中各图片的时间点或者时间标识,提取对应的雷达云图以及高斯拟合图,并组成历史图片对,以得到对应历史雷达云图序列以及高斯拟合图序列的历史图片对序列。
步骤S106,对历史图片对序列进行预测处理,得到未来时间段的预测数据。
在本实施例中,预测是指基于历史时间段的数据对未来时间段的数据进行预测。
在本实施例中,服务器可以将历史图片对序列输入训练并验证后的预测网络,以通过训练并验证后的预测网络进行预测处理,例如,参考图4,递归神经网络(RecursiveNeural Network,RNN)等。
具体地,服务器可以将历史图片对序列中各时间点的历史图片对分别依次输入预测网络,以进行特征提取,并基于提取的特征数据对未来时间段的数据进行预测,得到未来时间段的预测数据。
在本实施例中,预测数据是指对提取的特征进行预测得到的数据,是指中间数据,非最终的图片数据。
步骤S108,对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
在本实施例中,反向处理是指基于中间预测数据得到最终输出的图片数据的过程。
具体地,服务器对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。预测雷达云图序列可以通过生成对抗网络(Generative Adversarial Network,GAN)生成,生成对抗网络可以包括生成器以及鉴别器。
在本实施例中,生成对抗网络是预先进行训练后的网络,可以对网络中生成器以及鉴别器进行交叉训练,训练方式包括:首先,一个一代的generator(生成器),可以根据输入图片生成对应的图片,一代的generator生成的图片相比于真实图片,图片质量较差,然后一个一代的discriminator(鉴别器),能准确的把generator生成的图片和真实的图片进行分类,简而言之,discriminator是一个二分类器,对generator生成的图片输出0,对真实的图片输1。进一步,服务器基于鉴别器的鉴别结果开始训练出二代的generator,二代的generator生成的图片相比于一代的generator生成的图片,图片质量稍好,能够让一代的discriminator认为这些生成的图片是真实的图片。然后服务器会训练出一个二代的discriminator,它能准确的识别出真实的图片以及二代的generator生成的图片。以此类推,会有三代,四代…n代的generator和discriminator。最后,最终的discriminator无法分辨出generator生成的图片和真实图片,则GAN网络训练完成。在本实施例中,通过使用GAN网络进行图像的生成输出,可以提升输出的预测雷达云图的质量,提升预测的准确性。
上述雷达云图的预测方法中,通过获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成,然后基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列,并对历史图片对序列进行预测处理,得到未来时间段的预测数据,进一步对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。从而,历史图片对序列中包含历史雷达云图序列以及基于历史雷达云图序列所生成高斯拟合图序列,使得用于预测的历史图片对序列包含了原始数据的所有信息,保障了数据的完整性,并且,由于高斯拟合图序列是基于历史雷达云图序列生成,高斯拟合图序列中去除了历史雷达云图中的无用信息,可以使得用于预测的数据更具针对性,可以提升预测的准确性,进而可以提升生成的预测雷达云图序列的准确性。
在其中一个实施例中,对历史图片对序列进行预测处理,得到未来时间段的预测数据,可以包括:对历史图片对序列中各历史图片对之间的图片变化时序特征进行提取,得到对应历史图片对序列的图片变化时序特征;基于图片变化时序特征,预测未来时间段的未来图片变化时序特征,以得到预测数据。
其中,图片变化时序特征是指一定时间段内,图片随时间延续而发生变化对应的特征。
具体地,参考图5,前文所述的预测网络的主体结构由Encoder(编码器)部分和Decoder(解码器)部分组成。其中,Encoder和Decoder分别由n个LSTM cell串联组成。
在本实施例中,服务器可以按照时间顺序将历史图片对序列中的各历史图片对分别输入编码器Encoder的各个LSTM cell中,通过各个LSTM cell分别进行图片特征提取,以得到随时间变化的图片变化时序特征。
进一步,在Decoder中每个LSTM cell会基于图片变化时序特征,依次对未来时间段各时间点进行图片特征的预测,并输出对应时间点的预测图片特征,从而得到未来图片变化时序特征。
在本实施例中,Encoder中所有的LSTM cell共享参数,当对LSTM cell的参数进行更改时,则相当于是对Encoder所有的LSTM cell的参数均进行了修改。同理,对Decoder中参数进行更改时,则相当于是对Decoder中所有的LSTM cell的参数均进行了修改。
上述实施例中,通过对历史图片对序列中各历史图片对之间的图片变化时序特征进行提取,并预测未来时间段的未来图片变化时序特征,以得到预测数据,从而可以通过历史数据中图片的变化过程对未来时间段内图片的变换过程进行预测,可以提升预测的准确性。
在其中一个实施例中,对历史图片对序列进行预测处理,得到未来时间段的预测数据,可以包括:对历史图片对序列进行映射处理,得到对应历史图片对序列的多维历史数据;对多维历史数据进行分析预测,得到多维预测数据,以多维预测数据作为预测数据。
具体地,Encoder中输入数据是尺寸为(2、H、W),其中,“2”代表数据的通道,即两个通道(历史雷达云图序列以及高斯拟合图序列),H和W分别对应图片的大小,即H表示图片的高度,W表示图片的宽度。
在本实施例中,服务器输入的数据是2通道2维的数据,Encoder可以将输入的2维数据进行多维映射处理,使得映射后数据维度高于2维,例如,3维或者4维等。
进一步,Decoder分别对各维度的数据分别进行预测处理,分别得到各维度的预测数据,以得到多维预测数据,并将该多维预测数据作为预测数据。
具体地,Decoder中各LSTM cell输出的预测数据尺寸为(c,h,w)。服务器可以根据输出尺寸的要求设定输出尺寸的大小,例如,64*64,或者8*8等,对此不作限制。在一个具体实施例中,Decoder输出的预测数据尺寸为(32,8,8)。
上述实施例中,通过对历史图片对序列进行映射处理,得到对应历史图片对序列的多维历史数据,并对多维历史数据进行分析预测,得到多维预测数据,从而,将低维数据经过映射变换为多维数据后进行预测,可以将数据拆分为多个维度进行预测处理,使得各维度的数据更清楚,进而提升预测的准确性。
在其中一个实施例中,对预测数据进行反向处理,得到未来时间段的预测雷达云图序列,可以包括:根据预测数据,通过第一生成器对预测数据进行筛选以及反向处理,生成预测雷达云图序列,并通过第一鉴别器鉴别后输出。
如前文所述,生成对抗网络包括生成器以及鉴别器,且生成对抗网络是预先进行训练后的网络。
在本实施例中,第一生成器以及第一鉴别器共同组成生成对抗网络,并且已经交叉训练完成,具体训练过程如前文所述,此处不再赘述。
在本实施例中,第一生成器以预测数据为输入,基于训练的功能,从预测数据中筛选出用于生成雷达云图的预测数据,并对筛选得到的预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
进一步,服务器将生成的预测雷达云图序列输入第一鉴别器,通过第一鉴别器鉴别确认后输出。
上述实施例中,通过第一生成器对预测数据进行筛选以及反向处理,生成预测雷达云图序列,并通过第一鉴别器鉴别后输出,从而,第一生成器和第一鉴别器仅输出预测雷达云图序列,相比于通过同一生成器和鉴别器进行多种数据的处理输出,,可以提升输出的预测雷达云图序列的准确性。
在其中一个实施例中,上述方法还可以包括:根据预测数据,通过第二生成器对预测数据进行筛选以及反向处理,生成预测高斯拟合图序列,并通过第二鉴别器鉴别后输出。
其中,第二生成器以及第二鉴别器共同组成生成对抗网络(GenerativeAdversarial Network,GAN),并进行交叉训练后得到,训练方式如前文所述,此处不再赘述。
具体地,第一生成器以及第一鉴别器共同组成生成对抗网络与第二生成器以及第二鉴别器共同组成生成对抗网络并行同时训练,互不干扰。
在本实施例中,服务器基于同一预测数据并行生成预测雷达云图序列和预测高斯拟合图序列,而为了使得生成的预测雷达云图序列和预测高斯拟合图序列,服务器通过不同的GAN网络生成预测雷达云图序列和预测高斯拟合图序列,即,通过第一生成器和第一鉴别器组成的GAN网络生成预测雷达云图序列,而通过独立于第一生成器和第一鉴别器的第二生成器和第二生成器组成的GAN网络生成预测高斯拟合图序列。
具体地,第二生成器以预测数据为输入,基于训练的功能,从预测数据中筛选出用于生成高斯拟合图的预测数据,并对筛选得到的预测数据进行反向处理,得到未来时间段的预测高斯拟合图序列。
进一步,服务器将生成的预测高斯拟合图序列输入第二鉴别器,通过第二鉴别器鉴别确认后输出。
上述实施例中,通过对应预测高斯拟合图序列的第二生成器以及第二鉴别器对预测数据进行处理,然后输出预测高斯拟合图序列,第二生成器以及第二鉴别器仅输出预测高斯拟合图序列,相比于通过同一生成器和鉴别器进行多种数据的处理输出,可以提升输出的预测高斯拟合图序列的准确性。
在其中一个实施例中,对历史图片对序列进行预测处理之前,还可以包括:对历史图片对序列中的各历史图片对进行图片尺寸的缩小或放大处理,得到与预设尺寸一致的历史图片对序列。
具体地,服务器在得到对应的历史图片对序列之后,可以分别对历史图片对序列中的各历史图片对的各图片进行归一化的缩小或放大处理,以得到尺寸一致的历史图片对序列,例如统一处理为720*720的图片。
可选地,服务器可以根据预测网络的要求,将各历史图片对序列处理为符合预测网络的输入尺寸要求的历史图片对序列,例如,将预测网络的输入尺寸要求为128*128,则服务器可以将对应的图片处理为128*128的图片。
上述实施例中,通过对历史图片对序列中的各历史图片对进行图片尺寸的缩小或放大处理,得到与预设尺寸一致的历史图片对序列,可以使进行预测的数据符合尺寸一致且符合预测处理要求,可以降低预测过程中数据处理难度,提升预测的准确性。
在其中一个实施例中,基于历史雷达云图序列生成高斯拟合图序列,可以包括:获取历史雷达云图序列,并通过预设方式将历史雷达云图序列中的各历史雷达云图转换为散点图;通过高斯拟合混合模型对各散点图进行拟合处理,得到对应历史雷达云图序列的高斯拟合图序列。
具体地,服务器可以通过预设大小的转换核将历史雷达云图序列中各雷达云图转换为散点图。
其中,转换核是指在对雷达云图进行处理时,对雷达回波图的数据矩阵内一个小区域的各像素值进行计算的函数。转换核具有预设的尺寸大小,可以是4*4,也可以是5*5,还可以是6*6。转换核所对应的小区域的面积与转换核的尺寸有关。
具体地,服务器利用转换核对雷达云图进行遍历,对转换核所对应的小区域内的像素值进行计算,根据转换核对像素值的计算结果确定在转换核所对应的小区域内需要生成的散点数量,赋予每个小区域相对应散点。将各个小区域内的散点进行拼接,合成与雷达云图相对应的散点图。遍历历史雷达云图序列中的各雷达云图,分别得到对应各雷达云图的散点图。
进一步,服务器根据散点图中各点的位置,利用高斯混合模型对各散点图进行拟合,生成对应的各高斯拟合图,以得到高斯拟合图序列。
其中,高斯混合模型(Gaussian Mixed Model,GMM)指的是多个高斯分布函数的线性组合,理论上GMM可以拟合出任意类型的分布,通常用于解决同一集合下的数据包含多个不同的分布的情况。GMM的基本思想为:任意形状的概率分布都可以用多个高斯分布函数去近似,即GMM由多个单高斯密度分布(Gaussian)组成。
在本实施例中,服务器可以根据散点图中各点的位置,利用高斯混合模型进行多次拟合,分别得到多次拟合过程中的赤池信息准则(Akaike Information Criterion,AIC)分数以及贝叶斯信息准则(Bayesian Information Criterion,BIC)分数。
然后,服务器通过对AIC分数以及BIC分数进行综合分析,获取最佳的GMM拟合结果。例如,服务器可以根据多次拟合的得到的多个AIC分数以及BIC分数,分别绘制AIC曲线和BIC曲线,然后分别确定AIC曲线和BIC曲线中的拐点,根据AIC曲线的拐点以及BIC曲线的拐点确定目标高斯混合模型,以通过目标高斯混合模型,生成最佳的高斯拟合图序列。
上述实施例中,通过预设方式将历史雷达云图序列中的各历史雷达云图转换为散点图,并通过高斯拟合混合模型对各散点图进行拟合处理,得到对应历史雷达云图序列的高斯拟合图序列,实现将每片降水云系进行数值化,则后续可以直接使用数学模型对各降水云系个体进行预测,并直观地分离出每片降水云系的个体,提升预测的准确性。
应该理解的是,虽然图1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1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6所示,提供了一种雷达云图的预测装置,包括:获取模块100、图片对序列生成模块200、预测模块300和第一反向处理模块400,其中:
获取模块100,用于获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成。
图片对序列生成模块200,用于基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列。
预测模块300,用于对历史图片对序列进行预测处理,得到未来时间段的预测数据。
第一反向处理模块400,用于对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
在其中一个实施例中,预测模块300可以包括:
特征提取子模块,用于对历史图片对序列中各历史图片对之间的图片变化时序特征进行提取,得到对应历史图片对序列的图片变化时序特征。
第一预测子模块,用于基于图片变化时序特征,预测未来时间段的未来图片变化时序特征,以得到预测数据。
在其中一个实施例中,预测模块300可以包括:
映射处理子模块,用于对历史图片对序列进行映射处理,得到对应历史图片对序列的多维历史数据。
第二预测子模块,用于对多维历史数据进行分析预测,得到多维预测数据,以多维预测数据作为预测数据。
在其中一个实施例中,第一反向处理模块400用于根据预测数据,通过第一生成器对预测数据进行筛选以及反向处理,生成预测雷达云图序列,并通过第一鉴别器鉴别后输出。
在其中一个实施例中,上述装置还可以包括:第二反向处理模块,用于根据预测数据,通过第二生成器对预测数据进行筛选以及反向处理,生成预测高斯拟合图序列,并通过第二鉴别器鉴别后输出。
在其中一个实施例中,上述装置还可以包括:
预处理模块,用于预测模块300对历史图片对序列进行预测处理之前,对历史图片对序列中的各历史图片对进行图片尺寸的缩小或放大处理,得到与预设尺寸一致的历史图片对序列。
在其中一个实施例中,上述装置还可以包括:拟合模块,用于基于历史雷达云图序列生成高斯拟合图序列。
拟合模块可以包括:
获取子模块,用于获取历史雷达云图序列,并通过预设方式将历史雷达云图序列中的各历史雷达云图转换为散点图;
拟合处理子模块,用于通过高斯拟合混合模型对各散点图进行拟合处理,得到对应历史雷达云图序列的高斯拟合图序列。
关于雷达云图的预测装置的具体限定可以参见上文中对于雷达云图的预测方法的限定,在此不再赘述。上述雷达云图的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7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雷达云图序列、高斯拟合图序列、图片对序列以及预测数据等数据。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雷达云图的预测方法。
本领域技术人员可以理解,图7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:获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成;基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列;对历史图片对序列进行预测处理,得到未来时间段的预测数据;对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
在其中一个实施例中,处理器执行计算机程序时实现对历史图片对序列进行预测处理,得到未来时间段的预测数据,可以包括:对历史图片对序列中各历史图片对之间的图片变化时序特征进行提取,得到对应历史图片对序列的图片变化时序特征;基于图片变化时序特征,预测未来时间段的未来图片变化时序特征,以得到预测数据。
在其中一个实施例中,处理器执行计算机程序时实现对历史图片对序列进行预测处理,得到未来时间段的预测数据,可以包括:对历史图片对序列进行映射处理,得到对应历史图片对序列的多维历史数据;对多维历史数据进行分析预测,得到多维预测数据,以多维预测数据作为预测数据。
在其中一个实施例中,处理器执行计算机程序时实现对预测数据进行反向处理,得到未来时间段的预测雷达云图序列,可以包括:根据预测数据,通过第一生成器对预测数据进行筛选以及反向处理,生成预测雷达云图序列,并通过第一鉴别器鉴别后输出。
在其中一个实施例中,处理器执行计算机程序时还可以实现:根据预测数据,通过第二生成器对预测数据进行筛选以及反向处理,生成预测高斯拟合图序列,并通过第二鉴别器鉴别后输出。
在其中一个实施例中,处理器执行计算机程序时实现对历史图片对序列进行预测处理之前,还可以包括:对历史图片对序列中的各历史图片对进行图片尺寸的缩小或放大处理,得到与预设尺寸一致的历史图片对序列。
在其中一个实施例中,处理器执行计算机程序时实现基于历史雷达云图序列生成高斯拟合图序列,可以包括:获取历史雷达云图序列,并通过预设方式将历史雷达云图序列中的各历史雷达云图转换为散点图;通过高斯拟合混合模型对各散点图进行拟合处理,得到对应历史雷达云图序列的高斯拟合图序列。
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:获取历史雷达云图序列以及高斯拟合图序列,高斯拟合图序列基于历史雷达云图序列生成;基于获取的历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列;对历史图片对序列进行预测处理,得到未来时间段的预测数据;对预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
在其中一个实施例中,计算机程序被处理器执行时实现对历史图片对序列进行预测处理,得到未来时间段的预测数据,可以包括:对历史图片对序列中各历史图片对之间的图片变化时序特征进行提取,得到对应历史图片对序列的图片变化时序特征;基于图片变化时序特征,预测未来时间段的未来图片变化时序特征,以得到预测数据。
在其中一个实施例中,计算机程序被处理器执行时实现对历史图片对序列进行预测处理,得到未来时间段的预测数据,可以包括:对历史图片对序列进行映射处理,得到对应历史图片对序列的多维历史数据;对多维历史数据进行分析预测,得到多维预测数据,以多维预测数据作为预测数据。
在其中一个实施例中,计算机程序被处理器执行时实现对预测数据进行反向处理,得到未来时间段的预测雷达云图序列,可以包括:根据预测数据,通过第一生成器对预测数据进行筛选以及反向处理,生成预测雷达云图序列,并通过第一鉴别器鉴别后输出。
在其中一个实施例中,计算机程序被处理器执行时还可以实现:根据预测数据,通过第二生成器对预测数据进行筛选以及反向处理,生成预测高斯拟合图序列,并通过第二鉴别器鉴别后输出。
在其中一个实施例中,计算机程序被处理器执行时实现对历史图片对序列进行预测处理之前,还可以包括:对历史图片对序列中的各历史图片对进行图片尺寸的缩小或放大处理,得到与预设尺寸一致的历史图片对序列。
在其中一个实施例中,计算机程序被处理器执行时实现基于历史雷达云图序列生成高斯拟合图序列,可以包括:获取历史雷达云图序列,并通过预设方式将历史雷达云图序列中的各历史雷达云图转换为散点图;通过高斯拟合混合模型对各散点图进行拟合处理,得到对应历史雷达云图序列的高斯拟合图序列。
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 (10)
1.一种雷达云图的预测方法,所述方法包括:
获取历史雷达云图序列以及高斯拟合图序列,所述高斯拟合图序列基于所述历史雷达云图序列生成;
基于获取的所述历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列;
对所述历史图片对序列进行预测处理,得到未来时间段的预测数据;
对所述预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
2.根据权利要求1所述的方法,其特征在于,所述对所述历史图片对序列进行预测处理,得到未来时间段的预测数据,包括:
对所述历史图片对序列中各历史图片对之间的图片变化时序特征进行提取,得到对应所述历史图片对序列的图片变化时序特征;
基于所述图片变化时序特征,预测未来时间段的未来图片变化时序特征,以得到所述预测数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述历史图片对序列进行预测处理,得到未来时间段的预测数据,包括:
对所述历史图片对序列进行映射处理,得到对应所述历史图片对序列的多维历史数据;
对所述多维历史数据进行分析预测,得到多维预测数据,以所述多维预测数据作为所述预测数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述预测数据进行反向处理,得到未来时间段的预测雷达云图序列,包括:
根据所述预测数据,通过第一生成器对所述预测数据进行筛选以及反向处理,生成预测雷达云图序列,并通过第一鉴别器鉴别后输出。
5.根据权利要求1所述的方法,其特征在于,还包括:
根据所述预测数据,通过第二生成器对所述预测数据进行筛选以及反向处理,生成预测高斯拟合图序列,并通过第二鉴别器鉴别后输出。
6.根据权利要求1所述的方法,其特征在于,所述对所述历史图片对序列进行预测处理之前,还包括:
对所述历史图片对序列中的各历史图片对进行图片尺寸的缩小或放大处理,得到与预设尺寸一致的历史图片对序列。
7.根据权利要求1所述的方法,其特征在于,所述基于所述历史雷达云图序列生成高斯拟合图序列,包括:
获取历史雷达云图序列,并通过预设方式将所述历史雷达云图序列中的各历史雷达云图转换为散点图;
通过高斯拟合混合模型对各所述散点图进行拟合处理,得到对应所述历史雷达云图序列的高斯拟合图序列。
8.一种雷达云图的预测装置,其特征在于,所述装置包括:
获取模块,用于获取历史雷达云图序列以及高斯拟合图序列,所述高斯拟合图序列基于所述历史雷达云图序列生成;
图片对序列生成模块,用于基于获取的所述历史雷达云图序列以及高斯拟合图序列,生成对应的历史图片对序列;
预测模块,用于对所述历史图片对序列进行预测处理,得到未来时间段的预测数据;
第一反向处理模块,用于对所述预测数据进行反向处理,得到未来时间段的预测雷达云图序列。
9.一种计算机设备,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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236274.6A CN111445460A (zh) | 2020-03-30 | 2020-03-30 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236274.6A CN111445460A (zh) | 2020-03-30 | 2020-03-30 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111445460A true CN111445460A (zh) | 2020-07-24 |
Family
ID=71649275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236274.6A Pending CN111445460A (zh) | 2020-03-30 | 2020-03-30 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445460A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2947938A1 (fr) * | 2009-07-10 | 2011-01-14 | Thales Sa | Procede de prediction d'une evolution d'un phenomene meteorologique a partir de donnees provenant d'un radar meteorologique |
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN107121679A (zh) * | 2017-06-08 | 2017-09-01 | 湖南师范大学 | 用于雷达回波外推的循环神经网络预测法及记忆单元结构 |
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 |
CN108388956A (zh) * | 2018-01-18 | 2018-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
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 |
WO2019214455A1 (zh) * | 2018-05-10 | 2019-11-14 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
CN110675396A (zh) * | 2019-09-30 | 2020-01-10 | 广东工业大学 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
CN110674324A (zh) * | 2019-09-25 | 2020-01-10 | 上海眼控科技股份有限公司 | 雷达数据存储方法、装置、计算机设备和存储介质 |
CN110824451A (zh) * | 2019-11-20 | 2020-02-21 | 上海眼控科技股份有限公司 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
CN110824587A (zh) * | 2019-11-01 | 2020-02-21 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
CN110879828A (zh) * | 2019-11-20 | 2020-03-13 | 上海眼控科技股份有限公司 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
-
2020
- 2020-03-30 CN CN202010236274.6A patent/CN111445460A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2947938A1 (fr) * | 2009-07-10 | 2011-01-14 | Thales Sa | Procede de prediction d'une evolution d'un phenomene meteorologique a partir de donnees provenant d'un radar meteorologique |
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN107121679A (zh) * | 2017-06-08 | 2017-09-01 | 湖南师范大学 | 用于雷达回波外推的循环神经网络预测法及记忆单元结构 |
CN108388956A (zh) * | 2018-01-18 | 2018-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
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 |
WO2019214455A1 (zh) * | 2018-05-10 | 2019-11-14 | 华为技术有限公司 | 一种数据序列预测方法及计算设备 |
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 |
CN110674324A (zh) * | 2019-09-25 | 2020-01-10 | 上海眼控科技股份有限公司 | 雷达数据存储方法、装置、计算机设备和存储介质 |
CN110675396A (zh) * | 2019-09-30 | 2020-01-10 | 广东工业大学 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
CN110824587A (zh) * | 2019-11-01 | 2020-02-21 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
CN110824451A (zh) * | 2019-11-20 | 2020-02-21 | 上海眼控科技股份有限公司 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
CN110879828A (zh) * | 2019-11-20 | 2020-03-13 | 上海眼控科技股份有限公司 | 雷达回波图的处理方法、装置、计算机设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
SAMUEL OGUNNIYI 等: "Using Gaussian Process Regression for the interpolation of missing 2.5D environment modelling data" * |
姜文晖: "基于局部特征和粒子滤波的云成像仪图像预测" * |
王伟 等: "基于时序遥感卫星云图的对流云团动态追踪预测" * |
王继光 等: "基于卫星云图历史资料反演云团非线性预测模型" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
CN111028327B (zh) | 一种三维点云的处理方法、装置及设备 | |
CN111460936A (zh) | 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备 | |
KR100957716B1 (ko) | 가변 피부색 모델을 이용한 피부색 영역 검출 방법 | |
US11475572B2 (en) | Systems and methods for object detection and recognition | |
CN112001983B (zh) | 生成遮挡图像的方法、装置、计算机设备和存储介质 | |
CN112528058B (zh) | 基于图像属性主动学习的细粒度图像分类方法 | |
CN111079507A (zh) | 一种行为识别方法及装置、计算机装置及可读存储介质 | |
CN112101114B (zh) | 一种视频目标检测方法、装置、设备以及存储介质 | |
CN110879828B (zh) | 雷达回波图的处理方法、装置、计算机设备及存储介质 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN115131634A (zh) | 图像识别方法、装置、设备、存储介质及计算机程序产品 | |
WO2020105146A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
CN110659631A (zh) | 车牌识别方法和终端设备 | |
CN111445460A (zh) | 雷达云图的预测方法、装置、计算机设备和存储介质 | |
Johanyák | Sparse fuzzy model identification matlab toolox-rulemaker toolbox | |
CN113139590B (zh) | 时间序列数据的降维方法、装置、计算机设备和存储介质 | |
CN112614199A (zh) | 语义分割图像转换方法、装置、计算机设备和存储介质 | |
CN112613521A (zh) | 基于数据转换的多层次数据分析系统及方法 | |
CN110765817A (zh) | 人群计数模型的选择方法、装置、设备及其存储介质 | |
CN111476129A (zh) | 一种基于深度学习的土壤杂质检测方法 | |
CN111445461A (zh) | 雷达云图的预测方法、装置、计算机设备和存储介质 |
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 |