CN111882128A - 基于tcn的汛期气候趋势预测方法 - Google Patents
基于tcn的汛期气候趋势预测方法 Download PDFInfo
- Publication number
- CN111882128A CN111882128A CN202010737477.3A CN202010737477A CN111882128A CN 111882128 A CN111882128 A CN 111882128A CN 202010737477 A CN202010737477 A CN 202010737477A CN 111882128 A CN111882128 A CN 111882128A
- Authority
- CN
- China
- Prior art keywords
- weather
- trend
- flood season
- time domain
- precipitation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001556 precipitation Methods 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000005286 illumination Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于TCN的汛期气候趋势预测方法。该方法包括：对收集的多种汛期气象观测指标数据进行分析，筛选出与汛期天气趋势因素相关的汛期气象观测指标；训练天气趋势因素对应的孪生时域卷积网络，将与天气趋势因素相关的汛期气象观测指标数据映射到高维特征向量；将各汛期天气趋势因素对应的训练好的孪生时域卷积网络输出的高维特征向量输入对应的天气趋势预测时域卷积网络、温度趋势预测时域卷积网络、降水量预测时域卷积网络，得到预测的天气、温度、降水量；根据预测结果绘制天气趋势、温度趋势、降水量趋势图，分析气候趋势。利用本发明实现了汛期气候预测，可以达到更好的预测效果。
Description
技术领域
本发明涉及气候预测、深度学习、人工智能技术领域，具体涉及一种基于TCN的汛期气候趋势预测方法。
背景技术
汛期是一年中灾害性天气集中多发期，汛期气候趋势预测是对汛期平均气候状态的预测，对汛期气候趋势预测对防灾工作十分重要。目前，在气候趋势预测领域，一些方法通过时间卷积网络对影响降水的因子数据进行分析，预测降水值，这种方法需要大量的样本数据来训练网络，训练时间长，仅能预测降水值，而且时间卷积网络的输入数据表征能力较差，不利于网络收敛。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷，提出一种基于TCN的汛期气候趋势预测方法。
一种基于TCN的汛期气候趋势预测方法，该方法包括：
对收集的多种汛期气象观测指标数据进行分析，筛选出与汛期天气趋势因素相关的汛期气象观测指标，汛期天气趋势因素包括降水量、温度、光照强度；
将第一滑动时间窗口内、与降水量相关的汛期气象观测指标数据输入第一孪生时域卷积网络的第一分支，得到第一高维特征向量；将第二滑动时间窗口内、与降水量相关的汛期气象观测指标数据输入第一孪生时域卷积网络的第二分支，得到第二高维特征向量；第一孪生时域卷积网络的标签数据为第一滑动时间窗口降水量分级与第二滑动时间窗口降水量分级是否属于同一类的标注；计算第一高维特征向量与第二高维特征向量之间的距离，利用标注与对比损失函数训练第一孪生时域卷积网络，更新网络权重；按照同样的方法，分别利用与其它各汛期天气趋势因素相关的汛期气象观测指标数据训练对应的孪生时域卷积网络；
将第三滑动时间窗口内、各汛期天气趋势因素对应的训练好的孪生时域卷积网络输出的高维特征向量连接，输入天气趋势预测时域卷积网络进行推理，输出预测的天气；
将第三滑动时间窗口内、温度对应的训练好的孪生时域卷积网络输出的高维特征向量，输入温度趋势预测时域卷积网络进行推理，输出预测的温度；
将第三滑动时间窗口内、降水量对应的训练好的孪生时域卷积网络输出的高维特征向量，输入降水量趋势预测时域卷积网络进行推理，输出预测的降水量；
根据预测结果绘制天气趋势、温度趋势、降水量趋势图，分析气候趋势。
汛期气象观测指标包括：降水量、温度、湿度、风速、风向、光照强度、气压、土壤温度、土壤湿度、露点、太阳辐射强度。
第一滑动时间窗口与第二滑动时间窗口的尺寸、步长相同，第一滑动时间窗口、第二滑动时间窗口的采样起始时刻不同步。
第三滑动窗口的尺寸大于第一滑动时间窗口的尺寸。
天气趋势因素还包括：湿度、风速、风向、气压、太阳辐射强度。
孪生时域卷积网络的每个分支分别包括时域卷积网络单元、全连接层，两个分支共享网络权重。
天气趋势预测时域卷积网络的标签包括：暴雨、雷暴大风、冰雹、龙卷、高温、晴朗、阴天。
本发明与现有技术相比，具有以下有益效果：
1.本发明通过筛选出与汛期天气趋势因素相关的汛期气象观测指标，从而进行分析，能够提高气候因素预测精度。
2.基于深度学习技术，设计了多个孪生时域卷积网络，包括降水量对应的第一孪生时域卷积网络、温度对应的孪生时域卷积网络、降水量对应的孪生时域卷积网络，利用孪生时域卷积网络，将气象观测指标数据映射到高维空间，避免了线性不可分的情况，孪生TCN在同样体量的样本集下，训练次数多，以高维特征向量作为趋势预测时域卷积网络的输入，其表征能力更强，有利于加快趋势预测时域卷积网络收敛。
3.本发明采用时域卷积网络技术，实施者可以更好地控制TCN模型的记忆长短，避免了RNN中经常出现的梯度爆炸或梯度消失问题。
4.本发明设计了天气趋势预测时域卷积网络、温度趋势预测时域卷积网络、降水量趋势预测时域卷积网络，分别分析天气趋势、温度趋势、降水量趋势，能够提高气候趋势分析的精度。
附图说明
图1为本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明主要对汛期气候进行预测与分析，提供一种基于TCN的汛期气候趋势预测方法，为相关部门提供数据支持，提前做好防汛各项准备工作。图1为本发明的流程图。下面通过具体实施例来进行说明。
实施例1：
一种基于TCN的汛期气候趋势预测方法：
对收集的多种汛期气象观测指标数据进行分析，筛选出与汛期天气趋势因素相关的汛期气象观测指标，汛期天气趋势因素包括降水量、温度、光照强度。
首先通过传感模块进行汛期气象观测指标的采集，该模块最主要的设备为气象站，可采取便携式气象站，便于携带，使用方便，测量精度高，可采集降水量、温度、湿度、风速、风向、光照强度、气压、土壤温度、土壤湿度、露点、太阳辐射强度等多项气象观测指标信息。气象站需要在区域内进行合理的部署，部署的原则实施者可以根据实施情况调整。气候是对某区域常年天气、降水、温度等综合分析的结果，因此，预测气候趋势，需要对常年的天气、降水、温度等气候因素的趋势进行分析。而天气又是各种气象观测指标综合的结果，因此需要结合多种气象观测指标进行分析。天气趋势因素包括降水量、温度、光照强度。
由于气象观测指标很多，需要从中筛选出与天气趋势因素相关的气象观测指标。即包括筛选出与降水量相关的汛期气象观测指标、与温度相关的汛期气象观测指标、与光照强度相关的汛期气象观测指标。具体地，本发明利用随机森林算法，根据袋外数据的误差OOB(out-of-bag)衡量气象观测指标对天气趋势因素的重要性。
衡量指标重要性，其输入有两个，一是特征序列，二是标签。需要对每一个天气趋势因素进行特征重要性分析。特征序列为历史数据，主要为气象站各式各样传感器得到的气象观测指标数据。标签同样为历史数据。以区域降水量预测为例，特征序列为每两小时的气象站各式各样传感器得到的气象观测指标数据，标签为两小时区域降水量的分级结果。分级区间如下：降水量在10毫米以下，为1级；降水量为10～24.9毫米，为2级；降水量为25～49.9毫米，为3级；降水量为50～99.9毫米，为4级；降水量为100～250毫米，为5级；降水量在250毫米以上，为6级。
衡量指标重要性具体的实施细节如下：对于随机森林中的每一颗决策树，选择相应的袋外数据进行袋外数据误差的计算，记为Error1。所谓袋外数据是指，每次建立决策树时，通过重复抽样得到一个数据用于训练决策树。需要注意的是需要对训练集划分验证集，即不参与决策树的建立。验证集可以用于对决策树的性能进行评估，计算模型的预测错误率，称为袋外数据误差。这已经经过证明是无偏估计的，所以在随机森林算法中不需要再进行交叉验证或者单独的测试集来获取测试集误差的无偏估计。随机对袋外数据所有样本的特征X加入噪声干扰(可以随机改变样本在特征X处的值)，再次计算袋外数据误差，记为Error2。假设森林中有N棵树，则：
特征X的重要性＝∑(Error2-Error1)/N
这个数值之所以能够说明特征的重要性，是因为如果加入随机噪声后，袋外数据准确率大幅度下降(即Error2上升)，说明这个特征对于样本的预测结果有很大影响，进而说明重要程度比较高。
指标重要性即特征重要性分析方法有很多种，实施者可自由选取，如因素分析法，是利用统计指数体系分析现象总变动中各个因素影响程度的一种统计分析方法，包括连环替代法、差额分析法、指标分解法等。至此即可得到气象站采集的各种气象观测指标数据对于天气趋势因素的重要性。
天气趋势预测主要使用TCN网络进行训练与实施。神经网络往往需要经过长时间、大量样本的训练才能收敛，时域卷积网络的样本数据必然要经过长时间的采集才能构建出较为完备的样本集，采集样本耗费时间过长势必会影响方法的实用性。另一方面，如果直接将传感器采集的气象观测指标数据输入进行天气预测，由于气象观测指标数据维度低、表征能力差，网络不易收敛。综上考虑，本发明设计了孪生TCN将气象站采集的各种数据进行特征映射，映射到高维空间，将笼统的气象数据拉开，提高数据的表征能力，孪生时域卷积模型使用各类影响因素作为输入(此处选择高影响因素的前N个，即重要性高的指标，以减少网络运算量)，然后产生特征向量作为输出。而且，孪生TCN在同样体量的样本集下，训练次数多，网络易于收敛。
将第一滑动时间窗口内、与降水量相关的汛期气象观测指标数据输入第一孪生时域卷积网络的第一分支，得到第一高维特征向量；将第二滑动时间窗口内、与降水量相关的汛期气象观测指标数据输入第一孪生时域卷积网络的第二分支，得到第二高维特征向量；第一孪生时域卷积网络的标签数据为第一滑动时间窗口降水量分级与第二滑动时间窗口降水量分级是否属于同一类的标注；计算第一高维特征向量与第二高维特征向量之间的距离，利用标注与对比损失函数训练第一孪生时域卷积网络，更新网络权重；按照同样的方法，分别利用与其它各汛期天气趋势因素相关的汛期气象观测指标数据训练对应的孪生时域卷积网络。
孪生TCN训练的特征序列及标签都为历史数据。孪生网络具有两个分支，第一分支、第二分支分别包括时域卷积网络单元、全连接层。训练细节如下：由于TCN的特性，实施者可设置较大的时间窗口以捕捉长期信息。将与天气趋势因素相关的汛期气象观测指标数据作为孪生TCN输入，经过时域卷积网络进行特征提取，最终经过全连接FC，输出为高维特征向量，经验维数64维。损失函数采用孪生网络常用损失函数—对比损失。在此举例，以降水量为例，滑动时间窗口尺寸为两小时，特征序列为每两小时的气象站传感器测得的、与降水量相关的气象观测指标数据(即第一步筛选的气象观测指标)，标签为孪生TCN两个分支输入的两小时区域降水量的分级结果是否属于同一类，即是否属于同一级别。
孪生TCN的输入为重要性高的气象站各式各样传感器数值序列，由于孪生网络的特点，网络的两个分支的滑窗大小及步长要保持一致，即第一滑动时间窗口、第二滑动时间窗口的尺寸、步长相同。在本实施例中，滑窗大小要覆盖到两小时的数据，尺寸为每两小时数据的长度，且TCN的输入数据要保证时间不同步，即第一滑动时间窗口、第二滑动时间窗口的采样起始时刻不同步，训练时输入孪生TCN的每一对数据要不同。
通过孪生TCN，映射出区域的各项天气趋势因素特征向量，这些天气趋势因素对于天气的预测应具有一定的影响，经验天气趋势因素还包括湿度、风速、风向、太阳辐射强度、气压。
需要说明的是，温度、湿度、降水量、光照强度、风速、风向、太阳辐射强度、气压每项天气趋势因素都需要一个孪生TCN来映射。即利用第一孪生时域卷积网络将与降水量相关的汛期气象观测指标数据映射到高维特征向量，利用第二孪生时域卷积网络将与温度相关的汛期气象观测指标数据映射到高维特征向量，利用第三孪生时域卷积网络将与光照强度相关的汛期气象观测指标数据映射到高维特征向量，以此类推，利用与其它各汛期天气趋势因素相关的汛期气象观测指标数据训练对应的孪生时域卷积网络，利用训练好的孪生时域卷积网络将数据映射到高维特征向量。
将第三滑动时间窗口内、各汛期天气趋势因素对应的训练好的孪生时域卷积网络输出的高维特征向量连接，输入天气趋势预测时域卷积网络，输出预测的天气；将第三滑动时间窗口内、温度对应的训练好的孪生时域卷积网络输出的高维特征向量，输入温度趋势预测时域卷积网络，输出预测的温度；将第三滑动时间窗口内、降水量对应的训练好的孪生时域卷积网络输出的高维特征向量，输入降水量趋势预测时域卷积网络，输出预测的降水量。
将孪生TCN产生的时序高维特征向量Concatenate(连接)一起输入到天气趋势预测TCN中，对区域未来的天气趋势进行预测。天气趋势预测TCN训练的详细步骤如下：实施者应当知道TCN最终要接全连接FC，以输出预测目标。FC起到将特征映射到样本标记空间的作用，输入为特征序列，输出为预测的天气。高维特征向量Concatenate一起，在本实施例中，每一个天气趋势因素都会被映射为64维的特征向量，因此上述8个天气因素高维特征向量Concatenate后为512维特征向量。天气趋势预测TCN的输入形状为[B，N，512]，输出形状为[B,7]，B为Batch size，N为时间尺度(即第三滑动时间窗口)，如时间尺度为4，即代表8小时(孪生TCN每次滑窗为2小时数据量)的数据。7则代表7种天气趋势的概率(在本实施例中预测7种天气趋势，实施者可以根据实际情况设置更多的天气类型)。然后将处理后的特征数据与标签数据(要进行one-hot编码)送到网络中进行训练。标签数据为区域未来(如预测未来8小时)的天气趋势，为暴雨、雷暴大风、冰雹、龙卷、高温、晴朗、阴天的一种，并依次用阿拉伯数字代替(0-6)。训练过程采用标签平滑技术，对预测结果进行惩罚，减少真实样本标签的类别在计算损失函数时的权重，最终起到抑制过拟合的效果，平滑经验值为0.1。损失函数采用交叉熵。最终网络输出的结果再经过Argmax操作，得到具体的天气，即暴雨、雷暴大风、冰雹、龙卷、高温、晴朗、阴天的一种。
对输入数据进行更改，以预测未来该区域的相关气候因素趋势。在本实施例中，气候趋势因素包括天气，还包括降水量、温度。将第三滑动时间窗口内、温度对应的孪生时域卷积网络输出的高维特征向量，输入温度趋势预测时域卷积网络，输出预测的温度。将第三滑动时间窗口内、降水量对应的孪生时域卷积网络输出的高维特征向量(即第一孪生时域卷积网络)，输入降水量趋势预测时域卷积网络，输出预测的降水量。以降水量为例，降水量趋势预测时域卷积网络的输入为时序的降水量高维特征向量，标签可以根据上述的降水量分级设置未来时刻的降水量分级标签，以预测未来该区域的降水量等级。通常来说，未来的气候趋势因素包括温度、降水量、天气、光照的预测，实施者可自由选择。因此，实施者可以以相同的方法构建温度趋势预测时域卷积网络、光照强度趋势预测时域卷积网络等，从而获得未来时刻的降水量、温度、光照强度等。
最后，对上述预测结果进行分析。绘制天气趋势、降水量趋势、温度趋势的变化图，分析气候趋势。
基于投影曲线原理，构建分析图像。根据上述预测结果，构建投影曲线，以天气预测为例，横坐标为时间，纵坐标为该时间段的天气预测结果。通过投影曲线可以得知每个时间段的天气状况。以同样的方法绘制降水量趋势图，温度趋势图，根据各气候因素的趋势图分析汛期气候趋势。
以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于TCN的汛期气候趋势预测方法，其特征在于，该方法包括：
对收集的多种汛期气象观测指标数据进行分析，筛选出与汛期天气趋势因素相关的汛期气象观测指标，汛期天气趋势因素包括降水量、温度、光照强度；
将第一滑动时间窗口内、与降水量相关的汛期气象观测指标数据输入第一孪生时域卷积网络的第一分支，得到第一高维特征向量；将第二滑动时间窗口内、与降水量相关的汛期气象观测指标数据输入第一孪生时域卷积网络的第二分支，得到第二高维特征向量；第一孪生时域卷积网络的标签数据为第一滑动时间窗口降水量分级与第二滑动时间窗口降水量分级是否属于同一类的标注；计算第一高维特征向量与第二高维特征向量之间的距离，利用标注与对比损失函数训练第一孪生时域卷积网络，更新网络权重；按照同样的方法，分别利用与其它各汛期天气趋势因素相关的汛期气象观测指标数据训练对应的孪生时域卷积网络；
将第三滑动时间窗口内、各汛期天气趋势因素对应的训练好的孪生时域卷积网络输出的高维特征向量连接，输入天气趋势预测时域卷积网络进行推理，输出预测的天气；
将第三滑动时间窗口内、温度对应的训练好的孪生时域卷积网络输出的高维特征向量，输入温度趋势预测时域卷积网络进行推理，输出预测的温度；
将第三滑动时间窗口内、降水量对应的训练好的孪生时域卷积网络输出的高维特征向量，输入降水量趋势预测时域卷积网络进行推理，输出预测的降水量；
根据预测结果绘制天气趋势、温度趋势、降水量趋势图，分析气候趋势。
2.如权利要求1所述的方法，其特征在于，所述汛期气象观测指标包括：降水量、温度、湿度、风速、风向、光照强度、气压、土壤温度、土壤湿度、露点、太阳辐射强度。
3.如权利要求1所述的方法，其特征在于，第一滑动时间窗口与第二滑动时间窗口的尺寸、步长相同，第一滑动时间窗口、第二滑动时间窗口的采样起始时刻不同步。
4.如权利要求1所述的方法，其特征在于，所述第三滑动窗口的尺寸大于第一滑动时间窗口的尺寸。
5.如权利要求1所述的方法，其特征在于，所述天气趋势因素还包括：湿度、风速、风向、气压、太阳辐射强度。
6.如权利要求1所述的方法，其特征在于，所述孪生时域卷积网络的每个分支分别包括时域卷积网络单元、全连接层，两个分支共享网络权重。
7.如权利要求1所述的方法，其特征在于，所述天气趋势预测时域卷积网络的标签包括：暴雨、雷暴大风、冰雹、龙卷、高温、晴朗、阴天。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010737477.3A CN111882128B (zh) | 2020-07-28 | 2020-07-28 | 基于tcn的汛期气候趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010737477.3A CN111882128B (zh) | 2020-07-28 | 2020-07-28 | 基于tcn的汛期气候趋势预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111882128A true CN111882128A (zh) | 2020-11-03 |
| CN111882128B CN111882128B (zh) | 2021-09-28 |
Family
ID=73201317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010737477.3A Active CN111882128B (zh) | 2020-07-28 | 2020-07-28 | 基于tcn的汛期气候趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882128B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343306A (zh) * | 2021-06-29 | 2021-09-03 | 招商局金融科技有限公司 | 基于差分隐私的数据查询方法、装置、设备及存储介质 |
| CN113642234A (zh) * | 2021-08-09 | 2021-11-12 | 贵州电网有限责任公司 | 一种基于多源特征时间卷积深度学习的电网覆冰预测方法 |
| CN114139590A (zh) * | 2021-05-27 | 2022-03-04 | 中国海洋大学 | 用于估算海洋温度的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
| US20180129869A1 (en) * | 2016-11-08 | 2018-05-10 | Nec Laboratories America, Inc. | Siamese Reconstruction Convolutional Neural Network for Pose-invariant Face Recognition |
| CN108846426A (zh) * | 2018-05-30 | 2018-11-20 | 西安电子科技大学 | 基于深度双向lstm孪生网络的极化sar分类方法 |
| CN109472396A (zh) * | 2018-10-17 | 2019-03-15 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测方法 |
| CN110658725A (zh) * | 2019-08-19 | 2020-01-07 | 周口师范学院 | 一种基于人工智能的能源监管和预测系统及其方法 |
| CN110728411A (zh) * | 2019-10-18 | 2020-01-24 | 河海大学 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
| CN110991690A (zh) * | 2019-10-17 | 2020-04-10 | 宁波大学 | 一种基于深度卷积神经网络的多时次风速预测方法 |
| CN111048097A (zh) * | 2019-12-19 | 2020-04-21 | 中国人民解放军空军研究院通信与导航研究所 | 一种基于3d卷积的孪生网络声纹识别方法 |
| CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
| CN111311027A (zh) * | 2020-03-23 | 2020-06-19 | 南京大学 | 一种用于输电线路的风速预测方法 |
| CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 |
-
2020
- 2020-07-28 CN CN202010737477.3A patent/CN111882128B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180129869A1 (en) * | 2016-11-08 | 2018-05-10 | Nec Laboratories America, Inc. | Siamese Reconstruction Convolutional Neural Network for Pose-invariant Face Recognition |
| CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
| CN108846426A (zh) * | 2018-05-30 | 2018-11-20 | 西安电子科技大学 | 基于深度双向lstm孪生网络的极化sar分类方法 |
| CN109472396A (zh) * | 2018-10-17 | 2019-03-15 | 四川佳联众合企业管理咨询有限公司 | 基于深度网络学习的山火预测方法 |
| CN110658725A (zh) * | 2019-08-19 | 2020-01-07 | 周口师范学院 | 一种基于人工智能的能源监管和预测系统及其方法 |
| CN110991690A (zh) * | 2019-10-17 | 2020-04-10 | 宁波大学 | 一种基于深度卷积神经网络的多时次风速预测方法 |
| CN110728411A (zh) * | 2019-10-18 | 2020-01-24 | 河海大学 | 一种基于卷积神经网络的高低空区域联合降雨预测方法 |
| CN111048097A (zh) * | 2019-12-19 | 2020-04-21 | 中国人民解放军空军研究院通信与导航研究所 | 一种基于3d卷积的孪生网络声纹识别方法 |
| CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
| CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 |
| CN111311027A (zh) * | 2020-03-23 | 2020-06-19 | 南京大学 | 一种用于输电线路的风速预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| PRADEEP HEWAGE: "Temporal convolutional neural (TCN) network for an effective weather.", 《METHODOLOGIES AND APPLICATION》 * |
| PRADEEP HEWAGE1: "Deep learning‑based effective fine‑grained weather forecasting model", 《INDUSTRIAL AND COMMERCIAL APPLICATION》 * |
| ZHANGQIBOT: "deecamp夏令营AI降水预测总结", 《HTTPS://CLOUD.TENCENT.COM/DEVELOPER/ARTICLE/1500907》 * |
| 谭宏强，牛 强: "基于滑动窗口及局部特征的时间序列符号化方法", 《计算机应用研究》 * |
| 陈王昊，尹玲，李妃斌，杨子豪，马邦杰: "基于CNN-LSTM 的地震震级预测研究", 《科技与创新》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139590A (zh) * | 2021-05-27 | 2022-03-04 | 中国海洋大学 | 用于估算海洋温度的方法 |
| CN113343306A (zh) * | 2021-06-29 | 2021-09-03 | 招商局金融科技有限公司 | 基于差分隐私的数据查询方法、装置、设备及存储介质 |
| CN113343306B (zh) * | 2021-06-29 | 2024-02-20 | 招商局金融科技有限公司 | 基于差分隐私的数据查询方法、装置、设备及存储介质 |
| CN113642234A (zh) * | 2021-08-09 | 2021-11-12 | 贵州电网有限责任公司 | 一种基于多源特征时间卷积深度学习的电网覆冰预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111882128B (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111882128B (zh) | 基于tcn的汛期气候趋势预测方法 | |
| CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
| CN111815037B (zh) | 一种基于注意力机制的可解释性短临极端降雨预测方法 | |
| Zhou et al. | Maximum nighttime urban heat island (UHI) intensity simulation by integrating remotely sensed data and meteorological observations | |
| CN103177301A (zh) | 一种台风灾害风险预估方法 | |
| CN109165693B (zh) | 一种适用于露、霜和结冰的天气现象的自动判识方法 | |
| CN112215393B (zh) | 基于自适应时空尺度选择的降水数值预报后处理订正方法 | |
| CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
| Liu et al. | Rainfall forecasting from multiple point sources using neural networks | |
| CN112285807A (zh) | 一种气象信息预测方法及装置 | |
| CN114529097B (zh) | 多尺度农作物物候期遥感降维预测方法 | |
| CN112285376A (zh) | 一种基于cnn-lstm的风速预测方法 | |
| CN110794485A (zh) | 基于集成学习的强对流天气持续时间预报方法 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| Sha et al. | Deep-learning-based precipitation observation quality control | |
| CN116308963A (zh) | 一种政务数据分析方法及系统 | |
| Pegion et al. | Understanding predictability of daily southeast US precipitation using explainable machine learning | |
| Rojas-Campos et al. | Postprocessing of NWP precipitation forecasts using deep learning | |
| CN114066070A (zh) | 基于人工智能和数值计算的天气预报方法 | |
| CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
| CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
| CN114722909A (zh) | 一种基于低维卷积神经网络的太阳耀斑时间序列分类方法 | |
| Dharsan | Asurvey ON WEATHER FORECASTING AND THEIR TECHNIQUES | |
| Essid et al. | Spatio-temporal modeling based on hidden Markov model for object tracking in satellite imagery | |
| Tahsin et al. | Comparative analysis of weather prediction using ensemble learning models and neural network |
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 |