CN112632311B - 一种基于深度学习的云层变化趋势预测方法 - Google Patents
一种基于深度学习的云层变化趋势预测方法 Download PDFInfo
- Publication number
- CN112632311B CN112632311B CN202110040046.6A CN202110040046A CN112632311B CN 112632311 B CN112632311 B CN 112632311B CN 202110040046 A CN202110040046 A CN 202110040046A CN 112632311 B CN112632311 B CN 112632311B
- Authority
- CN
- China
- Prior art keywords
- layer
- cloud
- representing
- prediction
- cloud layer
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 14
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18513—Transmission in a satellite or space-based system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Library & Information Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的云层变化趋势预测方法，将从地面站采集的云图序列做数据预处理；按地面站上空的云层状况将云图序列数据分类，并确定训练集、验证集和测试集。基于卷积‑长短期记忆网络搭建深度预测网络模型，深度预测网络模型包括预测网络层、时间切片全连接层和全连接层，对深度预测网络模型训练，将训练集喂入深度预测网络模型进行模型的线下训练。本发明减小了计算开销，增加模型与待预测云层图像序列的时间相关性，使预测未来一段时间内地面站上空的云层变化趋势的准确度更高，从而为实现星地激光通信的不间断传输提供重要保障。
Description
技术领域
本发明应用于星地激光通信不间断传输系统，基于深度学习模型实现了一种用于云层变化趋势预测的方法。
背景技术
相较于星间激光链路，星地激光链路由于需要经过大气层，会受到云层的吸收和散射，使激光传输信号严重衰减，因此进行星地激光通信时必须考虑云层对激光链路的影响。提前获知地面站上空云层状态与运动信息，可为星地之间是否适合激光建链以及建链后预计的链路质量提供重要的先验信息，从而为实现星地激光通信不间断传输提供重要保障。
目前，获取指定区域上空云层图像的方法主要是通过卫星云图，但该方法时间和空间分辨率低(空间像素点通常在1公里以上，时间分辨率15分钟左右)，如果地面站上空的云小于气象卫星探测分辨率，是无法在卫星图像中辨认出来的，对于星地激光不间断传输的场景，无法满足时间和空间的精度要求。对云层变化和运动趋势预测的方法主要是外推法和交叉相关法，此类方法均需要对云层和云层变化和运动轨迹进行数学建模，满足特定假设的条件下进行预测，建模过程复杂，预测时计算量大，并且同一模型可能不适用于不同地区，对于星地激光通信不间断传输的场景，无法满足预测准确率的要求。
发明内容
发明目的：为了解决卫星云图预测结果时空分辨率低和实现成本高的问题，克服传统预测方法需要对云层及云层运动变化趋势建模和计算复杂度高的不足，本发明提供一种基于深度学习的云层变化趋势预测方法，使预测结果可靠可信，为实现星地激光通信不间断传输提供重要保障。本发明可以为星地激光建链提供先验判断信息。本发明利用从地面站上空采集大量历史云层变化和运动的序列图像，结合云层光学深度参数，在深度学习方法基础上增加滑动窗口的方法预测一段时间后的星地激光链路周围的云层信息，预测结果为星地之间是否适合激光建链以及建链后预计的链路质量提供重要的先验信息，从而为实现星地间不间断激光通信提供重要保障。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于深度学习的云层变化趋势预测方法，包括以下步骤：
步骤(1)，将从地面站采集的云图序列做数据预处理。按地面站上空的云层状况将云图序列数据分为晴空、少云和多云三类，并确定训练集、验证集和测试集。
步骤(2)，基于卷积-长短期记忆网络搭建深度预测网络模型，深度预测网络模型包括预测网络层、时间切片全连接层和全连接层，其中，预测网络层由四个模块组成，分别是输入卷积层，卷积-长短期记忆网络层，预测层和误差表示层，具体的更新规则如下：
其中，表示输入卷积层，xt表示输入云层图像，t表示当前时刻，l表示当前模型网络层，MAXPOOL表示最大池化函数，RELU表示激活函数，CONV表示卷积函数，/>表示误差网络层，/>表示预测层，/>表示卷积长短期记忆网络表示层，CONVLSTM表示卷积长短期记忆函数，UPSAMPLE表示上采样函数，λt表示t时刻的误差权重，nl表示l层的误差权重，Ltrain是总损失函数，定义为各层、各时刻预测误差的加权和；
步骤(3)，对深度预测网络模型训练，将训练集喂入深度预测网络模型进行模型的线下训练，验证集防止模型的过拟合，测试集用于测试模型的预测准确率，得到训练好的深度预测网络模型。
针对云层在某些特定场景下变化速度快、变化随意性大的特点，在深度学习的预测模型基础上添加滑动窗口，通过计算单位时间内相邻云层数据的欧几里得距离定义云层变化速度，并设定云层变化速度的阈值，当云层变化速度小于阈值时，滑动窗口长度减小；当云层变化速度大于阈值时，滑动窗口的长度增大，实现对预测模型的网络参数进行小规模调整的功能，来降低计算开销，增强模型与待预测云图序列的时间相关性，并且连续的学习使模型具有时效性，可达到高准确率的预测结果，从而为实现星地激光通信的不间断传输提供重要先验信息。具体的，基于新接收的云层三维信息，通过训练好的深度预测网络模型直接预测下一时刻的云层的运动和变化，预测下一时刻的云层的运动和变化完成之后，此时将预测网络层和时间切片全连接层的参数固定，计算单位时间内相邻云层数据的欧几里得距离得到云层变化速度，根据云层变化速度设定和调整滑动窗口的大小，从当前接收的待预测序列中选取小训练集，对全连接层进行参数调整。
优选的：步骤(3)中预测下一时刻的云层的运动和变化的方法为：
步骤(3.1)，首先设定云层变化速度的多个阈值，每个阈值之间对应相应的滑动窗口大小。
步骤(3.2)，计算当前单位时间内相邻云层数据的欧几里得距离得到云层变化速度，与设定的阈值相比较，动态选择滑动窗口长度。
本发明通过模型的在线连续训练，来增强模型与待预测云图序列的时间相关性。为使模型具有时效性，以达到更高准确的预测结果，当模型训练完成后用于预测时，对于新接收到的用于预测的云层图像序列：①先预测未来的云层图像序列；②计算单位时间内相邻云层数据的欧几里得距离得到云层变化速度，根据云层变化速度设定和调整滑动窗口的大小，利用滑动窗口选取待预测图像序列作为小训练集；③固定预测网络模型的预测层和时间切片层的参数，利用滑动窗口将小训练集依次喂入模型，对深度预测网络模型的参数进行小规模调整。
优选的：步骤(1)数据预处理包括数据筛选和数据清洗，去除不合格的云层图像。
本发明相比现有技术，具有以下有益效果：
本发明针对星地激光不间断传输的场景需求，使用从地面站采集的云层图像序列作为数据集，相较于卫星云图，硬件和图像获取成本低，时间和空间分辨率高，并且与获得到的云层光学深度组成云层的三维参数；基于深度学习搭建的深度预测网络模型，避免了传统预测方法复杂的假设条件和数学建模，在此基础上加入滑动窗口对模型改进，减小了计算开销，增加模型与待预测云层图像序列的时间相关性，使预测未来一段时间内地面站上空的云层变化趋势的准确度更高，从而为实现星地激光通信的不间断传输提供重要保障。
附图说明
图1是云层变化趋势预测系统的示意图。
图2是深度学习预测模型流程图。
图3是预测网络层的四个模块组成。
图4是预测网络层中每个单元的状态更新算法实现。
图5是滑动窗口示意图。
图6是云层图像序列和预测的云层图像序列。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于深度学习的云层变化趋势预测方法，用于星地激光通信不间断传输场景下的云层预测，以星地激光通信时预测地面站上空云层变化趋势为例，云层变化趋势预测系统的场景如图1所示，激光链路上的云层会使激光传输信号严重衰减，为提前获知激光链路周围的气象信息，对地面站上空的云层进行预测，系统流程如图2所示，具体步骤如下：
1、利用云红外成像仪采集地面站上空的云图，对原始数据筛选和清洗，去除拍摄模糊的图像后得到云图序列数据集。按地面站上空的云层状况将云图序列分为晴空、少云和多云三类，并按一定比例分为训练集、验证集和测试集。例如：红外成像仪每间隔5秒拍摄一次，共采集3万多张云图。先对数据筛选和清洗，去除拍摄模糊的图像后得到云图序列数据集30291张；再按地面站上空的云层状况将云图序列分为晴空、少云和多云三类，并按8:1:1的比例分为训练集24233张、验证集3029张和测试集3029张。
2、深度预测网络模型由预测网络层、时间切片全连接层和全连接层组成，其中的预测网络层由四个模块组成，如图3所示，分别为输入卷积层(Al)，卷积-长短期记忆网络层预测层/>和误差表示层(El)，具体的更新规则如下：
其中，表示输入卷积层，xt表示输入云层图像，t表示当前时刻，l表示当前模型网络层，MAXPOOL表示最大池化函数，RELU表示激活函数，CONV表示卷积函数，/>表示误差网络层，/>表示预测层，/>表示卷积长短期记忆网络表示层，CONVLSTM表示卷积长短期记忆函数，UPSAMPLE表示上采样函数，λt表示t时刻的误差权重，nl表示l层的误差权重，Ltrain是总损失函数，定义为各层、各时刻预测误差的加权和；
预测网络层中每个单元的更新顺序根据图4中所给出的状态更新算法实现，通过两次传递更新状态：先通过自上而下传递更新状态；然后前向传递更新/>和/>状态。
3、训练完成后，将模型用于预测。基于新接收的云层三维信息，即云层二维图像和云层光学深度，便可直接预测下一时刻的云层的运动和变化。通过二维云图即可知道云层对激光的遮挡影响，通过云的光学深度即可预判识别是薄云还是厚云，从而提前预判激光在云层中传播时的衰减，二者结合得到云层的三维属性，用以预判穿过云层的激光链路的衰减情况和通断情况。预测完成之后，此时将预测网络层和时间切片全连接层的参数固定，计算单位时间内相邻云层数据的欧几里得距离得到云层变化速度，根据云层变化速度设定和调整滑动窗口的大小，如图5所示。从当前接收的待预测序列中选取小训练集，对深度预测网络的全连接层进行小规模的参数调整。具体实现方法为：
(1)首先设定云层变化速度的多个阈值，每个阈值之间对应相应的滑动窗口大小；
(2)计算当前单位时间内相邻云层数据的欧几里得距离得到云层变化速度，与设定的阈值相比较，动态选择滑动窗口长度。
此方法针对云层在某些特定场景下变化速度快、变化随意性大的特点，通过增强模型与待预测云图序列的时间相关性，以获取较高准确率的预测结果。
4、根据步骤1、2、3所述的方法，采集的云层图像序列和预测的结果如图6所示，分为晴空、少云和多云三种情况。第一行为通过红外云成像仪拍摄到的真实的云层图像序列，第二行是利用本发明系统的预测模型预测得到的结果，在5％误差允许的条件下，准确率可达97％。地面站根据此预测结果和云层的光学深度参数，即可判断未来一段时间内该地面站的通信链路是否会受云层的影响。
综上所述，相较于传统的卫星云图预测，本发明实现的一种基于深度学习的用于云层变化趋势预测的方法，可获取相对较高空间及时间分辨率的云层预测结果；解决了传统预测方法需要对云层和云层运动建模的复杂和预测时的计算成本高的问题，并在深度预测模型中加入滑动窗口对模型再训练，使得本发明提出的方法具有高时空分辨率、高准确率和高时间相关性。
相较于卫星云图，利用云图序列并结合云层的光学深度参数作为训练数据，能够在本地以相对更高的时间及空间分辨率预测地面站上空的云图气象信息，获取预测结果方式便捷，实现成本更低。
相较于传统的预测云层运动趋势的外推方法，基于深度学习的预测模型无需对云层和云层运动进行建模，而是通过采集大量的云层图像序列与云的光学深度的历史数据，训练出深度预测网络模型，可获取更高时空分辨率的预测结果，并且模型训练在线下完成，预测速度快，节约计算资源；线上预测时在接收云图序列上利用滑动窗口，小规模调整模型参数，使模型具有更高的时间相关性和时效性，并且能够根据当前气象条件动态改变滑动窗口长度，减少计算开销，达到高准确率的预测结果。以预测的结果为先验条件，判断该地面站的通信链路在未来一段时间内的通断状态和通信质量。在预测时通过滑动窗口动态选取待预测的云图序列，实现系统在线学习，仅需对模型的网络参数进行小规模的调整，即可使得模型具有更高的预测准确率。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于深度学习的云层变化趋势预测方法，其特征在于，包括以下步骤：
步骤(1)，将从地面站采集的云图序列做数据预处理；按地面站上空的云层状况将云图序列数据分为晴空、少云和多云三类，并确定训练集、验证集和测试集；
步骤(2)，基于卷积-长短期记忆网络搭建深度预测网络模型，深度预测网络模型包括预测网络层、时间切片全连接层和全连接层，其中，预测网络层由四个模块组成，分别是输入卷积层，卷积-长短期记忆网络层，预测层和误差表示层，具体的更新规则如下：
其中，表示输入卷积层，xt表示输入云层图像，t表示当前时刻，l表示当前模型网络层，MAXPOOL表示最大池化函数，RELU表示激活函数，CONV表示卷积函数，/>表示误差网络层，/>表示预测层，/>表示卷积长短期记忆网络表示层，CONVLSTM表示卷积长短期记忆函数，UPSAMPLE表示上采样函数，λt表示t时刻的误差权重，nl表示l层的误差权重，Ltrain是总损失函数，定义为各层、各时刻预测误差的加权和；
步骤(3)，对深度预测网络模型训练，将训练集喂入深度预测网络模型进行模型的线下训练，验证集防止模型的过拟合，测试集用于测试模型的预测准确率，得到训练好的深度预测网络模型；
基于新接收的云层三维信息，通过训练好的深度预测网络模型直接预测下一时刻的云层的运动和变化，预测下一时刻的云层的运动和变化完成之后，此时将预测网络层和时间切片全连接层的参数固定，计算单位时间内相邻云层数据的欧几里得距离得到云层变化速度，根据云层变化速度设定和调整滑动窗口的大小，从当前接收的待预测序列中选取小训练集，对全连接层进行参数调整。
2.根据权利要求1所述基于深度学习的云层变化趋势预测方法，其特征在于：步骤(3)中预测下一时刻的云层的运动和变化的方法为：
步骤(3.1)，首先设定云层变化速度的多个阈值，每个阈值之间对应相应的滑动窗口大小；
步骤(3.2)，计算当前单位时间内相邻云层数据的欧几里得距离得到云层变化速度，与设定的阈值相比较，动态选择滑动窗口长度。
3.根据权利要求1所述基于深度学习的云层变化趋势预测方法，其特征在于：步骤(1)数据预处理包括数据筛选和数据清洗，去除不合格的云层图像。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2020104365630 | 2020-05-21 | ||
| CN202010436563.0A CN111460196A (zh) | 2020-05-21 | 2020-05-21 | 一种基于深度学习的云层变化趋势预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112632311A CN112632311A (zh) | 2021-04-09 |
| CN112632311B true CN112632311B (zh) | 2023-12-15 |
Family
ID=71683018
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010436563.0A Pending CN111460196A (zh) | 2020-05-21 | 2020-05-21 | 一种基于深度学习的云层变化趋势预测方法 |
| CN202110040046.6A Active CN112632311B (zh) | 2020-05-21 | 2021-01-13 | 一种基于深度学习的云层变化趋势预测方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010436563.0A Pending CN111460196A (zh) | 2020-05-21 | 2020-05-21 | 一种基于深度学习的云层变化趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN111460196A (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111460196A (zh) * | 2020-05-21 | 2020-07-28 | 南京大学 | 一种基于深度学习的云层变化趋势预测方法 |
| CN111932527A (zh) * | 2020-08-26 | 2020-11-13 | 江苏铨铨信息科技有限公司 | 基于长短期记忆与生成对抗网络的卫星云图预测的方法 |
| CN112417752B (zh) * | 2020-10-29 | 2022-11-08 | 济南大学 | 基于卷积lstm神经网络的云层轨迹预测方法及系统 |
| CN113486919A (zh) * | 2021-05-24 | 2021-10-08 | 浙江大学 | 一种基于深度学习的区域云图预测方法 |
| CN113807951B (zh) * | 2021-09-23 | 2024-10-15 | 中国建设银行股份有限公司 | 一种基于深度学习的交易数据趋势预测方法和系统 |
| CN115276913B (zh) * | 2022-09-29 | 2023-01-03 | 北京融为科技有限公司 | 一种星地激光通信的数据传输方法和设备 |
| CN116070549B (zh) * | 2023-03-06 | 2023-06-20 | 西南交通大学 | 一种地下空间水淹态势快速推演方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101504100B1 (ko) * | 2013-11-26 | 2015-03-19 | 재단법인 한국형수치예보모델개발사업단 | 로렌츠 연직 이산화 기반의 육면체구 수평 격자체계를 사용하는 수치일기예보모델의 물리과정 모수화 패키지 구성 방법 및 이를 구현하는 하드웨어 장치 |
| CN105225252A (zh) * | 2015-09-21 | 2016-01-06 | 华北电力大学（保定） | 云团运动预测方法 |
| CN109886486A (zh) * | 2019-02-18 | 2019-06-14 | 南方电网科学研究院有限责任公司 | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 |
| CN110084430A (zh) * | 2019-04-29 | 2019-08-02 | 国网上海市电力公司 | 一种考虑时空特性设计分布式光伏出力预测模型的方法 |
| CN110781458A (zh) * | 2019-10-30 | 2020-02-11 | 云南师范大学 | 一种基于混合回归模型预测地表太阳辐照度的方法 |
| CN111460196A (zh) * | 2020-05-21 | 2020-07-28 | 南京大学 | 一种基于深度学习的云层变化趋势预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909722B (zh) * | 2017-02-10 | 2019-07-26 | 广西壮族自治区气象减灾研究所 | 一种近地面气温的大面积精准反演方法 |
-
2020
- 2020-05-21 CN CN202010436563.0A patent/CN111460196A/zh active Pending
-
2021
- 2021-01-13 CN CN202110040046.6A patent/CN112632311B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101504100B1 (ko) * | 2013-11-26 | 2015-03-19 | 재단법인 한국형수치예보모델개발사업단 | 로렌츠 연직 이산화 기반의 육면체구 수평 격자체계를 사용하는 수치일기예보모델의 물리과정 모수화 패키지 구성 방법 및 이를 구현하는 하드웨어 장치 |
| CN105225252A (zh) * | 2015-09-21 | 2016-01-06 | 华北电力大学（保定） | 云团运动预测方法 |
| CN109886486A (zh) * | 2019-02-18 | 2019-06-14 | 南方电网科学研究院有限责任公司 | 不依赖于设备的云层跟踪技术及小时内辐照度预测方法 |
| CN110084430A (zh) * | 2019-04-29 | 2019-08-02 | 国网上海市电力公司 | 一种考虑时空特性设计分布式光伏出力预测模型的方法 |
| CN110781458A (zh) * | 2019-10-30 | 2020-02-11 | 云南师范大学 | 一种基于混合回归模型预测地表太阳辐照度的方法 |
| CN111460196A (zh) * | 2020-05-21 | 2020-07-28 | 南京大学 | 一种基于深度学习的云层变化趋势预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于OpenCV的短时云图变化预测系统的设计与实现;傅越;《中国优秀硕士学位论文全文数据库信息科技辑》(第4期);全文 * |
| 基于深度学习的云团变化趋势预测系统;戴政;《中国优秀硕士学位论文全文数据库信息科技辑》(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460196A (zh) | 2020-07-28 |
| CN112632311A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632311B (zh) | 一种基于深度学习的云层变化趋势预测方法 | |
| CN108596101B (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
| CN111489301B (zh) | 一种基于迁移学习用图像深度信息引导的图像去雾方法 | |
| CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN110689562A (zh) | 一种基于生成对抗网络的轨迹回环检测优化方法 | |
| CN111126278B (zh) | 针对少类别场景的目标检测模型优化与加速的方法 | |
| CN115861855A (zh) | 一种光伏电站的运维监测方法及系统 | |
| CN103440499B (zh) | 基于信息融合的交通波实时检测与跟踪方法 | |
| CN111273378B (zh) | 一种基于风应力扰动的台风中心定位方法 | |
| CN110956146B (zh) | 一种道路背景建模方法、装置、电子设备和存储介质 | |
| CN115421117B (zh) | 一种基于深度学习的雷达回波外推方法 | |
| CN116192251A (zh) | 一种基于天空红外遥感图像确定星地激光链路通信可用度的方法 | |
| CN110738622A (zh) | 基于多尺度卷积的轻量级神经网络单图像去雾方法 | |
| CN115393712B (zh) | 基于动态混合池化策略的sar图像道路提取方法及系统 | |
| CN115561834A (zh) | 基于人工智能气象短临预报一体机 | |
| CN106384359A (zh) | 运动目标跟踪方法和电视 | |
| CN117029840A (zh) | 一种移动车辆定位方法及系统 | |
| CN117710508A (zh) | 基于改进条件生成对抗网络的近地表温度反演方法和装置 | |
| CN117291443B (zh) | 基于多维感知技术的智能放线系统 | |
| CN117572885B (zh) | 基于无人机热红外相机的夜间追踪方法、系统及相关装置 | |
| CN113971666A (zh) | 基于深度目标检测的输电线路机巡影像自适应识别方法 | |
| CN113128559A (zh) | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 | |
| KR20220005142A (ko) | 인공지능 네트워크를 이용한 바람 벡터 예측 방법 및 분석장치 | |
| CN116612430A (zh) | 一种基于深度学习利用视频监控系统估计水位的方法 | |
| CN114187606B (zh) | 一种采用分支融合网络轻量化的车库行人检测方法及系统 |
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 |