CN112363251A - 天气预测模型的生成方法、天气预测方法、装置 - Google Patents
天气预测模型的生成方法、天气预测方法、装置 Download PDFInfo
- Publication number
- CN112363251A CN112363251A CN202011154434.9A CN202011154434A CN112363251A CN 112363251 A CN112363251 A CN 112363251A CN 202011154434 A CN202011154434 A CN 202011154434A CN 112363251 A CN112363251 A CN 112363251A
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- meteorological
- historical
- predicted
- 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
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种天气预测模型的生成方法、装置、计算机设备和存储介质,以及一种天气预测方法、装置、计算机设备和存储介质。所述天气预测模型的生成方法包括:获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;获取历史时间点对应的观测位置点的天气现象标签数据;通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。本方法通过采用历史气象数据训练天气预测模型,可以有效地获取气象数据和天气现象之间的关系,从而能够实现根据气象数据自动预测天气现象。
Description
技术领域
本申请涉及天气预测技术领域,特别是涉及一种天气预测模型的生成方法、装置、计算机设备和存储介质,以及一种天气预测方法、装置、计算机设备和存储介质。
背景技术
天气预报是使用现代科学技术对未来某一地点地球大气层的状态进行预测。气象部门可以通过收集的大量的气象数据来综合分析,预测未来的天气现象。经过几十年的计算机技术、大气探测技术和大气科学及相关学科的发展,目前已经能够提供具有较高可信度的天气预报,对具体气象要素(比如气温、气压、湿度等)的预报也已经达到较高的精度。
然而,对于一些无法用客观物理量精确表述的,或者在小尺度范围内发生、对中尺度天气无太大影响的天气现象(例如,对于发生在机场等重要地段的天气现象,如雾、霾、雷暴、沙尘暴等),仍然无法使用传统技术中的方法进行精确地描述与预测。
发明内容
基于此,有必要针对上述技术问题,提供一种能够精确地描述及预测天气现象的天气预测模型的生成方法、装置、计算机设备和存储介质,以及天气预测方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种天气预测模型的生成方法,所述方法包括:
获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;
对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;
获取历史时间点对应的观测位置点的天气现象标签数据;
通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。
第二方面,本申请实施例提供一种天气预测方法,所述方法包括:
获取待预测时间点对应的多个位置点的原始待预测气象数据,多个位置点包括观测位置点;
对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据;
通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果,其中,天气预测模型根据历史时间点对应的气象样本数据和天气现象标签数据训练得到,气象样本数据是对多个位置点的历史气象数据进行空间网格化处理得到,多个位置点中包括观测位置点。
第三方面,本申请实施例提供一种天气预测模型的生成装置,所述装置包括:
获取模块,用于获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;
数据处理模块,用于对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;
获取模块,还用于获取历史时间点对应的观测位置点的天气现象标签数据;
模型训练模块,用于通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。
第四方面,本申请实施例提供一种天气预测装置,所述装置包括:
获取模块,用于获取待预测时间点对应的多个位置点的原始待预测气象数据,多个位置点包括观测位置点;
数据处理模块,用于对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据;
天气预测模块,用于通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果,其中,天气预测模型根据历史时间点对应的气象样本数据和天气现象标签数据训练得到,气象样本数据是对多个位置点的历史气象数据进行空间网格化处理得到,多个位置点中包括观测位置点。
第五方面,本申请实施例提供一种计算机设备,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第一方面任一项实施例所述的天气预测模型的生成方法,或者实现上述第二方面任一项实施例所述的天气预测方法。
第六方面,本申请实施例提供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第一方面任一项实施例所述的天气预测模型的生成方法,或者实现上述第二方面任一项实施例所述的天气预测方法。
上述天气预测模型的生成方法、装置、计算机设备和存储介质,获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;获取历史时间点对应的观测位置点的天气现象标签数据;通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。通过采用历史气象数据训练天气预测模型,可以有效地获取气象数据和天气现象之间的关系,从而能够实现根据气象数据自动预测天气现象;通过将观测位置点以及观测位置点附近的历史气象数据作为训练数据,考虑了周边天气形势对观测位置点的天气的影响,可以改善模型性能、提高预测准确性,且相对引入所有的历史气象数据而言,可以有效减少计算量、提高计算速度。
上述天气预测方法、装置、计算机设备和存储介质,获取待预测时间点对应的多个位置点的原始待预测气象数据,多个位置点包括观测位置点;对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据;通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果。通过使用已训练的天气预测模型预测传统的天气预测方法无法直接预测的天气现象,可以自动获取精确的天气现象预测结果,且可以减少人力成本和时间成本。
附图说明
图1为一个实施例中天气预测模型的生成方法的应用环境图;
图2为另一个实施例中天气预测模型的生成方法的应用环境图;
图3为一个实施例中天气预测模型的生成方法的流程示意图;
图4为一个实施例中模型训练步骤的流程示意图;
图5为一个实施例中在模型中嵌入特征与激活网络块的结构示意图;
图6为一个实施例中天气预测模型的生成方法的流程示意图;
图7为一个实施例中天气预测方法的应用环境图;
图8为一个实施例中天气预测方法的流程示意图;
图9为一个实施例中获取原始待预测气象数据步骤的流程示意图;
图10为一个实施例中天气预测方法的流程示意图;
图11为一个实施例中天气预测模型的生成装置的结构框图;
图12为一个实施例中天气预测装置的结构框图;
图13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。
本申请提供的天气预测模型的生成方法,可以应用于如图1所示的应用环境中。该应用环境包括终端110。终端110中不限于部署有初始天气预测模型以及对历史气象数据进行处理的执行文件。终端110接收到对初始天气预测模型的训练请求,获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;获取历史时间点对应的观测位置点的天气现象标签数据;通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。其中,终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑,个人数字助理、穿戴式设备等。
在另一个实施例中,本申请提供的天气预测模型的生成方法,可以应用于如图2所示的应用环境中。其中,终端210通过网络与服务器220进行通信。初始天气预测模型以及对历史气象数据进行处理的执行文件等可以部署在服务器220中。终端响应于用户触发的初始天气预测模型的训练请求,向服务器220发送天气预测模型的训练指令。服务器220响应于天气预测模型的训练指令,获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;获取历史时间点对应的观测位置点的天气现象标签数据;通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。另外,在训练过程中,终端210的屏幕中还可以实时显示模型训练情况,例如显示模型训练的准确率等参数。其中,终端210可以但不限于是各种个人计算机、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220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3所示,提供了一种天气预测模型的生成方法,以该方法应用于图1中的终端110或者图2中的终端210为例进行说明,包括以下步骤:
步骤S310,获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点。
其中,历史时间点的数量包括多个,历史时间点可以预先配置并保存在终端。观测位置点是指需要进行天气现象预测的地点,例如机场、小区等。多个位置点可以是指与观测位置点相邻的位置点,例如,以观测位置点为中心的预设范围内的位置点。历史气象数据是指在历史时间点曾经观测或者预测到的气象数据,例如,数值天气预报数据。数值天气预报是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象的方法。历史气象数据中包含多个历史气象要素数据。气象要素是指表明大气物理状态、物理现象的各项要素,例如,气温、气压、风、湿度、云、降水等。具体地,用户可以通过终端触发天气预测模型的训练请求,使得终端根据该训练请求,获取预先配置的历史时间点和多个位置点。根据已获取的历史时间点和多个位置点,从历史气象数据中获取与历史时间点对应的多个位置点的历史气象数据。
步骤S320,对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据。
具体地,终端根据多个位置点的地理位置进行划分网格,每个网格点对应相同历史时间点下同一位置点的历史气象数据。最终得到与各个历史时间点对应的网格化数据,作为各个历史时间点对应的气象样本数据。进一步地,为了提高所获取的气象数据和天气现象之间关系的准确性,可以将观测位置点设置为网格的中心。即,按照预设的地理位置间隔,以观测位置点为中心进行采样,得到多个位置点。其中,地理位置可以通过经度、纬度等信息表征。
步骤S330,获取历史时间点对应的观测位置点的天气现象标签数据。
其中,天气现象标签数据是指根据真实发生的天气现象配置的数据。例如,若发生了需要预测的天气现象,则可以设置天气现象标签数据为1;若未发生该天气现象,则可以设置天气现象标签数据为0。具体地,天气现象标签数据可以预先根据真实的天气情况配置并保存在终端,使得终端能够响应于天气预测模型的训练请求,获取与历史时间点对应的观测位置点的天气现象标签数据。
步骤S340,通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。
其中,初始天气预测模型是指待训练的天气预测模型。具体地,在获取历史时间点对应的天气现象标签数据后,对气象样本数据进行标注,生成已标注的气象样本数据。终端使用已标注的气象样本数据对初始天气预测模型进行训练,直至达到预设停止条件。预设停止条件可以是指达到预设迭代次数,或者损失值不再减小。最后,通过采用鲁棒性最好或者准确率最高的模型参数对天气预测模型进行设置,得到最终应用的天气预测模型。
上述天气预测模型的生成方法中,通过采用历史气象数据训练天气预测模型,可以有效地获取气象数据和天气现象之间的关系,从而能够实现根据气象数据自动预测天气现象;通过将观测位置点以及观测位置点附近的历史气象数据作为训练数据,考虑了周边天气形势对观测位置点的天气的影响,可以改善模型性能、提高预测准确性,且相对引入所有的历史气象数据而言,可以有效减少计算量、提高计算速度。
在一个实施例中,历史气象数据包括历史数值气象数据和历史气象观测数据,历史数值气象数据和历史气象观测数据携带位置点信息;步骤S320,对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据,包括:根据位置点信息,对历史数值气象数据和历史气象观测数据进行空间网格化处理,生成历史时间点对应的气象样本数据。
其中,历史数值气象数据是指通过数值天气预报的方式得到的气象数据,例如,通过GFS(Global Forecasting System,全球天气预报系统),ECMWF(European Centre forMedium-range Weather Forecasts,欧洲中期天气预报中心),GRAPES(Global/RegionalAssimilation and Prediction System,全球区域同化预报系统)等方式得到。历史气象观测数据是指通过气象观测设备观测到的气象数据。气象观测设备可以是卫星、雷达等。
具体地,终端在获取多个位置点的历史数值气象数据和历史气象观测数据后,根据多个位置点的位置点信息进行划分网格。每个网格点对应相同历史时间点下,同一位置点的历史数值气象数据和历史气象观测数据。最终得到与各个历史时间点对应的网格化数据,作为各个历史时间点对应的气象样本数据。
进一步地,若获取某些历史时间点不存在历史数值气象数据,则可以根据已获取的历史数值气象数据进行推算,得到该某些历史时间点的历史数值气象数据。推算可以采取插值算法,例如线性插值。同理,若获取某些历史时间点不存在历史气象观测数据,则可以根据已获取的历史气象观测数据进行推算,得到该某些历史时间点的历史气象观测数据。
本实施例中,由于数值模式存在随着当前时间距离开始预报时间越长,准确率逐渐下降的特点,因此,通过引入气象观测设备观测到的历史气象观测数据,可以更有效地结合当前时刻的实况天气现象,从而对天气现象有更好的预报效果。
在一个实施例中,如图4所示,气象样本数据包含多个基础气象要素数据;步骤S340,通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,可以通过以下步骤实现:
步骤S341,对各个基础气象要素数据分别进行卷积处理,生成对应的基础气象要素特征。
步骤S342,通过特征压缩与激活网络块对各个基础气象要素特征进行特征压缩和激活处理,生成对应的权重系数。
步骤S343,根据权重系数,对各个基础气象要素特征分别进行加权处理,得到目标气象要素特征。
步骤S344,根据目标气象要素特征以及天气现象标签数据对初始天气预测模型进行训练。
其中,基础气象要素数据是指通过数值天气预报或者气象观测设备等方式直接得到的气象要素数据。在本实施例中,初始天气预测模型采用基于特征通道注意力机制的模型,可以通过在原始的分类模型中增加特征压缩与激活网络块生成。原始的分类模型可以采用任一种能够用于分类的深度学习模型,例如,AlexNet(一种卷积神经网络)、ResNet(Residual Network,深度残差网络)等。特征压缩与激活网络块可以采用SE-Net(Squeeze-and-Excitation Networks)。
具体地,每个基础气象要素相当于一个特征通道。当得到气象样本数据后,将气象样本数据输入至初始天气预测模型。通过初始天气预测模型对各个基础气象要素数据分别进行卷积处理,生成对应的基础气象要素特征。将各个基础气象要素数据对应的基础气象要素特征输入至特征压缩与激活网络块。通过特征压缩与激活网络块首先对各个基础气象要素特征进行特征压缩操作。即,顺着空间维度对基础气象要素特征进行特征压缩,将每个二维的特征通道变成一个实数,该实数某种程度上具有全局的感受野,并且输出的维度和输入的特征通道数相匹配。然后,对特征压缩操作后的输出特征进行激活操作,生成每个基础气象要素对应的权重系数。该权重系数用于表征每个基础气象要素的重要性。最后,根据权重系数,对各个基础气象要素特征分别进行加权处理,得到目标气象要素特征。进而根据该目标气象要素特征得到天气现象预测结果。通过预先配置的损失函数计算天气现象预测结果和天气现象标签数据之间的损失值,并根据该损失值不断地调整模型的参数,直至达到预设停止条件。
图5示例性地示出了一种将特征压缩与激活网络块应用于ResNet网络中的示意图。如图5所示,每个方框旁的维度信息代表该层的输出。在通过残差网络块(Residual)对基础气象要素数据进行卷积处理得到基础气象要素特征后,通过Global Average Pooling层(全局池化层)对基础气象要素特征进行特征压缩操作。然后,通过FC层(FullyConnected layer,全连接层)将特征维度降低到输入的1/r,并经过ReLu(RectifiedLinear Unit,线性整流函数)激活后再通过一个FC层升回到原来的维度。最后,通过Sigmoid(一种激活函数)获得0~1之间归一化的权重系数,并通过Scale层(缩放平移层)将归一化后的权重系数加权到各个基础气象要素特征上。
本实施例中,由于各个基础气象要素对于需要预测的天气现象的重要性各不相同,因此,通过采用基于特征通道注意力机制的天气预测模型,赋予每个基础气象要素以不同的权重,可以更加关注重要的基础气象要素对于天气现象识别的影响,相对忽略不重要的基础气象要素,从而可以提高天气现象的预测精度。
在一个实施例中,所述天气预测模型的生成方法还包括:对气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据;根据气象样本数据和特征工程处理后的气象样本数据生成天气预测训练数据。在本实施例中,通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,包括:通过历史时间点对应的天气预测训练数据和天气现象标签数据对初始天气预测模型进行训练。
其中,特征工程是指对气象样本数据进行加工得到新的特征的过程。具体地,特征工程的操作方式可以依实际情况预先部署在终端,不限于采用过滤、运算等。气象样本数据中包括多个基础气象要素数据。在得到气象样本数据后,调用预先配置的特征工程的操作方式对基础气象要素数据进行加工,得到特征工程处理后的气象样本数据。将气象样本数据和特征工程处理后的气象样本数据共同作为用于模型训练的输入数据对初始天气预测模型进行训练,直至达到预设停止条件。
本实施例中,通过对气象样本数据进行特征工程操作,在模型训练的训练集中引入更多数据源,使得模型可以学习到更多的气象数据信息,从而能够有效地提高天气预测模型的识别能力。
在一个实施例中,对特征工程的一种操作方式进行说明。对气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据,包括:从气象样本数据中获取与待处理的高阶气象要素对应的基础气象要素数据;根据基础气象要素数据以及预先配置的计算公式,生成高阶气象要素数据,将所述高阶气象要素数据作为特征工程处理后的气象样本数据。
其中,高阶气象要素与基础气象要素为相关变量,是指在基础气象要素的基础上进行进一步加工得到的气象要素。待处理的高阶气象要素以及对应的计算公式可以依实际情况预先设置并配置在终端中。待处理的高阶气象要素不限于包括:位温(PotentialTemperature)、假相当位温(Potential Pseudo-equivalent Temperature)、地面空气总能量、凝结函数、湿绝热温度直减率、水汽通量、沙氏指数(Si,Showalter Index)、理查森乱流指数(Ri,Richardson number)、K指数(用于分析大气稳定程度的气象学单位)、A指数(一种热力稳定度指数)、全总指数(TT,Total Totals index)、强天气威胁指数(SWEAT)、高空风散度、高空风涡度、地转风涡度等。
具体地,在得到气象样本数据后,获取预先配置的待处理的高阶气象要素以及对应的基础气象要素。调用预先配置的计算公式对基础气象要素数据进行计算,得到高阶气象要素数据。进而将气象样本数据以及高阶气象要素数据共同作为用于模型训练的天气预测训练数据对初始天气预测模型进行训练。
本实施例中,通过对气象样本数据进行计算得到高阶气象要素数据,在模型训练的训练集中引入更多的气象要素数据源,使得模型可以学习到更多的气象要素信息,从而能够有效地提高天气预测模型的识别能力。
在一个实施例中,对特征工程的另一种操作方式进行说明。对气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据,包括:遍历气象样本数据中的基础气象要素数据;根据预先配置的特征工程运算规则对基础气象要素数据进行运算,生成特征工程处理后的气象样本数据。
具体地,在本实施例中,采用自动化特征工程方式对气象样本数据进行特征工程操作。自动化特征工程是指通过从数据集中自动创建候选特征,且从中选择若干最佳特征的一种方式。示例性地,首先,通过ELI5库(一个Python库,允许使用统一应用程度接口可视化地调试各种机器学习模型),计算获取各个基础气象要素的排列重要性权重。筛选得到排列重要性权重大于0的基础气象要素。然后,对筛选后的基础气象要素进行自动特征工程运算(不限于包括对自身的指数运算、对数运算、基础气象要素间的四则运算等操作)。最后,对自动特征工程运算后的特征再次计算得到排列重要性权重。重复迭代数次上述过程,最后筛选得到重要性最高的预设数量(例如100个)的特征,作为特征工程处理后的气象样本数据。
本实施例中,通过对气象样本数据进行自动化特征工程操作,在模型训练的训练集中引入更多的数据源,使得模型可以学习到更多的信息,从而能够有效地提高天气预测模型的识别能力。
在一个实施例中,如图6所示,提供了一种天气预测模型的生成方法,包括以下步骤:
步骤S601,获取历史时间点对应的多个位置点的历史数值气象数据、历史气象观测数据,以及天气现象标签数据。其中,多个位置点中包括观测位置点。
步骤S602中,对历史数值气象数据和历史气象观测数据进行空间网格化处理,生成历史时间点对应的气象样本数据。所生成的气象样本数据为二维网格化数据。
步骤S603中,对气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据。其中,特征工程处理可以参照上述的实施例说明,在此不做具体阐述。
步骤S604中,将气象样本数据和特征工程处理后的气象样本数据共同作为用于模型训练的天气预测训练数据。
步骤S605中,将天气预测训练数据输入至初始天气预测模型。
步骤S606中,对天气预测训练数据中的各个变量(例如基础气象要素、高阶气象要素以及自动化特征工程后的特征)的数据分别进行卷积处理,生成对应的基础特征。其中,天气预测训练数据中的每个变量对应一个特征通道。
步骤S607中,通过特征压缩与激活网络块对各个基础特征进行特征压缩和激活处理,生成对应的权重系数。
步骤S608中,根据权重系数对各个基础特征分别进行加权处理,得到目标特征。
步骤S609中,根据目标特征以及天气现象标签数据对初始天气预测模型进行训练,直至达到预设停止条件,得到训练好的天气预测模型。
进一步地,为了提高天气预测模型的精度和性能,在模型训练之前,可以采用超参数优化方法得到最佳的超参数,在最佳的超参数下对初始天气预测模型进行训练。超参数优化可以采用hyperopt(一种通过贝叶斯优化来调整参数的工具)进行贝叶斯参数优化(Bayesian Optimization)、网格搜索、随机搜索等方式。
本申请提供的天气预测方法,可以应用于如图7所示的应用环境中。其中,该应用环境包括终端710。终端710中部署有通过上述天气预测模型的生成方法中的任一项实施例预先训练好的天气预测模型。具体地,终端710获取待预测时间点对应的多个位置点的原始待预测气象数据,多个位置点包括观测位置点;对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据;通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果。其中,终端710可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便捷式移动设备。
在一个实施例中,如图8所示,提供了一种天气预测方法,以该方法应用于图7中的终端710为例进行说明,包括以下步骤。
步骤S810,获取待预测时间点对应的多个位置点的原始待预测气象数据,多个位置点包括观测位置点。
步骤S820,对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据。
步骤S830,通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果,其中,天气预测模型根据上述天气预测模型的生成方法中的任一项实施例预先训练得到。
其中,待预测时间点可以是当前时间点、当前时间点之前的时间点,或者当前时间点未来的时间点。观测位置点是指需要进行天气现象预测的地点,例如机场、小区等。多个位置点可以是指与观测位置点相邻的位置点,例如,以观测位置点为中心的预设范围内的位置点。原始待预测气象数据可以包括通过多种方式得到的气象数据,例如,通过数值气象预报、气象观测设备等方式得到。
具体地,终端响应于用户触发的天气现象的预测请求,获取待预测时间点对应的多个位置点的原始待预测气象数据。根据多个位置点的地理位置进行划分网格,每个网格点对应待预测时间点下同一位置点的原始待预测气象数据。最终得到与待预测时间点对应的网格化数据,作为待预测时间点对应的目标待预测气象数据。其中,地理位置可以通过经度、纬度等信息表征。终端将目标待预测气象数据输入至通过上述天气预测模型的生成方法中的任一项实施例得到的天气预测模型,得到观测位置点在待预测时间点是否发生该天气现象的预测结果。
上述天气预测方法,通过使用已训练的天气预测模型预测传统的天气预测方法无法直接预测的天气现象,可以自动获取精确的天气现象预测结果,且可以减少人力成本和时间成本。
在一个实施例中,如图9所示,步骤S810,获取待预测时间点对应的多个位置点的原始待预测气象数据,可以通过以下步骤实现:
步骤S811,获取多个观测时间点对应的原始气象观测数据,以及待预测时间点对应的数值气象数据,多个观测时间点早于待预测时间点,原始气象观测数据是通过气象数据观测设备观测得到。
步骤S812,根据多个观测时间点对应的原始气象观测数据进行预测,得到待预测时间点对应的目标气象观测数据。
步骤S813,根据目标气象观测数据和数值气象数据,生成原始待预测气象数据。
其中,原始气象观测数据是指通过气象观测设备直接观测到的气象数据。具体地,在本实施例中,原始待预测气象数据包括数值天气预报的数值气象数据和气象观测设备观测到的原始气象观测数据。由于通过气象观测设备只能得到早于或等于当前时间点的气象观测数据,因此,当判断待检测时间点晚于当前时点时为未来的时间点时,可以根据已获取的原始气象观测数据推理得到待检测时间点对应的目标气象观测数据。
具体地,当判断待预测时间点晚于当前时间点时,调用预先部署的气象观测数据推理方法,根据已获取的多个观测时间点对应的原始气象观测数据进行趋势外推,得到待预测时间点对应的目标气象观测数据。气象观测数据推理方法可以参照视频预测方法,包括但不限于光流法、ConvLSTM(Convolutional Long Short-Term Memory Network,卷积长短期记忆网络)、PredRNN(时空序列预测模型)等深度学习方法。
本实施例中,通过引入气象观测设备观测到的气象观测数据和数值天气预报的数值气象数据,可以更有效地结合待预测时间点的气象数据,对天气现象有更好的预报效果;通过对晚于当前时间点的气象观测数据进行趋势外推,能够实现对未来的天气现象进行预测,提高了天气预测模型的可用性。
在一个实施例中,如图10所示,提供了一种天气预测方法,包括以下步骤。
步骤S1001,获取待预测时间点,以及待预测时间点对应的数值气象数据。
步骤S1002,将待预测时间点与当前时间点进行比较。若判断待预测时间点晚于当前时间,则执行步骤S1003~S1005;若判断待预测时间点早于或等于当前时间点,则执行步骤1006~S1007。
步骤S1003,获取多个观测时间点对应的多个位置点的原始气象观测数据。其中,多个观测时间点早于待预测时间点,原始气象观测数据是通过气象数据观测设备观测得到。
步骤S1004,根据多个观测时间点对应的多个位置点的原始气象观测数据进行预测,得到待预测时间点对应的目标气象观测数据。
步骤S1005,根据待预测时间点对应的目标气象观测数据和数值气象数据,生成待预测时间点对应的原始待预测气象数据。
步骤S1006,获取待预测时间点对应的气象观测数据。
步骤S1007,根据待预测时间点对应的气象观测数据和数值气象数据生成待预测时间点对应的原始待预测气象数据。
步骤S1008,对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据。
步骤S1009,通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果,其中,天气预测模型通过上述天气预测模型的生成方法中的任一项实施例得到。
应该理解的是,虽然上述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,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的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11所示,提供了一种天气预测模型的生成装置1100,包括:获取模块1101、数据处理模块1102和模型训练模块1103,其中:
获取模块1101,用于获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;
数据处理模块1102,用于对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;
获取模块1101,还用于获取历史时间点对应的观测位置点的天气现象标签数据;
模型训练模块1103,用于通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。
在一个实施例中,历史气象数据包括历史数值气象数据和历史气象观测数据,历史数值气象数据和历史气象观测数据携带位置点信息;数据处理模块1102,用于根据位置点信息,对历史数值气象数据和历史气象观测数据进行空间网格化处理,生成历史时间点对应的气象样本数据。
在一个实施例中,气象样本数据包含多个基础气象要素数据;模型训练模块1103,包括:卷积单元,用于对各个基础气象要素数据分别进行卷积处理,生成对应的基础气象要素特征;压缩与激活单元,用于通过特征压缩与激活网络块对各个基础气象要素特征进行特征压缩和激活处理,生成对应的权重系数;加权单元,用于根据权重系数,对各个基础气象要素特征分别进行加权处理,得到目标气象要素特征;模型训练单元,用于根据目标气象要素特征以及天气现象标签数据对初始天气预测模型进行训练。
在一个实施例中,所述装置还包括:特征处理模块,用于对气象样本数据进行特征工程处理,生成天气预测训练数据;在本实施例中,模型训练模块1103,用于通过历史时间点对应的天气预测训练数据和天气现象标签数据对初始天气预测模型进行训练。
在一个实施例中,特征处理模块,用于从气象样本数据中获取与待处理的高阶气象要素对应的基础气象要素数据;根据基础气象要素数据以及预先配置的计算公式,生成高阶气象要素数据,将气象样本数据以及高阶气象要素数据作为天气预测训练数据。
在一个实施例中,特征处理模块,还用于遍历气象样本数据中的基础气象要素数据;根据预先配置的特征工程运算规则对基础气象要素数据进行运算,生成特征工程处理后的基础气象要素数据;将气象样本数据,以及特征工程处理后的基础气象要素数据作为天气预测训练数据。
在一个实施例中,如图12所示,提供了一种天气预测装置1200,包括:获取模块1201、数据处理模块1202和天气预测模块1203,其中:
获取模块1201,用于获取待预测时间点对应的多个位置点的原始待预测气象数据,多个位置点包括观测位置点;
数据处理模块1202,用于对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据;
天气预测模块1203,用于通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果,其中,天气预测模型根据历史时间点对应的气象样本数据和天气现象标签数据训练得到,气象样本数据是对多个位置点的历史气象数据进行空间网格化处理得到,多个位置点中包括观测位置点。
在一个实施例中,获取模块1201,包括:获取单元,用于获取多个观测时间点对应的原始气象观测数据,以及待预测时间点对应的数值气象数据,多个观测时间点早于待预测时间点,原始气象观测数据是通过气象数据观测设备观测得到;气象观测数据预测单元,用于根据多个观测时间点对应的原始气象观测数据进行预测,得到待预测时间点对应的目标气象观测数据;气象数据生成单元,用于根据目标气象观测数据和数值气象数据,生成原始待预测气象数据。
关于天气预测模型的生成装置的具体限定可以参见上文中对于天气预测模型的生成方法的限定,关于天气预测装置的具体限定可以参见上文中对于天气预测方法的限定,在此不再赘述。上述天气预测模型的生成装置和天气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终端,其内部结构图可以如图13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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种天气预测模型的生成方法和(或)天气预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图13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,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;获取历史时间点对应的观测位置点的天气现象标签数据;通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。
在一个实施例中,历史气象数据包括历史数值气象数据和历史气象观测数据,历史数值气象数据和历史气象观测数据携带位置点信息;处理器执行计算机程序时实现以下步骤:
根据位置点信息,对历史数值气象数据和历史气象观测数据进行空间网格化处理,生成历史时间点对应的气象样本数据。
在一个实施例中,气象样本数据包含多个基础气象要素数据;处理器执行计算机程序时实现以下步骤:
对各个基础气象要素数据分别进行卷积处理,生成对应的基础气象要素特征;通过特征压缩与激活网络块对各个基础气象要素特征进行特征压缩和激活处理,生成对应的权重系数;根据权重系数,对各个基础气象要素特征分别进行加权处理,得到目标气象要素特征;根据目标气象要素特征以及天气现象标签数据对初始天气预测模型进行训练。
在一个实施例中,处理器执行计算机程序时实现以下步骤:
对气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据;根据气象样本数据和特征工程处理后的气象样本数据,生成天气预测训练数据;通过历史时间点对应的天气预测训练数据和天气现象标签数据对初始天气预测模型进行训练。
在一个实施例中,处理器执行计算机程序时实现以下步骤:
从气象样本数据中获取与待处理的高阶气象要素对应的基础气象要素数据;根据基础气象要素数据以及预先配置的计算公式,生成高阶气象要素数据,将高阶气象要素数据作为特征工程处理后的气象样本数据。
在一个实施例中,处理器执行计算机程序时实现以下步骤:
遍历气象样本数据中的基础气象要素数据;根据预先配置的特征工程运算规则对基础气象要素数据进行运算,生成特征工程处理后的气象样本数据。
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,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待预测时间点对应的多个位置点的原始待预测气象数据,多个位置点包括观测位置点;对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据;通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果,其中,天气预测模型根据历史时间点对应的气象样本数据和天气现象标签数据训练得到,气象样本数据是对多个位置点的历史气象数据进行空间网格化处理得到,多个位置点中包括观测位置点。
在一个实施例中,处理器执行计算机程序时实现以下步骤:
获取多个观测时间点对应的原始气象观测数据,以及待预测时间点对应的数值气象数据,多个观测时间点早于待预测时间点,原始气象观测数据是通过气象数据观测设备观测得到;根据多个观测时间点对应的原始气象观测数据进行预测,得到待预测时间点对应的目标气象观测数据;根据目标气象观测数据和数值气象数据,生成原始待预测气象数据。
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:
获取历史时间点对应的多个位置点的历史气象数据,多个位置点中包括观测位置点;对多个位置点的历史气象数据进行空间网格化处理,生成历史时间点对应的气象样本数据;获取历史时间点对应的观测位置点的天气现象标签数据;通过历史时间点对应的气象样本数据和天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。
在一个实施例中,历史气象数据包括历史数值气象数据和历史气象观测数据,历史数值气象数据和历史气象观测数据携带位置点信息;计算机程序被处理器执行时实现以下步骤:
根据位置点信息,对历史数值气象数据和历史气象观测数据进行空间网格化处理,生成历史时间点对应的气象样本数据。
在一个实施例中,气象样本数据包含多个基础气象要素数据;计算机程序被处理器执行时实现以下步骤:
对各个基础气象要素数据分别进行卷积处理,生成对应的基础气象要素特征;通过特征压缩与激活网络块对各个基础气象要素特征进行特征压缩和激活处理,生成对应的权重系数;根据权重系数,对各个基础气象要素特征分别进行加权处理,得到目标气象要素特征;根据目标气象要素特征以及天气现象标签数据对初始天气预测模型进行训练。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
对气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据;根据气象样本数据和特征工程处理后的气象样本数据,生成天气预测训练数据;通过历史时间点对应的天气预测训练数据和天气现象标签数据对初始天气预测模型进行训练。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
从气象样本数据中获取与待处理的高阶气象要素对应的基础气象要素数据;根据基础气象要素数据以及预先配置的计算公式,生成高阶气象要素数据,将高阶气象要素数据作为特征工程处理后的气象样本数据。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
遍历气象样本数据中的基础气象要素数据;根据预先配置的特征工程运算规则对基础气象要素数据进行运算,生成特征工程处理后的气象样本数据。
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:
获取待预测时间点对应的多个位置点的原始待预测气象数据,多个位置点包括观测位置点;对多个位置点的原始待预测气象数据进行空间网格化处理,生成待预测时间点对应的目标待预测气象数据;通过天气预测模型对目标待预测气象数据进行预测,生成观测位置点在待预测时间点是否发生天气现象的预测结果,其中,天气预测模型根据历史时间点对应的气象样本数据和天气现象标签数据训练得到,气象样本数据是对多个位置点的历史气象数据进行空间网格化处理得到,多个位置点中包括观测位置点。
在一个实施例中,计算机程序被处理器执行时实现以下步骤:
获取多个观测时间点对应的原始气象观测数据,以及待预测时间点对应的数值气象数据,多个观测时间点早于待预测时间点,原始气象观测数据是通过气象数据观测设备观测得到;根据多个观测时间点对应的原始气象观测数据进行预测,得到待预测时间点对应的目标气象观测数据;根据目标气象观测数据和数值气象数据,生成原始待预测气象数据。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)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 (12)
1.一种天气预测模型的生成方法,其特征在于,所述方法包括:
获取历史时间点对应的多个位置点的历史气象数据,所述多个位置点中包括观测位置点;
对所述多个位置点的历史气象数据进行空间网格化处理,生成所述历史时间点对应的气象样本数据;
获取所述历史时间点对应的所述观测位置点的天气现象标签数据;
通过所述历史时间点对应的所述气象样本数据和所述天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。
2.根据权利要求1所述的方法,其特征在于,所述历史气象数据包括历史数值气象数据和历史气象观测数据,所述历史数值气象数据和所述历史气象观测数据携带位置点信息;所述对所述多个位置点的历史气象数据进行空间网格化处理,生成所述历史时间点对应的气象样本数据,包括:
根据所述位置点信息,对所述历史数值气象数据和所述历史气象观测数据进行空间网格化处理,生成所述历史时间点对应的气象样本数据。
3.根据权利要求1所述的方法,其特征在于,所述气象样本数据包含多个基础气象要素数据;所述通过所述历史时间点对应的所述气象样本数据和所述天气现象标签数据对初始天气预测模型进行训练,包括:
对各个基础气象要素数据分别进行卷积处理,生成对应的基础气象要素特征;
通过特征压缩与激活网络块对各个基础气象要素特征进行特征压缩和激活处理,生成对应的权重系数;
根据所述权重系数,对所述各个基础气象要素特征分别进行加权处理,得到目标气象要素特征;
根据所述目标气象要素特征以及所述天气现象标签数据对所述初始天气预测模型进行训练。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述方法还包括:
对所述气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据;
根据所述气象样本数据和所述特征工程处理后的气象样本数据,生成天气预测训练数据。
所述通过所述历史时间点对应的所述气象样本数据和所述天气现象标签数据对初始天气预测模型进行训练,包括:
通过所述历史时间点对应的所述天气预测训练数据和所述天气现象标签数据对所述初始天气预测模型进行训练。
5.根据权利要求4所述的方法,其特征在于,所述对所述气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据,包括:
从所述气象样本数据中获取与待处理的高阶气象要素对应的基础气象要素数据;
根据所述基础气象要素数据以及预先配置的计算公式,生成高阶气象要素数据,将所述高阶气象要素数据作为所述特征工程处理后的气象样本数据。
6.根据权利要求4所述的方法,其特征在于,所述对所述气象样本数据进行特征工程处理,生成特征工程处理后的气象样本数据,包括:
遍历所述气象样本数据中的基础气象要素数据;
根据预先配置的特征工程运算规则对所述基础气象要素数据进行运算,生成特征工程处理后的气象样本数据。
7.一种天气预测方法,其特征在于,所述方法包括:
获取待预测时间点对应的多个位置点的原始待预测气象数据,所述多个位置点包括观测位置点;
对所述多个位置点的原始待预测气象数据进行空间网格化处理,生成所述待预测时间点对应的目标待预测气象数据;
通过天气预测模型对所述目标待预测气象数据进行预测,生成所述观测位置点在所述待预测时间点是否发生天气现象的预测结果,其中,
所述天气预测模型根据历史时间点对应的气象样本数据和天气现象标签数据训练得到,所述气象样本数据是对多个位置点的历史气象数据进行空间网格化处理得到,所述多个位置点中包括所述观测位置点。
8.根据权利要求7所述的方法,其特征在于,所述获取待预测时间点对应的多个位置点的原始待预测气象数据,包括:
获取多个观测时间点对应的原始气象观测数据,以及所述待预测时间点对应的数值气象数据,所述多个观测时间点早于所述待预测时间点,所述原始气象观测数据是通过气象数据观测设备观测得到;
根据所述多个观测时间点对应的原始气象观测数据进行预测,得到所述待预测时间点对应的目标气象观测数据;
根据所述目标气象观测数据和所述数值气象数据,生成所述原始待预测气象数据。
9.一种天气预测模型的生成装置,其特征在于,所述装置包括:
获取模块,用于获取历史时间点对应的多个位置点的历史气象数据,所述多个位置点中包括观测位置点;
数据处理模块,用于对所述多个位置点的历史气象数据进行空间网格化处理,生成所述历史时间点对应的气象样本数据;
所述获取模块,还用于获取所述历史时间点对应的所述观测位置点的天气现象标签数据;
模型训练模块,用于通过所述历史时间点对应的所述气象样本数据和所述天气现象标签数据对初始天气预测模型进行训练,得到预测天气现象是否发生的天气预测模型。
10.一种天气预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测时间点对应的多个位置点的原始待预测气象数据,所述多个位置点包括观测位置点;
数据处理模块,用于对所述多个位置点的原始待预测气象数据进行空间网格化处理,生成所述待预测时间点对应的目标待预测气象数据;
天气预测模块,用于通过天气预测模型对所述目标待预测气象数据进行预测,生成所述观测位置点在所述待预测时间点是否发生天气现象的预测结果,其中,
所述天气预测模型根据历史时间点对应的气象样本数据和天气现象标签数据训练得到,所述气象样本数据是对多个位置点的历史气象数据进行空间网格化处理得到,所述多个位置点中包括所述观测位置点。
11.一种计算机设备,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6中任一项所述的天气预测模型的生成方法的步骤,或者实现权利要求7或8所述的天气预测方法的步骤。
12.一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6中任一项所述的天气预测模型的生成方法的步骤,或者实现权利要求7或8所述的天气预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011154434.9A CN112363251A (zh) | 2020-10-26 | 2020-10-26 | 天气预测模型的生成方法、天气预测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011154434.9A CN112363251A (zh) | 2020-10-26 | 2020-10-26 | 天气预测模型的生成方法、天气预测方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112363251A true CN112363251A (zh) | 2021-02-12 |
Family
ID=74510393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011154434.9A Pending CN112363251A (zh) | 2020-10-26 | 2020-10-26 | 天气预测模型的生成方法、天气预测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112363251A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990333A (zh) * | 2021-03-27 | 2021-06-18 | 上海工程技术大学 | 一种基于深度学习的天气多分类识别方法 |
CN113033901A (zh) * | 2021-03-30 | 2021-06-25 | 上海眼控科技股份有限公司 | 一种气象要素预测方法、装置、设备及存储介质 |
CN113283630A (zh) * | 2021-04-09 | 2021-08-20 | 中科三清科技有限公司 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
CN113655295A (zh) * | 2021-10-21 | 2021-11-16 | 南京信息工程大学 | 一种基于雷达探测数据的闪电强度识别方法 |
CN114200548A (zh) * | 2021-12-15 | 2022-03-18 | 南京信息工程大学 | 基于SE-Resnet模型的延伸期气象要素预报方法 |
CN114662389A (zh) * | 2022-03-22 | 2022-06-24 | 河南大学 | 面向空气污染物的自相关误差Informer模型长时序预测方法及系统 |
CN115079309A (zh) * | 2022-08-08 | 2022-09-20 | 广东省气象公共服务中心(广东气象影视宣传中心) | 用于多类型海雾的预测模型构建方法、装置、设备及介质 |
CN116739185A (zh) * | 2023-08-09 | 2023-09-12 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷电能量的实时雷电区域预测和线路预警方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005249455A (ja) * | 2004-03-02 | 2005-09-15 | Hitachi Ltd | 予測方法、そのプログラム及び予測システム |
US20130013206A1 (en) * | 2011-07-05 | 2013-01-10 | International Business Machines Corporation | Meteorological Parameter Forecasting |
CN103077297A (zh) * | 2012-10-12 | 2013-05-01 | 西安交通大学 | 一种短时间间隔大气环境温度预测方法 |
CN104020510A (zh) * | 2014-06-23 | 2014-09-03 | 中国联合网络通信集团有限公司 | 气象分析方法和装置 |
CN104166710A (zh) * | 2014-08-12 | 2014-11-26 | Tcl通讯(宁波)有限公司 | 一种基于移动终端的天气预测方法及其移动终端 |
WO2014197273A1 (en) * | 2013-06-06 | 2014-12-11 | Massachusetts Institute Of Technology | Graphical display of radar and radar-like meteorological data |
CN106597574A (zh) * | 2016-12-30 | 2017-04-26 | 重庆邮电大学 | 一种基于时变云模型的天气温度预测方法及装置 |
CN107004040A (zh) * | 2014-09-10 | 2017-08-01 | 气象预报公司 | 可定制的天气分析系统 |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
US20190050485A1 (en) * | 2017-08-10 | 2019-02-14 | United States of America as Represented by NASA | Space weather database |
US20190180458A1 (en) * | 2017-12-13 | 2019-06-13 | Vaisala, Inc. | Estimating conditions from observations of one instrument based on training from observations of another instrument |
CN109917494A (zh) * | 2019-02-13 | 2019-06-21 | 上海华测导航技术股份有限公司 | 降雨预报方法、装置、设备和存储介质 |
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 |
CN111242374A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 雷电预测方法、装置、计算机设备和计算机可读存储介质 |
CN111239739A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
CN111505740A (zh) * | 2020-04-22 | 2020-08-07 | 上海眼控科技股份有限公司 | 气象预测方法、装置、计算机设备和存储介质 |
CN111552011A (zh) * | 2020-05-14 | 2020-08-18 | 上海眼控科技股份有限公司 | Taf报文的生成方法、装置及系统 |
-
2020
- 2020-10-26 CN CN202011154434.9A patent/CN112363251A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005249455A (ja) * | 2004-03-02 | 2005-09-15 | Hitachi Ltd | 予測方法、そのプログラム及び予測システム |
US20130013206A1 (en) * | 2011-07-05 | 2013-01-10 | International Business Machines Corporation | Meteorological Parameter Forecasting |
CN103077297A (zh) * | 2012-10-12 | 2013-05-01 | 西安交通大学 | 一种短时间间隔大气环境温度预测方法 |
WO2014197273A1 (en) * | 2013-06-06 | 2014-12-11 | Massachusetts Institute Of Technology | Graphical display of radar and radar-like meteorological data |
CN104020510A (zh) * | 2014-06-23 | 2014-09-03 | 中国联合网络通信集团有限公司 | 气象分析方法和装置 |
CN104166710A (zh) * | 2014-08-12 | 2014-11-26 | Tcl通讯(宁波)有限公司 | 一种基于移动终端的天气预测方法及其移动终端 |
CN107004040A (zh) * | 2014-09-10 | 2017-08-01 | 气象预报公司 | 可定制的天气分析系统 |
CN106597574A (zh) * | 2016-12-30 | 2017-04-26 | 重庆邮电大学 | 一种基于时变云模型的天气温度预测方法及装置 |
US20190050485A1 (en) * | 2017-08-10 | 2019-02-14 | United States of America as Represented by NASA | Space weather database |
US20190180458A1 (en) * | 2017-12-13 | 2019-06-13 | Vaisala, Inc. | Estimating conditions from observations of one instrument based on training from observations of another instrument |
CN107991722A (zh) * | 2017-12-25 | 2018-05-04 | 北京墨迹风云科技股份有限公司 | 天气预测模型的建立方法、预测方法和预测装置 |
CN109917494A (zh) * | 2019-02-13 | 2019-06-21 | 上海华测导航技术股份有限公司 | 降雨预报方法、装置、设备和存储介质 |
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 |
CN111242374A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 雷电预测方法、装置、计算机设备和计算机可读存储介质 |
CN111239739A (zh) * | 2020-01-10 | 2020-06-05 | 上海眼控科技股份有限公司 | 气象雷达回波图预测方法、装置、计算机设备和存储介质 |
CN111505740A (zh) * | 2020-04-22 | 2020-08-07 | 上海眼控科技股份有限公司 | 气象预测方法、装置、计算机设备和存储介质 |
CN111552011A (zh) * | 2020-05-14 | 2020-08-18 | 上海眼控科技股份有限公司 | Taf报文的生成方法、装置及系统 |
CN111458769A (zh) * | 2020-05-26 | 2020-07-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及系统 |
Non-Patent Citations (2)
Title |
---|
ANGELYN W.MOORE ET,AL: "National Weather Service Forecasters Use GPS Precipitable Water Vapor for Enhanced Situational Awareness during the Southern California Summer Monsoon", 《AMERICAN METEOROLOGICAL SOCIETY》 * |
王小东等: "基于特殊天气的气象仿真服务模型研究", 《成都信息工程学院学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112990333A (zh) * | 2021-03-27 | 2021-06-18 | 上海工程技术大学 | 一种基于深度学习的天气多分类识别方法 |
CN113033901A (zh) * | 2021-03-30 | 2021-06-25 | 上海眼控科技股份有限公司 | 一种气象要素预测方法、装置、设备及存储介质 |
CN113283630A (zh) * | 2021-04-09 | 2021-08-20 | 中科三清科技有限公司 | 空气质量预测方法、装置、设备和计算机可读存储介质 |
CN113655295A (zh) * | 2021-10-21 | 2021-11-16 | 南京信息工程大学 | 一种基于雷达探测数据的闪电强度识别方法 |
CN114200548A (zh) * | 2021-12-15 | 2022-03-18 | 南京信息工程大学 | 基于SE-Resnet模型的延伸期气象要素预报方法 |
CN114200548B (zh) * | 2021-12-15 | 2023-07-18 | 南京信息工程大学 | 基于SE-Resnet模型的延伸期气象要素预报方法 |
CN114662389A (zh) * | 2022-03-22 | 2022-06-24 | 河南大学 | 面向空气污染物的自相关误差Informer模型长时序预测方法及系统 |
CN115079309A (zh) * | 2022-08-08 | 2022-09-20 | 广东省气象公共服务中心(广东气象影视宣传中心) | 用于多类型海雾的预测模型构建方法、装置、设备及介质 |
CN116739185A (zh) * | 2023-08-09 | 2023-09-12 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷电能量的实时雷电区域预测和线路预警方法及系统 |
CN116739185B (zh) * | 2023-08-09 | 2023-12-19 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷电能量的实时雷电区域预测和线路预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112363251A (zh) | 天气预测模型的生成方法、天气预测方法、装置 | |
US11966670B2 (en) | Method and system for predicting wildfire hazard and spread at multiple time scales | |
US20230325557A1 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
US10877012B2 (en) | Automatic siting for air quality monitoring stations | |
US11720727B2 (en) | Method and system for increasing the resolution of physical gridded data | |
Tandeo et al. | Combining analog method and ensemble data assimilation: application to the Lorenz-63 chaotic system | |
Braakmann-Folgmann et al. | Sea level anomaly prediction using recurrent neural networks | |
CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN111505740A (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
Simon et al. | Probabilistic forecasting of thunderstorms in the Eastern Alps | |
CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Essa et al. | Deep learning prediction of thunderstorm severity using remote sensing weather data | |
JP2023016742A (ja) | 気象発生予測を生成するためのコンピュータ実装の方法、コンピュータプログラム、コンピュータサーバ(気象シナリオのシミュレーションおよび極端な気象の予測) | |
Parashar et al. | Short-Term Temperature and Rainfall Prediction at Local and Global Spatial Scale: A Review | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
JP2020091171A (ja) | 気象予測システム、気象予測方法、および気象予測プログラム | |
Deo et al. | Identification of minimal timespan problem for recurrent neural networks with application to cyclone wind-intensity prediction | |
Hong et al. | Forecasting experiments of a dynamical–statistical model of the sea surface temperature anomaly field based on the improved self-memorization principle | |
Achite et al. | Application of multiple spatial interpolation approaches to annual rainfall data in the Wadi Cheliff basin (north Algeria) | |
Galanis et al. | A new Kalman filter based on Information Geometry techniques for optimizing numerical environmental simulations | |
Mirones et al. | Optimization of Convolutional Neural Network models for spatially coherent multi-site fire danger predictions | |
KR102288682B1 (ko) | 유해물질 유출시 수환경내 유해물질거동에 대한 신속예측방법 및 그 장치 | |
Fallucchi et al. | Machine Learning Models Applied to Weather Series Analysis | |
Ercanoglu et al. | ARAS: a web-based landslide susceptibility and hazard mapping system |
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: 20230203 |