CN111445461A - 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
- CN111445461A CN111445461A CN202010236979.8A CN202010236979A CN111445461A CN 111445461 A CN111445461 A CN 111445461A CN 202010236979 A CN202010236979 A CN 202010236979A CN 111445461 A CN111445461 A CN 111445461A
- Authority
- CN
- China
- Prior art keywords
- cloud
- cloud system
- time point
- prediction
- preset time
- 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 38
- 239000013598 vector Substances 0.000 claims description 228
- 230000008859 change Effects 0.000 claims description 203
- 238000012545 processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 27
- 239000000203 mixture Substances 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004574 scanning tunneling microscopy Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 14
- 238000011176 pooling Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 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
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，并基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列；根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图；对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。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，提供一种能够提升雷达云图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，并基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列；
根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图；
对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。
在其中一个实施例中，根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预测时间点的高斯拟合预测图，包括：
根据各云系的高斯拟合图序列，得到各云系的状态变化向量；
基于各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量；
分别对各云系在未来时间段内的各预设时间点的状态变化预测向量进行反向处理，得到各云系在未来时间段内各预设时间点的高斯拟合预测图。
在其中一个实施例中，基于各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量，包括：
将各云系的状态变化向量作为各云系当前预设时间点的状态变化向量，并分别对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量；
将各云系在下一预设时间点的状态变化预测向量作为当前预设时间点的状态变化向量，并继续进行预测，得到各云系在未来时间段内各预设时间点的状态变化预测向量。
在其中一个实施例中，对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量，包括：
根据云系在空间位置上相邻的相邻云系在当前预设时间点的状态变化向量以及云系在当前预设时间点的状态变化向量，对云系在当前预设时间点的下一预设时间点的状态变化预测向量进行预测，得到云系在下一预设时间点的状态变换预测向量；
遍历各云系，得到各云系在当前预设时间点的下一预设时间点的状态变化预测向量。
在其中一个实施例中，根据各云系的高斯拟合图序列，得到各云系的状态变化向量，包括：
分别对高斯拟合图序列中的各云系对应的高斯拟合图进行状态向量的提取，得到各云系的状态变化向量。
在其中一个实施例中，基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列，包括：
通过高斯混合模型对历史雷达云图序列进行拟合处理，得到历史雷达云图序列中多个云系的高斯拟合图序列；
根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图，包括：
基于各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
在其中一个实施例中，基于各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图，包括：
通过预处理网络对高斯拟合图序列中各云系的各高斯拟合图分别进行初始特征的提取，得到各云系的各初始特征；
根据各云系的各初始特征，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
一种雷达云图的预测装置，所述装置包括：
高斯拟合图序列生成模块，用于获取历史雷达云图序列，并基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列；
预测模块，用于根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图；
雷达云预测图序列生成模块，用于对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的方法的步骤。
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，并得到历史雷达云图序列中多个云系的高斯拟合图序列，进一步根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图，然后对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。从而，预测操作是基于对历史雷达云图序列中多个云系的高斯拟合图序列进行的，可以准确对各云系进行预测，可以提升预测的高斯拟合图的准确性，进而可以提升雷达云图预测的准确性。
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为又一个实施例中雷达云图的预测方法的流程示意图；
图6为一个实施例中高斯拟合图生成步骤的示意图；
图7为一个实施例中雷达云图的预测装置的结构框图；
图8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，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，并基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列，然后服务器根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图，进一步，服务器通过对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。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，并基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列。
其中，历史雷达云图序列包括多个时间序列的历史雷达云图，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像。参考图2，雷达回波图可以是彩色图像，也可以是灰度图像。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像，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像，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序列的多个云系的高斯拟合图，高斯拟合图序列中的各时间序列的高斯拟合图组分别与历史雷达云图序列中各历史雷达云图对应，例如，高斯拟合图序列可以表示为((G11，G12，…，G1m)，(G21，G22，…，G2m)，…，(Gn1，Gn2，…，Gnm))，高斯拟合图组(G11，G12，…，G1m)与历史雷达云图C1对应，高斯拟合图组(G21，G22，…，G2m)与历史雷达云图C2对应。在本实施例中，n表示时间序列，m表示云系标号，即Gnm表示云系m在时间序列n中的高斯拟合图。
具体地，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，高斯拟合图可以参考图3所示。
在本实施例中，服务器获取历史雷达云图序列后，可以对获取的历史雷达云图序列进高斯拟合处理，以得到历史雷达云图序列中多个云系的高斯拟合图序列。
步骤S104，根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
其中，服务器获取各云系在未来时间段内各预设时间点的高斯拟合预测图可以是通过预测网络获取的。
具体地，服务器可以将各云系的高斯拟合图序列，分别输入预测网络中，通过预测网络以对各云系在未来时间段内各预设时间点的高斯拟合图进行预测，以获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
在本实施例中，预测网络可以是预先训练并验证后的网络模型，例如，训练并验证完成的Social LSTM网络等。
步骤S106，对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。
具体地，服务器可以获取同一预设时间点各云系的高斯拟合预测图，然后将获取的对应多个云系的多个高斯拟合预测图进行叠加，以得到在该预设时间点内包含多个云系的信息的雷达云预测图。
进一步，服务器对未来时间段内各预设时间点的高斯拟合预测图均分别进行叠加处理，分别得到各个预设时间点的雷达云预测图，从而得到未来时间段内的雷达云预测图序列。
上述雷达云图的预测方法中，通过获取历史雷达云图序列，并得到历史雷达云图序列中多个云系的高斯拟合图序列，进一步根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图，然后对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。从而，预测操作是基于对历史雷达云图序列中多个云系的高斯拟合图序列进行的，可以准确对各云系进行预测，可以提升预测的高斯拟合图的准确性，进而可以提升雷达云图预测的准确性。
在其中一个实施例中，根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预测时间点的高斯拟合预测图，可以包括：根据各云系的高斯拟合图序列，得到各云系的状态变化向量；基于各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量；分别对各云系在未来时间段内的各预设时间点的状态变化预测向量进行反向处理，得到各云系在未来时间段内各预设时间点的高斯拟合预测图。
在本实施例中，反向处理是指对状态变化预测向量进行反向处理得到高斯拟合预测图的过程。
具体地，参考图4，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与Social pooling的组合串联组成。
在本实施例中，服务器可以按照时间顺序将各云系的高斯拟合图序列分别输入编码器Encoder的各个LSTM中，从而得到各云系的状态变化向量。
进一步，在Decoder中每个LSTM会基于Encoder输出的各云系的状态变化向量，依次对各云系在未来时间段的各预设时间点进行状态变化向量的预测，并输出各云系在各预设时间点的状态变换预测向量。
在本实施例中，Encoder中所有的LSTM共享参数，当对LSTM的参数进行更改时，则相当于是对Encoder所有的LSTM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的参数均进行了修改。
进一步，服务器可以对Decoder中各LSTM输出的各云系的状态变化预测向量进行反向处理，以得到各云系在未来时间段内各预设时间点的高斯拟合预测图。
上述实施例中，通过基于历史数据得到的各云系的状态变化向量，对各云系未来时间段内各预设时间点的状态变化向量进行预测，然后进行反向处理，得到各云系在未来时间段内各预设时间点的高斯拟合预测图，预测结果基于各云系的历史数据生成，结合了各云系的历史变化，可以提升预测的准确性。
在其中一个实施例中，基于各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量，可以包括：将各云系的状态变化向量作为各云系当前预设时间点的状态变化向量，并分别对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量；将各云系在下一预设时间点的状态变化预测向量作为当前预设时间点的状态变化向量，并继续进行预测，得到各云系在未来时间段内各预设时间点的状态变化预测向量。
在本实施例中，继续参考图4，服务器可以将基于Encoder得到的各云系的状态变化向量输入Decoder中，以通过Decoder进行状态变化向量的预测。
具体地，服务器将各云系的状态变化向量作为当前预设时间点T的状态变化向量，并分别输入Decoder的LSTM中，以分别对云系当前预设时间点T的下一预设时间点T+1的状态变化向量进行预测，得到各云系在下一预设时间点T+1的状态变化预测向量。
然后，服务器再将得到的各云系在下一预设时间点T+1的状态变化预测向量作为当前预设时间点的状态变化向量，并继续进行预测，得到各云系在预设时间点T+2的状态变化预测向量。
以此往复，服务器可以对各云系在未来时间段内各预设时间点均分别进行预测，以得到各云系在未来时间段内各预设时间点的状态变化预测向量。
上述实施例中，通过基于当前预设时间点的状态变化向量，预测当前预设时间点的下一预设时间点的状态变化向量，然后再以下一预设时间点的状态变化预测向量作为当前预设时间点的状态变化向量，并继续进行预测，从而，预测的原始数据均为待预测的预设时间点的前一预设时间点的实时数据，可以提升预测的准确性。
在其中一个实施例中，对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量，可以包括：根据云系在空间位置上相邻的相邻云系在当前预设时间点的状态变化向量以及云系在当前预设时间点的状态变化向量，对云系在当前预设时间点的下一预设时间点的状态变化预测向量进行预测，得到云系在下一预设时间点的状态变换预测向量；遍历各云系，得到各云系在当前预设时间点的下一预设时间点的状态变化预测向量。
如前所述，服务器进行状态变化向量的预测是通过改进的Social LSTM网络进行的。
其中，Social LSTM是预测在拥挤的人流中行人的行进轨迹，网络考虑到了行人自身的行进状态和周围行人行进状态对当前行人的影响，体现在网络架构上就是每个行人的LSTM单元的状态向量与他临近的人的状态向量是共享的。
在本实施例中，将各云系处理为一个个行人，他们随着时间的变化会受到自身的中心行进方向、速度、加速度、宽度和强度的变化影响外，还会受到临近的云系对他的影响。通过Social LSTM网络，可以加入不同云系的变化规律，以进行预测。
具体地，参考图5，在空间位置上，云系1与云系2相邻，云系2分别与云系1和云系3相邻，云系3与云系2相邻。
在本实施例中，当前时间点为时间T，在时间T上，服务器通过多个LSTM分别对云系1、云系2以及云系3在下一预设时间点的状态变化向量进行预测，分别预测得到状态变化预测向量h1、状态变化预测向量h2、状态变化预测向量h3。
进一步，由于在空间位置上，云系1与云系2相邻，云系2分别与云系1和云系3相邻，云系3与云系2相邻，则服务器可以将云系1在时间T预测得到的状态变化预测向量h1存入云系2对应的Social pooling中，将云系2在时间T预测得到的状态变化预测向量h2分别存入云系1以及云系3对应的Social pooling中，将云系3在时间T预测得到的状态变化预测向量h3存入云系2对应的Social pooling中。
进一步，继续参考图5，在时间点T+1，云系1可以通过对应的LSTM，基于时间点T预测得到的状态变化预测向量h1以及相邻云系2在时间点T预测得到的状态变化预测向量h2，进行下一预设时间点的状态变化预测向量的预测。
同理，对于云系2，在时间点T+1，对应的LSTM可以基于时间点T预测得到的状态变化预测向量h2、相邻云系1在时间点T预测得到的状态变化预测向量h1以及云系3在时间点T预测得到的状态变化预测向量h3，进行下一预设时间点的状态变化预测向量的预测。对于云系3，在时间点T+1，对应的LSTM可以基于时间点T预测得到的状态变化预测向量h3以及相邻云系2在时间点T预测得到的状态变化预测向量h2，进行下一预设时间点的状态变化预测向量的预测。
本领域技术人员可以理解的是，在本实施例中，Social pooling用于对相邻云系的状态变化预测向量进行共享以及整合处理，例如，对于云系1，Social pooling将云系2的状态变化预测向量h2共享至云系1对应的LSTM，而对于云系2，Social pooling将云系1的状态变化预测向量h1以及云系3的状态变化预测向量h2合并处理后共享至云系2对应的LSTM中。
上述实施例中，通过根据云系在空间位置上相邻的相邻云系在当前预设时间点的状态变化向量以及云系在当前预设时间点的状态变化向量，对云系在当前预设时间点的下一预设时间点的状态变化预测向量进行预测，得到云系在下一预设时间点的状态变换预测向量，从而，各云系的状态向量的预测加入了相邻云系的信息，可以提升预测的准确性。
在其中一个实施例中，根据各云系的高斯拟合图序列，得到各云系的状态变化向量，可以包括：分别对高斯拟合图序列中的各云系对应的高斯拟合图进行状态向量的提取，得到各云系的状态变化向量。
具体地，服务器在得到各云系的高斯拟合图序列，即得到各云系的多个高斯拟合图后，可以分别对各云系的各高斯拟合图进行状态向量的提取，例如，继续参考图4，通过Encoder中的各LSTM对各高斯拟合图进行云系的状态向量的提取，从而得到各云系在对应高斯拟合图中的状态向量。
在本实施例中，服务器可以将相邻云系在前一时间序列中提取的状态向量共享至Social pooling中，以使在云系在进行下一时间序列的特征提取的时候，获取Socialpooling中共享的前一序列相邻云系的状态向量，生成云系在下一时间序列的状态向量。例如，云系1与云系2相邻，在对高斯拟合图序列中各云系在第一时间序列的状态向量提取的时候，可以将云系1提取得到的状态向量共享至云系2对应的Social pooling中，将云系2提取得到的状态向量共享至云系1对应的Social pooling中。然后在对高斯拟合图序列中各云系在第二时间序列的状态向量提取的时候，对于云系1，可以结合Social pooling中共享的云系2在第一时间序列中存入的状态向量，得到云系1在进行第二时间序列的状态向量提取时的状态向量。同理，云系2可以结合Social pooling中共享的云系1在第一时间序列中存入的状态向量，得到云系2在进行第二时间序列的状态向量提取时的状态向量。
进一步，服务器基于同一云系在不同高斯拟合图中的状态向量，即不同时间序列的状态向量，得到各云系随着时序变化的状态变化向量。
上述实施例中，通过分别对高斯拟合图序列中的各云系对应的高斯拟合图进行状态向量的提取，并基于提取状态向量，得到各云系的状态变化向量，从而，使得各云系的数据提取均是分开独立进行的，可以减少其他云系数据的干扰，提升提取云系的状态变化向量的准确性，进而提升预测的准确性。
在其中一个实施例中，分别对各云系在未来时间段内的各时间点的状态变化预测向量进行反向处理，得到各云系在未来时间段内各预设时间点的高斯拟合预测图，可以包括：分别根据各云系在未来时间段内各预设时间点的状态变化预测向量，通过预先训练得到的生成器对各状态变化预测向量进行反向处理，生成对应各云系在各预设时间点的高斯拟合预测图，并通过预先训练得到的鉴别器鉴别后输出。
具体地，服务器对各云系在未来时间段内各预设时间点的状态变化预测向量进行反向处理，得到各云系在各预设时间点的高斯拟合预测图，可以是通过生成对抗网络(Generative Adversarial Network，GAN)进行生成，生成对抗网络可以包括生成器以及鉴别器。
其中，生成器可以包括多层转置卷积(也称为反卷积)以及Relu层，例如5层转置卷积加1个Relu层，Relu层的激活函数为Tanh。
具体地，服务器通过将各云系在未来时间段内各预设时间点的状态变化预测向量输入生成器，基于生成器训练的功能，对各云系在未来时间段内各预设时间点的状态变化预测向量进行反向处理，得到各云系在各预设时间点的高斯拟合预测图。
进一步，服务器将生成的高斯拟合预测图输入训练后的鉴别器，通过鉴别器鉴别确认后输出。
在本实施例中，生成对抗网络是预先进行训练后的网络，网络中生成器以及鉴别器可以进行交叉训练，训练方式包括：首先，一个一代的generator(生成器)，可以根据输入图像生成对应的图像，一代的generator生成的图像相比于真实图像，图像质量较差，然后一个一代的discriminator(鉴别器)，能准确的把generator生成的图像和真实的图像进行分类，简而言之，discriminator是一个二分类器，对generator生成的图像输出0，对真实的图像输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生成的图像相比于一代的generator生成的图像，图像质量稍好一点的图像，能够让一代的discriminator认为这些生成的图像是真实的图像。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像以及二代的generator生成的图像。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生成的图像和真实图像，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。
上述实施例中，通过预先训练得到的生成器对各云系在未来时间段内各预设时间点的状态变化预测向量进行处理，生成各云系在各预设时间点的高斯拟合预测图，并通过预先训练的鉴别器鉴别后输出，从而，通过预先训练完成的生成器以及鉴别器进行处理，可以提升处理的准确性。
在其中一个实施例中，基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列，可以包括：通过高斯混合模型对历史雷达云图序列进行拟合处理，得到历史雷达云图序列中多个云系的高斯拟合图序列。
具体地，服务器通过高斯混合模型对历史雷达云图序列进行拟合处理，得到历史雷达云图序列中多个云系的高斯拟合图序列，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历史雷达云图转换为散点图；通过高斯混合模型对散点图进行拟合处理，分别得到历史雷达云图中多个云系的高斯拟合图；遍历历史雷达云图序列，得到对应多个云系的高斯拟合图序列。
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(Gaussian MixedModel，GMM)对各散点图进行拟合，生成对应历史雷达云图中各个云系的各高斯拟合图，如图6所示，对历史雷达云图进行GMM拟合处理以及分解处理，得到对应多个云系的高斯拟合图。
在本实施例中，服务器遍历历史雷达云图序列中的各历史雷达云图，可以得到多个云系的高斯拟合图序列。
其中，高斯混合模型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。
在本实施例中，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，并通过高斯混合模型对各散点图进行拟合处理，分别得到历史雷达云图中多个云系的高斯拟合图，进一步得到对应多个云系的高斯拟合图序列，从而可以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。
进一步，根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图，可以包括：基于各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
具体地，预测模型可以是前文所述的Social LSTM网络模型，服务器可以以GMM模型拟合输出的各云系的高斯拟合图作为Social LSTM网络模型输入，以对各云系在未来时间段内各预设时间点的高斯拟合预测图进行预测。
上述实施例中，通过高斯混合模型对历史雷达云图序列进行拟合处理，得到历史雷达云图序列中多个云系的高斯拟合图序列，实现将每片降水云系进行数值化，可以直观地分离出每片降水云系的个体，提升预测的准确性。并且，通过Social LSTM预测模型基于各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图，从而预测过程结合周围其他云系的影响，使得预测过程更贴合实际场景，进一步提升预测的准确性。
在其中一个实施例中，基于各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图，可以包括：通过预处理网络对高斯拟合图序列中各云系的各高斯拟合图分别进行初始特征的提取，得到各云系的各初始特征；根据各云系的各初始特征，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
如前所述，服务器通过Social LSTM网络对各云系的搞死拟合预测图进行预测。在本实施例中，Social LSTM网络中各LSTM的输入为一维向量，而GMM拟合后得到的各云系的高斯拟合图序列为二维图像，则服务器可以通过预处理网络对各云系的高斯拟合图进行预处理后输入Social LSTM网络中的各个LSTM，以进行进一步的处理。
具体地，预处理网络包括多层卷积以及Relu层，预处理网络可以对各云系的各高斯拟合图分别进行初始特征的提取，得到各云系的初始特征，该初始特征可以是一维的特征向量。
然后，服务器将提取的各云系对应各高斯拟合图的初始特征输入Social LSTM网络中Encoder的各个LSTM，以对各云系的状态变化向量进行提取，然后通过Decoder的各LSTM进行预测，得到各云系在未来时间段内各预设时间点的高斯拟合预测图。
上述实施例中，通过预处理网络进行初始特征的提取，使得得到的初始特征符合预测网络的输入要求，避免预测网络无法识别而造成预测错误甚至无法预测现象的发生，可以提升预测的准确性。
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7所示，提供了一种雷达云图的预测装置，包括：高斯拟合图序列生成模块100、预测模块200和雷达云预测图序列生成模块300，其中：
高斯拟合图序列生成模块100，用于获取历史雷达云图序列，并基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列。
预测模块200，用于根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
雷达云预测图序列生成模块300，用于对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。
在其中一个实施例中，预测模块200可以包括：
状态变化向量生成子模块，用于根据各云系的高斯拟合图序列，得到各云系的状态变化向量。
预测子模块，用于基于各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量。
反向处理模块，用于分别对各云系在未来时间段内的各预设时间点的状态变化预测向量进行反向处理，得到各云系在未来时间段内各预设时间点的高斯拟合预测图。
在其中一个实施例中，预测子模块用于将各云系的状态变化向量作为各云系当前预设时间点的状态变化向量，并分别对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量；将各云系在下一预设时间点的状态变化预测向量作为当前预设时间点的状态变化向量，并继续进行预测，得到各云系在未来时间段内各预设时间点的状态变化预测向量。
在其中一个实施例中，预测子模块用于根据云系在空间位置上相邻的相邻云系在当前预设时间点的状态变化向量以及云系在当前预设时间点的状态变化向量，对云系在当前预设时间点的下一预设时间点的状态变化预测向量进行预测，得到云系在下一预设时间点的状态变换预测向量；遍历各云系，得到各云系在当前预设时间点的下一预设时间点的状态变化预测向量。
在其中一个实施例中，状态变化向量生成子模块用于分别对高斯拟合图序列中的各云系对应的高斯拟合图进行状态向量的提取，得到各云系的状态变化向量。
在其中一个实施例中，高斯拟合图序列生成模块100用于通过高斯混合模型对历史雷达云图序列进行拟合处理，得到历史雷达云图序列中多个云系的高斯拟合图序列。
在本实施例中，预测模块200用于基于各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
在其中一个实施例中，预测模块200，可以包括：
预处理子模块，用于通过预处理网络对高斯拟合图序列中各云系的各高斯拟合图分别进行初始特征的提取，得到各云系的各初始特征。
预测子模块，用于根据各云系的各初始特征，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
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8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、高斯拟合预测图以及预测得到的雷达云预测图序列等数据。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8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可以实现以下步骤：获取历史雷达云图序列，并基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列；根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图；对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。
在其中一个实施例中，处理器执行计算机程序时实现根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预测时间点的高斯拟合预测图，可以包括：根据各云系的高斯拟合图序列，得到各云系的状态变化向量；基于各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量；分别对各云系在未来时间段内的各预设时间点的状态变化预测向量进行反向处理，得到各云系在未来时间段内各预设时间点的高斯拟合预测图。
在其中一个实施例中，处理器执行计算机程序时实现基于各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量，可以包括：将各云系的状态变化向量作为各云系当前预设时间点的状态变化向量，并分别对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量；将各云系在下一预设时间点的状态变化预测向量作为当前预设时间点的状态变化向量，并继续进行预测，得到各云系在未来时间段内各预设时间点的状态变化预测向量。
在其中一个实施例中，处理器执行计算机程序时实现对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量，可以包括：根据云系在空间位置上相邻的相邻云系在当前预设时间点的状态变化向量以及云系在当前预设时间点的状态变化向量，对云系在当前预设时间点的下一预设时间点的状态变化预测向量进行预测，得到云系在下一预设时间点的状态变换预测向量；遍历各云系，得到各云系在当前预设时间点的下一预设时间点的状态变化预测向量。
在其中一个实施例中，处理器执行计算机程序时实现根据各云系的高斯拟合图序列，得到各云系的状态变化向量，可以包括：分别对高斯拟合图序列中的各云系对应的高斯拟合图进行状态向量的提取，得到各云系的状态变化向量。
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得到历史雷达云图序列中多个云系的高斯拟合图序列，可以包括：通过高斯混合模型对历史雷达云图序列进行拟合处理，得到历史雷达云图序列中多个云系的高斯拟合图序列。处理器执行计算机程序时实现根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图，可以包括：基于各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
在其中一个实施例中，处理器执行计算机程序时实现基于各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图，可以包括：通过预处理网络对高斯拟合图序列中各云系的各高斯拟合图分别进行初始特征的提取，得到各云系的各初始特征；根据各云系的各初始特征，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
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可以实现以下步骤：获取历史雷达云图序列，并基于历史雷达云图序列得到历史雷达云图序列中多个云系的高斯拟合图序列；根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图；对各云系在未来时间段内的各预设时间点的高斯拟合预测图进行叠加处理，得到未来时间段内的雷达云预测图序列。
在其中一个实施例中，计算机程序被处理器执行时实现根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预测时间点的高斯拟合预测图，可以包括：根据各云系的高斯拟合图序列，得到各云系的状态变化向量；基于各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量；分别对各云系在未来时间段内的各预设时间点的状态变化预测向量进行反向处理，得到各云系在未来时间段内各预设时间点的高斯拟合预测图。
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各云系的状态变化向量，预测各云系在未来时间段内各预设时间点的状态变化向量，得到各云系在未来时间段内各预设时间点的状态变化预测向量，可以包括：将各云系的状态变化向量作为各云系当前预设时间点的状态变化向量，并分别对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量；将各云系在下一预设时间点的状态变化预测向量作为当前预设时间点的状态变化向量，并继续进行预测，得到各云系在未来时间段内各预设时间点的状态变化预测向量。
在其中一个实施例中，计算机程序被处理器执行时实现对各云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各云系在下一预设时间点的状态变化预测向量，可以包括：根据云系在空间位置上相邻的相邻云系在当前预设时间点的状态变化向量以及云系在当前预设时间点的状态变化向量，对云系在当前预设时间点的下一预设时间点的状态变化预测向量进行预测，得到云系在下一预设时间点的状态变换预测向量；遍历各云系，得到各云系在当前预设时间点的下一预设时间点的状态变化预测向量。
在其中一个实施例中，计算机程序被处理器执行时实现根据各云系的高斯拟合图序列，得到各云系的状态变化向量，可以包括：分别对高斯拟合图序列中的各云系对应的高斯拟合图进行状态向量的提取，得到各云系的状态变化向量。
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得到历史雷达云图序列中多个云系的高斯拟合图序列，可以包括：通过高斯混合模型对历史雷达云图序列进行拟合处理，得到历史雷达云图序列中多个云系的高斯拟合图序列。计算机程序被处理器执行时实现根据各云系的高斯拟合图序列，获取各云系在未来时间段内各预设时间点的高斯拟合预测图，可以包括：基于各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
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各云系的高斯拟合图序列，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图，可以包括：通过预处理网络对高斯拟合图序列中各云系的各高斯拟合图分别进行初始特征的提取，得到各云系的各初始特征；根据各云系的各初始特征，通过预测模型获取各云系在未来时间段内各预设时间点的高斯拟合预测图。
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，并基于所述历史雷达云图序列得到所述历史雷达云图序列中多个云系的高斯拟合图序列；
根据各所述云系的高斯拟合图序列，获取各所述云系在未来时间段内各预设时间点的高斯拟合预测图；
对各所述云系在所述未来时间段内的各所述预设时间点的高斯拟合预测图进行叠加处理，得到所述未来时间段内的雷达云预测图序列。
2.根据权利要求1所述的方法，其特征在于，所述根据各所述云系的高斯拟合图序列，获取各所述云系在未来时间段内各预测时间点的高斯拟合预测图，包括：
根据各所述云系的高斯拟合图序列，得到各所述云系的状态变化向量；
基于各所述云系的状态变化向量，预测各所述云系在未来时间段内各预设时间点的状态变化向量，得到各所述云系在未来时间段内各所述预设时间点的状态变化预测向量；
分别对各所述云系在未来时间段内的各所述预设时间点的状态变化预测向量进行反向处理，得到各所述云系在未来时间段内各所述预设时间点的高斯拟合预测图。
3.根据权利要求2所述的方法，其特征在于，所述基于各所述云系的状态变化向量，预测各所述云系在未来时间段内各预设时间点的状态变化向量，得到各所述云系在未来时间段内各所述预设时间点的状态变化预测向量，包括：
将各所述云系的状态变化向量作为各所述云系当前预设时间点的状态变化向量，并分别对各所述云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各所述云系在所述下一预设时间点的状态变化预测向量；
将各所述云系在所述下一预设时间点的状态变化预测向量作为当前预设时间点的状态变化向量，并继续进行预测，得到各所述云系在未来时间段内各预设时间点的状态变化预测向量。
4.根据权利要求3所述的方法，其特征在于，所述对各所述云系当前预设时间点的下一预设时间点的状态变化向量进行预测，得到各所述云系在所述下一预设时间点的状态变化预测向量，包括：
根据所述云系在空间位置上相邻的相邻云系在当前预设时间点的状态变化向量以及所述云系在当前预设时间点的状态变化向量，对所述云系在当前预设时间点的下一预设时间点的状态变化预测向量进行预测，得到所述云系在所述下一预设时间点的状态变换预测向量；
遍历各所述云系，得到各所述云系在所述当前预设时间点的下一预设时间点的状态变化预测向量。
5.根据权利要求2所述的方法，其特征在于，所述根据各所述云系的高斯拟合图序列，得到各所述云系的状态变化向量，包括：
分别对所述高斯拟合图序列中的各所述云系对应的高斯拟合图进行状态向量的提取，得到各所述云系的状态变化向量。
6.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得到所述历史雷达云图序列中多个云系的高斯拟合图序列，包括：
通过高斯混合模型对所述历史雷达云图序列进行拟合处理，得到所述历史雷达云图序列中多个云系的高斯拟合图序列；
所述根据各所述云系的高斯拟合图序列，获取各所述云系在未来时间段内各预设时间点的高斯拟合预测图，包括：
基于各所述云系的高斯拟合图序列，通过预测模型获取各所述云系在未来时间段内各预设时间点的高斯拟合预测图。
7.根据权利要求6所述的方法，其特征在于，
所述基于各所述云系的高斯拟合图序列，通过预测模型获取各所述云系在未来时间段内各预设时间点的高斯拟合预测图，包括：
通过预处理网络对所述高斯拟合图序列中各所述云系的各高斯拟合图分别进行初始特征的提取，得到各所述云系的各初始特征；
根据各所述云系的各初始特征，通过预测模型获取各所述云系在未来时间段内各预设时间点的高斯拟合预测图。
8.一种雷达云图的预测装置，其特征在于，所述装置包括：
高斯拟合图序列生成模块，用于获取历史雷达云图序列，并基于所述历史雷达云图序列得到所述历史雷达云图序列中多个云系的高斯拟合图序列；
预测模块，用于根据各所述云系的高斯拟合图序列，获取各所述云系在未来时间段内各预设时间点的高斯拟合预测图；
雷达云预测图序列生成模块，用于对各所述云系在所述未来时间段内的各所述预设时间点的高斯拟合预测图进行叠加处理，得到所述未来时间段内的雷达云预测图序列。
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 |
|---|---|---|---|
| CN202010236979.8A CN111445461A (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 |
|---|---|---|---|
| CN202010236979.8A CN111445461A (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 |
|---|---|
| CN111445461A true CN111445461A (zh) | 2020-07-24 |
Family
ID=71656021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010236979.8A Pending CN111445461A (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) | CN111445461A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160034615A1 (en) * | 2014-08-01 | 2016-02-04 | Tata Consultancy Services Limited | System and method for forecasting a time series data |
| CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
| CN109801236A (zh) * | 2018-12-29 | 2019-05-24 | 中国科学院遥感与数字地球研究所 | 一种基于混合高斯模型的光子点云去噪方法 |
| CN110032939A (zh) * | 2019-03-13 | 2019-07-19 | 浙江工业大学 | 一种基于高斯混合模型的遥感时序数据拟合方法 |
| 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 |
| 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 CN202010236979.8A patent/CN111445461A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160034615A1 (en) * | 2014-08-01 | 2016-02-04 | Tata Consultancy Services Limited | System and method for forecasting a time series data |
| CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
| CN109801236A (zh) * | 2018-12-29 | 2019-05-24 | 中国科学院遥感与数字地球研究所 | 一种基于混合高斯模型的光子点云去噪方法 |
| CN110032939A (zh) * | 2019-03-13 | 2019-07-19 | 浙江工业大学 | 一种基于高斯混合模型的遥感时序数据拟合方法 |
| 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 |
| 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 (2)
| Title |
|---|
| MEIQIN CHE: "2-and 3-D Urban Change Detection With Quad-PolSAR Data" * |
| 李林: "基于地基云图的云量检测与云状识别" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alonso et al. | 3d-mininet: Learning a 2d representation from point clouds for fast and efficient 3d lidar semantic segmentation | |
| EP3673417B1 (en) | System and method for distributive training and weight distribution in a neural network | |
| US11151734B2 (en) | Method and system for generating synthetic point cloud data using a generative model | |
| EP3561727A1 (en) | A device and a method for extracting dynamic information on a scene using a convolutional neural network | |
| Sønderby et al. | Recurrent spatial transformer networks | |
| WO2019040213A1 (en) | ADAPTIVE REAL TIME DETECTION AND EXAMINATION NETWORK (ARDEN) | |
| Ali et al. | Improved YOLOv4 for aerial object detection | |
| JP2023549036A (ja) | 点群からの効率的な三次元物体検出 | |
| EP3965052A1 (en) | Device and method of training a generative neural network | |
| CN112802063A (zh) | 卫星云图的预测方法、装置以及计算机可读存储介质 | |
| CN114998830A (zh) | 一种变电站人员安全帽佩戴检测方法及系统 | |
| Manssor et al. | Real-time human detection in thermal infrared imaging at night using enhanced Tiny-yolov3 network | |
| CN112668672A (zh) | 基于TensorRT的目标检测模型加速方法及装置 | |
| Kim et al. | Acceleration of actor-critic deep reinforcement learning for visual grasping in clutter by state representation learning based on disentanglement of a raw input image | |
| Li et al. | Less is more: Reducing task and model complexity for 3d point cloud semantic segmentation | |
| Zuo et al. | A remote sensing image semantic segmentation method by combining deformable convolution with conditional random fields | |
| JP2023131117A (ja) | 結合感知モデルのトレーニング、結合感知方法、装置、機器および媒体 | |
| EP3561726A1 (en) | A device and a method for processing data sequences using a convolutional neural network | |
| Lange et al. | Lopr: Latent occupancy prediction using generative models | |
| Wang et al. | Sparse U-PDP: A Unified Multi-Task Framework for Panoptic Driving Perception | |
| Jiang et al. | Semantic segmentation network combined with edge detection for building extraction in remote sensing images | |
| CN117218344A (zh) | 基于深度神经网络的火星表面目标分割方法、装置及设备 | |
| CN111445461A (zh) | 雷达云图的预测方法、装置、计算机设备和存储介质 | |
| Golda et al. | What goes around comes around: Cycle-consistency-based short-term motion prediction for anomaly detection using generative adversarial networks | |
| Elhadidy et al. | Improved semantic segmentation of low-resolution 3d point clouds using supervised domain adaptation |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240517 |