CN112698427B - 一种基于时空预测模型的短临预报方法及系统 - Google Patents

一种基于时空预测模型的短临预报方法及系统 Download PDF

Info

Publication number
CN112698427B
CN112698427B CN202011462133.2A CN202011462133A CN112698427B CN 112698427 B CN112698427 B CN 112698427B CN 202011462133 A CN202011462133 A CN 202011462133A CN 112698427 B CN112698427 B CN 112698427B
Authority
CN
China
Prior art keywords
time
space
prediction
memory
input
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
Application number
CN202011462133.2A
Other languages
English (en)
Other versions
CN112698427A (zh
Inventor
张绍康
宁录游
邱升
宁家宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Best Weather Shanghai Technology Co ltd
Original Assignee
Best Weather Shanghai Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Best Weather Shanghai Technology Co ltd filed Critical Best Weather Shanghai Technology Co ltd
Priority to CN202011462133.2A priority Critical patent/CN112698427B/zh
Publication of CN112698427A publication Critical patent/CN112698427A/zh
Application granted granted Critical
Publication of CN112698427B publication Critical patent/CN112698427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及天气预报技术领域，提供了一种基于时空预测模型的短临预报方法及系统。短临预报方法包括如下步骤：首先，将气象雷达回波数据进行归一化处理。之后，对归一化处理后的气象雷达回波数据进行切割，形成切割好的区域块数据。之后，将切割好的区域块数据按时序进行打包作为训练样本，对时空预测模型进行训练，得到训练好的时空预测模型。之后，将以前若干时间段的气象雷达回波数据输入所述训练好的时空预测模型，生成未来若干时间段的气象雷达回波数据作为区域预测结果。最后，对每个区域的区域预测结果进行组合，形成全国预测结果。本发明的短临预报方法，解决了预报不准确和预测区域不广的问题。

Description

一种基于时空预测模型的短临预报方法及系统
技术领域
本发明涉及天气预报技术领域，尤其涉及一种基于时空预测模型的短临预报方法及系统。
背景技术
气象因素的变化深刻地影响着人类的生活，准确预报未来气象要素可广泛服务于人们的日常生活。短临预报与中长期预报相比，就时效性而言，具有更高的要求。
现有技术中常用的短临预报方法有统计预报降水法、基于数值模型的降水预报方法和基于雷达外推的降水预报方法。目前，随着短临降水研究的不断深入，深度学习、神经网络等技术在短临降水应用方面也提供了很好的思路。雷达每六分钟采集的回波强度可通过Z-R关系获得降水信息。然而，现有的预测方法在时效性和准确性上，常常存在延时以及预测误差大的情况。而且现在短临预测的区域范围较小，随着雷达精度的提高预测范围并没有随着相应的扩大。
发明内容
本发明的目的在于提供一种基于时空预测模型的短临预报方法及系统，以解决短临预报不准确和预测区域不广的问题。
根据本发明的第一个方面，提供了一种基于时空预测模型的短临预报方法，该方法包括如下步骤：首先，将气象雷达回波数据进行归一化处理。之后，对归一化处理后的气象雷达回波数据进行切割，形成切割好的区域块数据，步骤包括：将切割区域分为预测区域和膨胀区域，其中，预测区域是实际使用区域，膨胀区域则为重叠区域，为不使用区域。之后，将切割好的预测区域块数据按时序进行打包作为训练样本，对时空预测模型进行训练，得到训练好的时空预测模型。之后，将以前若干时间段的气象雷达回波数据输入所述训练好的时空预测模型，生成未来若干时间段的气象雷达回波数据作为区域预测结果。最后，对每个区域的区域预测结果进行组合，形成全国预测结果。优选地，若干时间段为1小时，由于雷达每六分钟采集一张数据，每个切割完成的区域块有10张数据。
进一步地，上述气象雷达回波数据的取值范围是[-320，800]，归一化处理公式为：
Figure GDA0003790428570000021
其中，s是归一化后的强度值，r是气象雷达回波强度值。
进一步地，采用膨胀预测法对气象雷达回波数据进行切割。在对数据进行切割之前还包括对对原始数据进行扩充的步骤。
进一步地，将切割好的气象雷达回波数据按时序进行打包，具体为：将前1小时的气象雷达回波数据作为输入，与其相邻的后1小时的气象雷达回波数据作为输出，进行打包。
进一步地，时空预测模型为使用时空记忆单元组成的4层时空预测神经网络，所述时空预测模型的表达式为：
Figure GDA0003790428570000022
其中，sklstm为网络的神经单元；t为时刻；l为空间层级；
Figure GDA0003790428570000031
为当前时空的隐藏信息；
Figure GDA0003790428570000032
为下一时刻的时间记忆；
Figure GDA0003790428570000033
为下一时刻的空间记忆；Xt为当前时刻的样本信息；
Figure GDA0003790428570000034
为上一时刻的隐藏信息；C
Figure GDA0003790428570000035
为上一时刻的时间记忆；
Figure GDA0003790428570000036
为最后一层的空间记忆；
Figure GDA0003790428570000037
为上一层的隐藏信息；
Figure GDA0003790428570000038
为上一层的空间记忆。
进一步地，时空预测模型使用的时空记忆单元包括时间记忆单元，时间记忆单元的表达公式为：
Figure GDA0003790428570000039
ft＝1-it
Figure GDA00037904285700000310
Figure GDA00037904285700000311
其中，记忆门it由输入信息Xt、上一时刻的时间记忆
Figure GDA00037904285700000312
上一时刻的隐藏信息
Figure GDA00037904285700000313
共同决定；Wi、Wc为权值；bi、bc为偏执量；ft遗忘门为输入的取反；
Figure GDA00037904285700000314
为新的时间记忆；
Figure GDA00037904285700000315
为下一时刻输入的时间记忆。
进一步地，时空预测模型使用的时空记忆单元包括空间记忆单元，空间记忆单元的表达公式为：
Figure GDA00037904285700000316
f′t＝1-i′t
Figure GDA00037904285700000317
Figure GDA00037904285700000318
其中，记忆门i′t由输入信息Xt、上一层的空间记忆
Figure GDA00037904285700000319
上一层的隐藏信息
Figure GDA00037904285700000320
共同决定；W′i、W′c为权值；b′i、b′c为偏执量；ft遗忘门为输入的取反；
Figure GDA0003790428570000041
为新的空间记忆；
Figure GDA0003790428570000042
为下一层输入的空间记忆。
进一步地，时空预测模型使用的时空记忆单元包括隐藏信息处理单元，隐藏信息处理单元的表达公式为：
Figure GDA0003790428570000043
Figure GDA0003790428570000044
其中，输出门ot由输入信息Xt、下一时刻输入的时间记忆
Figure GDA0003790428570000045
以及下一层输入的空间记忆
Figure GDA0003790428570000046
共同决定；Wo、Wh为权值；bo为偏执量；
Figure GDA0003790428570000047
为当前时空的隐藏信息。
进一步地，时空预测模型使用的时空记忆单元包括上述的时间记忆单元、空间记忆单元以及隐藏信息处理单元。时间记忆单元与空间记忆单元采用并联关系进行连接，之后再与隐藏信息处理单元采用串联关系进行连接。
根据本发明的另一个方面，还提供了一种基于时空预测模型的短临预报系统。短临预报系统包括：训练单元、预测单元以及整合单元。其中，训练单元用于通过时空神经网络对样本进行训练得到训练好的时空预测模型。预测单元用于使用训练好的模型以前若干时间段的气象雷达回波数据作为输入，生成未来若干时间段的气象雷达回波数据作为预测结果。整合单元用于对每个区域的预测结果进行组合以生成全国预测结果。
本发明的优点在于：(1)通过对气象雷达回波数据进行归一化处理和切割，使得训练模型不会消耗巨大的资源。同时，通过将切割好的气象雷达回波数据按区域、时序进行打包，有利于模型的训练，在一定程度上缩短了预测时间，进而能够进行全国区域的预测，预测区域广。(2)通过设计实现时空记忆单元包含时刻的记忆层和空间的记忆层，将时间和空间信息建模到一个统一的记忆细胞，并沿着垂直方向和水平方向传递这些记忆状态，使得预测结果能够涵盖时间维度和空间维度的趋势，相较于现有技术中一般只进行时间维度的分析，本发明的预测结果更加准确。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明采用膨胀预测法对气象雷达回波数据进行切割的示意图；
图2为本发明使用时空记忆单元SK-LSTM组成的4层时空预测神经网络的结构图；
图3为本发明的时间记忆单元的结构图；
图4为本发明的空间记忆单元的结构图；
图5为本发明的隐藏信息处理单元的结构图；
图6为本发明的时间记忆单元、空间记忆单元以及隐藏信息处理单元三个部分的关联关系图；
图7为本发明基于时空预测模型的短临预报系统的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域的技术人员更好的理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
本发明提供了一种基于时空预测模型的短临预报方法。具体地，本发明的短临预报方法包括以下步骤：(1)将气象雷达回波数据进行归一化处理。具体地，就是将气象雷达回波强度归一化成0到1的数值范围内。气象雷达回波数据的取值范围是[-320，800]，归一化处理公式如下：
Figure GDA0003790428570000061
其中，s是归一化后的强度值，r是气象雷达回波强度值。由于小于0的雷达回波强度值属于弱雷达回波强度值，对短临降水预测的影响不大，所以归一化成0。通过归一化处理方便了时空预测模型深度学习，加快了学习效率。
由于本发明的技术方案针对的是全国区域的预测，全国区域的数据过于庞大，训练模型会消耗巨大的资源，所以要将气象雷达数据进行分割。具体地，本发明所使用的气象雷达回波数据的覆盖范围是东经73.0°到135.0°，北纬12.2°到54.2°，该范围可以覆盖我国除南海部分岛礁之外的所有领土。
(2)对归一化处理后的气象雷达回波数据进行切割，形成切割好的区域块数据。
由于直接切割会导致相邻区域的数据特征没有连续性，从而使最终的气象回波图没有可读性。因此，本发明优选采用膨胀预测法对归一化后的气象雷达回波强度数据进行切割。切割区域分为预测区域和膨胀区域，其中，预测区域是实际使用区域，膨胀区域则为重叠区域，为不使用区域。切割区域的示意图如图1所示。在这里需要说明的是，切割的每块数据就代表每个区域。每个区域是按时序进行排列的。
在上述的技术方案中，由于分割后的区域数量必须是整数倍，但是原始数据的高宽可能并不满足整数倍的切割，所以必须对原始数据进行扩充。具体地，各区域的高、宽、切割数量以及扩充后的关系如下：
cwn＝ceil(ow/fw)
chn＝ceil(oh/fh)
cn＝chn*cwn
w＝cwn*fw+cw-fw
h＝chn*fh+ch-fh
其中，oh、ow分别为原始区域的高度和宽度。ch、cw分别为切割区域的高度和宽度。fh、fw分别为预测区域的高度和宽度。cwn为横向分割数量、chn为纵向分割数量。cn为总分割数量。ceil为向上取整操作。h、w分别为扩充后的高度和宽度。
(3)将切割好的区域块数据按时序进行打包作为训练样本，对时空预测模型进行训练，得到训练好的时空预测模型。
在本发明的一个具体的实施方式中，模型通过输入历史气象雷达回波数据预测未来气象雷达回波数据，时间跨度均为1小时。将前1小时的气象雷达回波数据为输入，与其相邻的后1小时的气象雷达回波数据为输出，进行打包，作为训练样本，对时空模型进行训练。
图2为本发明使用时空记忆单元SK-LSTM组成的4层时空预测神经网络的结构图。具体地，网络横向是对前n个时刻的时间记忆C的累加。网络纵向是对当前时刻不同空间的记忆M的累加。为了将不同时刻的空间记忆具有时序性，将前一时刻最后一层的空间记忆作为下一时刻的第一层空间记忆。H作为包含时间记忆C和空间记忆的隐藏信息。时空预测模型的表达式如下：
Figure GDA0003790428570000081
其中，sklstm是网络的神经单元、t为时刻、l为空间层级。当网络层数l＝1时，通过输入上一时刻的隐藏信息
Figure GDA0003790428570000091
时间记忆
Figure GDA0003790428570000092
最后一层的空间记忆
Figure GDA0003790428570000093
以及当前时刻的样本信息Xt，可以输出当前时空的隐藏信息
Figure GDA0003790428570000094
时间记忆
Figure GDA0003790428570000095
空间记忆
Figure GDA0003790428570000096
另外，当网络层数l≠1时，输入则变为上一时刻的隐藏信息
Figure GDA0003790428570000097
时间记忆
Figure GDA0003790428570000098
以及上一层的隐藏信息
Figure GDA0003790428570000099
空间记忆
Figure GDA00037904285700000910
输出不变。
本发明的时空预测模型使用的时空记忆单元(SK-LSTM)包括空间记忆单元，时间记忆单元和隐藏信息处理单元三个部分。空间记忆单元和时间记忆单元在结构上是一致的。
图3为本发明的时间记忆单元的结构图。图4为本发明的空间记忆单元的结构图。具体地，-1为取反操作，sigmod为sigmod函数，tanh是双曲函数，+为矩阵元素按位相加，×为矩阵元素按位相乘，o为矩阵连接。
时间记忆单元的表达公式如下：
Figure GDA00037904285700000911
ft＝1-it
Figure GDA00037904285700000912
Figure GDA00037904285700000913
其中，记忆门it由输入信息Xt，上一时刻的时间记忆
Figure GDA00037904285700000914
上一时刻的隐藏信
Figure GDA00037904285700000915
息共同决定，Wi，Wc为权值，bi，bc为偏执量，遗忘门为输入的取反，
Figure GDA00037904285700000916
为新的时间记忆，
Figure GDA00037904285700000917
为下一时刻输入的时间记忆。
空间记忆单元的表达公式如下：
Figure GDA0003790428570000101
f′t＝1-i′t
Figure GDA0003790428570000102
Figure GDA0003790428570000103
其中，记忆门i′t由输入信息Xt，上一层的空间记忆
Figure GDA0003790428570000104
上一层的隐藏信息
Figure GDA0003790428570000105
共同决定，W′i，W′c为权值，b′i，b′c为偏执量，遗忘门为输入的取反，
Figure GDA0003790428570000106
为新的空间记忆，
Figure GDA0003790428570000107
为下一层输入的空间记忆。
图5为本发明的隐藏信息处理单元的结构图。隐藏信息处理单元是将当前时刻的时间记忆和当前层的空间记忆一起进行非线性运算得出隐藏信息结果。由于隐藏信息中包含着短期的雷达回波数据的记忆，因此，得出隐藏信息结果在预测的时候会在一定程度上避免梯度消失和数据爆炸。
隐藏信息处理单元的表达公式如下：
Figure GDA0003790428570000108
Figure GDA0003790428570000109
其中，输出门ot由输入信息Xt，下一时刻输入的时间记忆
Figure GDA00037904285700001010
以及下一层输入的空间记忆
Figure GDA00037904285700001011
共同决定，Wo，Wh为权值，bo，为偏执量，
Figure GDA00037904285700001012
为当前时空的隐藏信息。
图6为本发明的时间记忆单元、空间记忆单元以及隐藏信息处理单元三个部分的关联关系图。具体地，空间记忆单元、时间记忆单元采用并联关系进行连接，然后再与隐藏信息处理单元进行串联连接。在这里需要说明的是，空间记忆单元、时间记忆单元采用并联是为了提高计算速度，与隐藏信息处理单元进行串联连接是为了增加神经网络的深度，增强学习能力。
图7为本发明基于时空预测模型的短临预报系统的示意图。具体地，本发明的短临预报系统包括：训练单元、预测单元和整合单元。训练单元包括预处理模块和计算模块。预处理模块用于将气象雷达数据进行归一化处理和切割打包样本。计算模块用于将切割打包的样本应用预定的算法(时空神经网络)运算得到训练好的时空预测模型。预测单元用于将真实数据输入训练好的时空预测模型以输出预测数据。具体地，真实数据为以前若干时间段的气象雷达回波数据，预测数据为未来若干时间段的气象雷达回波数据。整合单元用于对每个区域的预测结果进行组合以生成全国预测结果。
综上所述，本发明的时空预测模型与现有的LSTM模型相比，增加了空间记忆信息，这样可以对空间信息逐层进行卷积操作，更好地保留了数据的关键特征。同时，网络结构增加了神经网络的学习深度，提高了学习能力。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本领域技术人员可以理解，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
此外实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (7)

1.一种基于时空预测模型的短临预报方法，其特征在于，包括如下步骤：
(1)将气象雷达回波数据数值进行归一化处理；其中该归一化处理公式为：
Figure FDA0003893299810000011
其中s是归一化后的强度值，r是气象雷达回波强度值；
(2)对归一化处理后的气象雷达回波数据进行切割，形成切割好的区域块数据，步骤包括：将切割区域分为预测区域和膨胀区域，其中，预测区域是实际使用区域，膨胀区域则为重叠区域，为不使用区域；
(3)将切割好的预测区域块数据按时序进行打包步骤包括：将前预设时段的气象雷达回波数据作为输入，与其相邻的后预设时段的气象雷达回波数据作为输出，进行打包以作为训练样本，对时空预测模型进行训练，得到训练好的时空预测模型；
其中该时空预测模型为使用时空记忆单元组成的4层时空预测神经网络，所述时空预测模型的表达式为：
Figure FDA0003893299810000012
其中，sklstm为网络的神经单元；t为时刻；l为空间层级；
Figure FDA0003893299810000021
为当前时空的隐藏信息；
Figure FDA0003893299810000022
为当前时空的时间记忆；
Figure FDA0003893299810000023
为当前时空的空间记忆；Xt为当前时刻的样本信息；
Figure FDA0003893299810000024
为上一时刻的隐藏信息；
Figure FDA0003893299810000025
为上一时刻的时间记忆；
Figure FDA0003893299810000026
为最后一层的空间记忆；
Figure FDA0003893299810000027
为上一层的隐藏信息；
Figure FDA0003893299810000028
为上一层的空间记忆；
(4)将以前若干时间段的气象雷达回波数据输入所述训练好的时空预测模型，生成未来若干时间段的气象雷达回波数据作为区域预测结果；
(5)对每个区域的区域预测结果进行组合，形成全国预测结果。
2.根据权利要求1所述的短临预报方法，其特征在于，所述步骤(2)中采用膨胀预测法对气象雷达回波数据进行切割，且在对数据进行切割之前还包括对原始数据进行扩充的步骤。
3.根据权利要求1所述的短临预报方法，其特征在于，所述时空预测模型使用的时空记忆单元包括时间记忆单元，所述时间记忆单元的表达公式为：
Figure FDA0003893299810000029
ft＝1-it
Figure FDA00038932998100000210
Figure FDA00038932998100000211
其中，记忆门it由输入信息Xt、上一时刻的时间记忆
Figure FDA00038932998100000212
上一时刻的隐藏信息
Figure FDA00038932998100000213
共同决定；Wi、Wc为权值；bi、bc为偏执量；ft遗忘门为输入的取反；
Figure FDA0003893299810000031
为新的时间记忆；
Figure FDA0003893299810000032
为下一时刻输入的时间记忆。
4.根据权利要求1所述的短临预报方法，其特征在于，所述时空预测模型使用的时空记忆单元包括空间记忆单元，所述空间记忆单元的表达公式为：
Figure FDA0003893299810000033
ft′＝1-it′
Figure FDA0003893299810000034
Figure FDA0003893299810000035
其中，记忆门i′t由输入信息Xt、上一层的空间记忆
Figure FDA0003893299810000036
上一层的隐藏信息
Figure FDA0003893299810000037
共同决定；Wi′、W′c为权值；b′i、b′c为偏执量； ft ′ 遗忘门为输入的取反；
Figure FDA0003893299810000038
为新的空间记忆；
Figure FDA0003893299810000039
为下一层输入的空间记忆。
5.根据权利要求1所述的短临预报方法，其特征在于，所述时空预测模型使用的时空记忆单元包括隐藏信息处理单元，所述隐藏信息处理单元的表达公式为：
Figure FDA00038932998100000310
Figure FDA00038932998100000311
其中，输出门ot由输入信息Xt、下一时刻输入的时间记忆
Figure FDA00038932998100000312
以及下一层输入的空间记忆
Figure FDA00038932998100000313
共同决定；Wo、Wh为权值；bo为偏执量；
Figure FDA00038932998100000314
为当前时空的隐藏信息。
6.根据权利要求1所述的短临预报方法，其特征在于，所述时空预测模型使用的时空记忆单元包括：时间记忆单元、空间记忆单元以及隐藏信息处理单元；其中所述时间记忆单元的表达公式为：
Figure FDA0003893299810000041
ft＝1-it
Figure FDA0003893299810000042
Figure FDA0003893299810000043
其中，记忆门it由输入信息Xt、上一时刻的时间记忆
Figure FDA0003893299810000044
上一时刻的隐藏信息
Figure FDA0003893299810000045
共同决定；Wi、Wc为权值；bi、bc为偏执量；ft遗忘门为输入的取反；
Figure FDA0003893299810000046
为新的时间记忆；
Figure FDA0003893299810000047
为下一时刻输入的时间记忆；
所述空间记忆单元的表达公式为：
Figure FDA0003893299810000048
ft′＝1-it′
Figure FDA0003893299810000049
Figure FDA00038932998100000410
其中，记忆门i′t由输入信息Xt、上一层的空间记忆
Figure FDA00038932998100000411
上一层的隐藏信息
Figure FDA00038932998100000412
共同决定；W′i、W′c为权值；b′i、b′c为偏执量； ft ′ 遗忘门为输入的取反；
Figure FDA00038932998100000413
为新的空间记忆；
Figure FDA00038932998100000414
为下一层输入的空间记忆；
所述隐藏信息处理单元的表达公式为：
Figure FDA00038932998100000415
Figure FDA00038932998100000416
其中，输出门ot由输入信息Xt、下一时刻输入的时间记忆
Figure FDA0003893299810000051
以及下一层输入的空间记忆
Figure FDA0003893299810000052
共同决定；Wo、Wh为权值；bo为偏执量；
Figure FDA0003893299810000053
为当前时空的隐藏信息；
其中所述时间记忆单元与所述空间记忆单元采用并联关系进行连接，之后再与所述隐藏信息处理单元采用串联关系进行连接。
7.一种基于时空预测模型的短临预报系统，用于执行如权利要求1至6任一项权利要求所述的基于时空预测模型的短临预报方法，其特征在于，所述短临预报系统包括：训练单元，用于通过时空神经网络对样本进行训练得到训练好的时空预测模型；预测单元，用于使用训练好的模型以前若干时间段的气象雷达回波数据作为输入，生成未来若干时间段的气象雷达回波数据作为预测结果；整合单元，用于对每个区域的预测结果进行组合以生成全国预测结果。
CN202011462133.2A 2020-12-09 2020-12-09 一种基于时空预测模型的短临预报方法及系统 Active CN112698427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011462133.2A CN112698427B (zh) 2020-12-09 2020-12-09 一种基于时空预测模型的短临预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011462133.2A CN112698427B (zh) 2020-12-09 2020-12-09 一种基于时空预测模型的短临预报方法及系统

Publications (2)

Publication Number Publication Date
CN112698427A CN112698427A (zh) 2021-04-23
CN112698427B true CN112698427B (zh) 2023-01-31

Family

ID=75509112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011462133.2A Active CN112698427B (zh) 2020-12-09 2020-12-09 一种基于时空预测模型的短临预报方法及系统

Country Status (1)

Country Link
CN (1) CN112698427B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128778B (zh) * 2021-04-27 2022-08-26 最美天气(上海)科技有限公司 一种基于分级ts气象评分的模型训练方法
CN116307283B (zh) * 2023-05-19 2023-08-18 青岛科技大学 基于mim模型和时空交互记忆的降水预测系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
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
CN107748942A (zh) * 2017-11-24 2018-03-02 清华大学 基于速度场感知网络的雷达回波外推预测方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5796611A (en) * 1994-10-04 1998-08-18 Nippon Telegraph And Telephone Corporation Weather forecast apparatus and method based on recognition of echo patterns of radar images
CN109001736B (zh) * 2018-06-12 2022-04-05 中国人民解放军国防科技大学 一种基于深度时空预测神经网络的雷达回波外推方法
CN110824481A (zh) * 2019-10-28 2020-02-21 兰州大方电子有限责任公司 一种基于雷达反射率外推的定量降水预测方法
CN110967695A (zh) * 2019-10-28 2020-04-07 兰州大方电子有限责任公司 一种基于深度学习的雷达回波外推短临预报方法
CN111158068B (zh) * 2019-12-31 2022-09-23 哈尔滨工业大学（深圳） 一种基于简单卷积循环神经网络的短临预报方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
CN107748942A (zh) * 2017-11-24 2018-03-02 清华大学 基于速度场感知网络的雷达回波外推预测方法和系统

Also Published As

Publication number Publication date
CN112698427A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
Georgiou et al. Design wind speeds in regions dominated by tropical cyclones
CN112698427B (zh) 一种基于时空预测模型的短临预报方法及系统
Sailor et al. Climate change implications for wind power resources in the Northwest United States
CN1987906B (zh) 土地利用变化动态预测的方法
CN102495875A (zh) 一种基于数据挖掘的海洋灾害预警专家系统
CN107331132A (zh) 一种城市火灾隐患动态预测监控的方法及系统
Rueda et al. Multiscale climate emulator of multimodal wave spectra: MUSCLE‐spectra
KR101742537B1 (ko) 표적 추적 결과 정확도 향상을 위한 복수 유동모델 운영 시스템
Ellenson et al. An application of a machine learning algorithm to determine and describe error patterns within wave model output
Takemi et al. Robustness and uncertainty of projected changes in the impacts of Typhoon Vera (1959) under global warming
Zahura et al. Predicting combined tidal and pluvial flood inundation using a machine learning surrogate model
CN116108984A (zh) 基于流量-poi因果关系推理的城市流量预测方法
Song et al. A significant wave height prediction method based on deep learning combining the correlation between wind and wind waves
Lecacheux et al. Toward the probabilistic forecasting of cyclone-induced marine flooding by overtopping at Reunion Island aided by a time-varying random-forest classification approach
WO2024109848A1 (zh) 一种台风强度预测方法、装置、设备及存储介质
CN107392438A (zh) 一种公共交通便利指数的确定系统和方法
Szöllősi-Nagy On climate change, hydrological extremes and water security in a globalized world
Fakhruddin et al. Creating resilient communities with medium-range hazard warning systems
Song et al. Spatial-temporal transformer network for multi-year ENSO prediction
Yan et al. A stochastic tropical cyclone model for the northwestern Pacific Ocean with improved track and intensity representations
Liu et al. Multi-target prediction model of urban distribution system rainfall-caused outage based on spatiotemporal fusion
Michaelis Climate Change Effects on the Extratropical Transition of Tropical Cyclones in High-Resolution Global Simulations.
CN117875190B (zh) 极端暴雨事件中交通网络功能状态的时空预测方法
Zhang et al. Modeling urban growth by cellular automata: A case study of Xiamen City, China
Jiang et al. Spatio-temporal prediction of crime based on Data Mining and LSTM 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