CN112990354A - 一种构建用于风速预测的深度卷积回归网络的方法及装置 - Google Patents

一种构建用于风速预测的深度卷积回归网络的方法及装置 Download PDF

Info

Publication number
CN112990354A
CN112990354A CN202110407174.XA CN202110407174A CN112990354A CN 112990354 A CN112990354 A CN 112990354A CN 202110407174 A CN202110407174 A CN 202110407174A CN 112990354 A CN112990354 A CN 112990354A
Authority
CN
China
Prior art keywords
data
time sequence
ground
network
fusion
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
Application number
CN202110407174.XA
Other languages
English (en)
Other versions
CN112990354B (zh
Inventor
匡秋明
向世明
张新邦
于廷照
胡骏楠
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.)
Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Original Assignee
Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
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 Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center filed Critical Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Priority to CN202110407174.XA priority Critical patent/CN112990354B/zh
Publication of CN112990354A publication Critical patent/CN112990354A/zh
Application granted granted Critical
Publication of CN112990354B publication Critical patent/CN112990354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种构建用于风速预测的深度卷积回归网络的方法及装置，方法包括：收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；基于收集的地面观测气象样本数据的尺寸、总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络。可提高风速预测的精度。

Description

一种构建用于风速预测的深度卷积回归网络的方法及装置
技术领域
本发明涉及气象预报技术领域，具体而言，涉及一种构建用于风速预测的深度卷积回归网络的方法及装置。
背景技术
风速预测是气象模式预测中的一个重要分支，对人们日常生活、工农业生产、环境分析等都有极为重要的影响。但由于自然界风速涉及的气象因素较多，因素之间关联度十分复杂，使得对风速值进行预报的准确性较低，因而，对风速进行预测是目前气象学中的难点。
发明内容
有鉴于此，本发明的目的在于提供构建用于风速预测的深度卷积回归网络的方法及装置，以提高风速预测的精度。
第一方面，本发明实施例提供了构建用于风速预测的深度卷积回归网络的方法，包括：
收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；
基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；
针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；
依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络；
所述深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络，空间特征提取网络包括：残差卷积网络以及空洞空间卷积池化金字塔网络，所述依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络，包括：
将地面融合数据输入残差卷积网络，获得地面深层特征以及地面浅层特征，将高空融合数据输入所述残差卷积网络，获得高空深层特征以及高空浅层特征；
将地面深层特征输入空洞空间卷积池化金字塔网络，得到地面池化特征，将高空深层特征输入所述空洞空间卷积池化金字塔网络，得到高空池化特征；
分别对地面池化特征和高空池化特征进行双线性插值处理，得到地面插值特征以及高空插值特征；
对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接，得到空间特征；
将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子；
依据各历史时刻的时序权重因子，对该历史时刻的空间特征进行加权，得到时序融合特征；
将时序融合特征输入残差特征提取网络，得到目标预测时序的风速预测值；
依据目标预测时序的风速预测值以及风速实际值，调整深度卷积回归训练网络的参数，直至深度卷积回归训练网络满足预先设置的精度阈值，得到深度卷积回归网络。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据，包括：
构建尺寸与地面观测气象样本数据的尺寸相同、通道数与总预测时序数相同的时序编码层数据，初始化时序编码层数据中各通道数据为0；
根据目标预测时序在总预测时序中的位置，将三维时序编码层数据中所述位置对应的通道数据设置为1。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述历史时刻依次包括第一历史时刻、第二历史时刻、第三历史时刻，第一历史时刻距离当前时刻最近，所述将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子，包括：
将第三历史时刻的空间特征输入时序特征融合网络，得到第一融合时序特征；
将第一融合时序特征以及第二历史时刻的空间特征输入时序特征融合网络，得到第二融合时序特征；
将第二融合时序特征以及第一历史时刻的空间特征输入时序特征融合网络，得到加权时序特征；
依据加权时序特征进行时序权重因子计算，分别得到第一历史时刻的空间特征的第一时序权重因子、第二历史时刻的空间特征的第二时序权重因子，以及，第三历史时刻的空间特征的第三时序权重因子。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述方法还包括：
获取目标地区当前时刻前的各时序的地面观测气象数据、高空观测气象数据以及地形地物数据；
基于获取的地面观测气象数据的尺寸、所述总预测时序数以及未来预测时序，构建未来时序编码层数据中的各通道数据；
针对每一时序，对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合，得到低层融合数据，以及，对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼接融合，得到高层融合数据；
将低层融合数据以及高层融合数据输入所述深度卷积回归网络，得到所述未来预测时序的风速预测值。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述方法还包括：
将高空观测气象样本数据通过双线性插值的方法，将尺寸变换为与地面观测气象样本数据的尺寸相同，并对地面观测气象样本数据、地形地物样本数据以及变换后的高空观测气象样本数据分别进行标准化、正则化处理。
结合第一方面、第一方面的第一种可能的实施方式或第二种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述气象观测数据包括：温度、湿度、风速UV分量，所述地形地物样本数据包括：地面地形数据、地物数据、太阳高度角数据。
第二方面，本发明实施例还提供了一种构建用于风速预测的深度卷积回归网络的装置，包括：
样本数据收集模块，用于收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；
时序编码构建模块，用于基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；
数据融合模块，用于针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；
训练模块，用于依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络；
所述深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络，空间特征提取网络包括：残差卷积网络以及空洞空间卷积池化金字塔网络，所述训练模块，具体用于：
将地面融合数据输入残差卷积网络，获得地面深层特征以及地面浅层特征，将高空融合数据输入所述残差卷积网络，获得高空深层特征以及高空浅层特征；
将地面深层特征输入空洞空间卷积池化金字塔网络，得到地面池化特征，将高空深层特征输入所述空洞空间卷积池化金字塔网络，得到高空池化特征；
分别对地面池化特征和高空池化特征进行双线性插值处理，得到地面插值特征以及高空插值特征；
对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接，得到空间特征；
将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子；
依据各历史时刻的时序权重因子，对该历史时刻的空间特征进行加权，得到时序融合特征；
将时序融合特征输入残差特征提取网络，得到目标预测时序的风速预测值；
依据目标预测时序的风速预测值以及风速实际值，调整深度卷积回归训练网络的参数，直至深度卷积回归训练网络满足预先设置的精度阈值，得到深度卷积回归网络。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，还包括：
风速预测模块，用于获取目标地区当前时刻前的各时序的地面观测气象数据、高空观测气象数据以及地形地物数据；基于获取的地面观测气象数据的尺寸、所述总预测时序数以及未来预测时序，构建未来时序编码层数据中的各通道数据；针对每一时序，对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合，得到低层融合数据，以及，对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼接融合，得到高层融合数据；将低层融合数据以及高层融合数据输入所述深度卷积回归网络，得到所述未来预测时序的风速预测值。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的构建用于风速预测的深度卷积回归网络的方法及装置，通过收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络。这样，利用空间维度的气象数据构建时序编码层数据，对时序编码层数据以及气象数据进行融合，可以提升气象数据的特征提取质量，使得构建的深度卷积回归网络的精度较高，从而在利用深度卷积回归网络进行风速预测时，能有效提高风速预测的精度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的构建用于风速预测的深度卷积回归网络的方法流程示意图；
图2为风速预测模型一、风速预测模型二以及深度卷积回归网络的风速预测结果示意图；
图3示出了本发明实施例所提供的构建用于风速预测的深度卷积回归网络的装置结构示意图；
图4为本申请实施例提供的一种计算机设备400的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，深度卷积网络凭借其极强的拟合能力与泛化能力，已被广泛应用在工作和生活的方方面面。本发明实施例中，针对目前风速预测方法存在的精度、性能等不足，提供一种基于深度卷积回归网络的多时序风速预测方法，利用历史多时序观测得到的气象数据，如温度、湿度、风速UV分量以及地形地物数据，对未来多时序的风速值进行预测。
本发明实施例提供了一种构建用于风速预测的深度卷积回归网络的方法及装置，下面通过实施例进行描述。
图1示出了本发明实施例所提供的构建用于风速预测的深度卷积回归网络的方法流程示意图。如图1所示，该方法包括：
步骤101，收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；
本发明实施例中，以目标地区为华南地区为例，收集华南地区2019年9月至2020年6月的地面与高空中不同气压层中的气象观测数据以及地形地物样本数据。其中，气象观测数据包括一种或多种类别数据，包括但不限于：温度、湿度、风速UV分量，地形地物样本数据包括但不限于：地面地形（经度、纬度）数据、地物数据、太阳高度角数据。
本发明实施例中，对于收集的数据，可以对收集的数据进行清洗，例如，删除有缺失的数据，或，对有缺失的数据进行补全。
本发明实施例中，由于高空观测气象样本数据与地面观测气象样本数据可能来源于不同的数据集，尺寸可能不同。例如，收集的高空观测气象样本数据的尺寸为H hh xW h ，而收集的地面观测气象样本数据的尺寸为H lh xW l ，因而，作为一可选实施例，该方法还包括：
将高空观测气象样本数据通过双线性插值的方法，将尺寸变换为与地面观测气象样本数据的尺寸相同，并对地面观测气象样本数据、地形地物样本数据以及变换后的高空观测气象样本数据分别进行标准化、正则化处理。
本发明实施例中，作为一可选实施例，以地面观测气象样本数据的尺寸为基准，对尺寸与地面观测气象样本数据不同的高空观测气象样本数据，根据经纬度坐标进行双线性插值，使得插值后的高空观测气象样本数据尺寸与地面观测气象样本数据尺寸相同。对于地形地物样本数据，进行同样处理。例如，将尺寸为H hh xW h 的高空观测气象样本数据，通过双线性插值的方法，将尺寸变换为H lh xW l ，使之与地面观测气象样本数据的尺寸相同，便于后续处理。在对高空观测气象样本数据进行尺寸变换后，对地面观测气象样本数据、地形地物样本数据以及变换后的高空观测气象样本数据分别进行标准化、正则化操作。
本发明实施例中，在对数据进行标准化、正则化操作时，以地面观测气象样本数据为例，针对地面观测气象样本数据中的每一类别数据，分别进行标准化、正则化操作。
本发明实施例中，对于收集的地面观测气象样本数据，可以表示为CxHxW，其中，C为地面观测气象样本数据包含的类别数，例如，若地面观测气象样本数据包括温度、湿度，则对应的类别数为2。
步骤102,基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；
本发明实施例中，依据预测时间范围以及预测时序频率确定总预测时序数，例如，预测时间范围为24小时范围内，预测时序频率为逐3小时预报，则总预测时序数为8，即预测时间范围与预测时序频率的商值。实际应用中，预测时间范围以及预测时序频率可依据实际需要进行设置，本发明实施例对此不作限定。
本发明实施例中，目标预测时序为当前时刻前的历史时刻。作为一可选实施例，基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据，包括：
A11，构建尺寸与地面观测气象样本数据的尺寸相同、通道数与总预测时序数相同的时序编码层数据，初始化时序编码层数据中各通道数据为0；
本发明实施例中，对于大小为CxHxW的地面观测气象样本数据，构建尺寸大小为TxHxW的三维时序编码层，其中，T为总预测时序数。例如，若需要逐3小时进行风速预测，则总预测时序数为：T=8。
A12，根据目标预测时序在总预测时序中的位置，将三维时序编码层数据中所述位置对应的通道数据设置为1。
本发明实施例中，以上述为例，若目标预测时序为对未来第3小时时段风速进行预测，则将时序编码层数据中的第1通道数据全部设置为1，其余通道数据都设置为0。再例如，若目标预测时序为对未来第6小时时段风速进行预测，则将时序编码层数据中的第2通道数据全部设置为1，其余通道数据都设置为0。再例如，若目标预测时序为对未来第3小时时段和第6小时时段风速进行预测，则将时序编码层数据中的第1通道数据和第2通道数据全部设置为1，其余通道数据都设置为0。
步骤103，针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；
本发明实施例中，以拼接融合时序编码层数据与地面观测气象样本数据为例，将大小为TxHxW的时序编码层数据与大小为CxHxW的地面观测气象样本数据进行叠加，获得大小为（T+C）xHxW的地面融合数据。
步骤104，依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络。
本发明实施例中，作为一可选实施例，深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络，空间特征提取网络包括：残差卷积网络以及空洞空间卷积池化金字塔网络，所述依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络，包括：
A21，将地面融合数据输入残差卷积网络，获得地面深层特征以及地面浅层特征，将高空融合数据输入所述残差卷积网络，获得高空深层特征以及高空浅层特征；
本发明实施例中，残差卷积网络在卷积操作过程中，对数据中特征上的每一个点进行遍历。
本发明实施例中，残差卷积网络依据输入的地面融合数据以及高空融合数据，分别输出低尺度浅层特征（地面浅层特征以及高空浅层特征）以及高尺度深层特征（地面深层特征以及高空深层特征）。
A22，将地面深层特征输入空洞空间卷积池化金字塔网络，得到地面池化特征，将高空深层特征输入所述空洞空间卷积池化金字塔网络，得到高空池化特征；
本发明实施例中，高尺度深层特征将被输入空洞空间卷积池化金字塔网络进行再处理，这样，可以使得经过空洞空间卷积池化金字塔网络处理得到的特征中会包含更多空间气象信息。
本发明实施例中，残差卷积网络以及空洞空间卷积池化金字塔网络的具体结构可参见相关技术文献。通过利用不同膨胀系数的残差卷积网络层对输入数据进行特征提取，在空洞空间卷积池化金字塔网络中，获取特征经过了膨胀系数分别为1、6、24，通道数相同的卷积操作进行特征抽取，经过批正则化操作后，获取的特征中包含了不同感受野的信息。
A23，分别对地面池化特征和高空池化特征进行双线性插值处理，得到地面插值特征以及高空插值特征；
本发明实施例中，如果存在获取特征尺度不相同（地面池化特征和高空池化特征）的情况，则通过双线性插值的方法，对特征的尺寸进行统一。其中，双线性插值操作如下：
对于坐标分别为Q 11 （x 1 ，y 1 ）、Q 12 （x 1 ，y 2 ）、Q 21 （x 2 ，y 1 ）、Q 22 （x 2 ，y 2 ），为对未知点P（x，y）的值进行估计，首先在x方向上选取两个临时点R 1 （x，y 1 ）、R 2 （x 1 ，y 2 ），求出这两个临时点的值后，再在y方向上通过单线性插值求出P（x，y）的值，具体的，R 1 （x，y 1 ）、R 2 （x 1 ，y 2 ）的计算公式如下：
Figure P_210414165232005
在得到了R 1 （x，y 1 ）、R 2 （x 1 ，y 2 ）的值后，通过以下公式计算出P（x，y）的值：
Figure P_210414165232007
A24，对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接，得到空间特征；
本发明实施例中，将空洞空间卷积池化金字塔网络输出的特征与低尺度浅层特征通过在通道维度上进行拼接，得到空间特征。
A25，将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子；
本发明实施例中，在获得了空间特征后，在时序特征融合网络中，将各时段的高层高语义气象数据特征（空间特征）进行拼接。作为一可选实施例，历史时刻依次包括第一历史时刻、第二历史时刻、第三历史时刻，第一历史时刻距离当前时刻最近，将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子，包括：
B11，将第三历史时刻的空间特征输入时序特征融合网络，得到第一融合时序特征；
B12，将第一融合时序特征以及第二历史时刻的空间特征输入时序特征融合网络，得到第二融合时序特征；
B13，将第二融合时序特征以及第一历史时刻的空间特征输入时序特征融合网络，得到加权时序特征；
B14，依据加权时序特征进行时序权重因子计算，分别得到第一历史时刻的空间特征的第一时序权重因子、第二历史时刻的空间特征的第二时序权重因子，以及，第三历史时刻的空间特征的第三时序权重因子。
本发明实施例中，作为一可选实施例，时序特征融合网络包括：特征融合卷积层、全局池化层以及全连接层，其中，特征融合卷积层用于融合多时段气象特征（空间特征），并且将多时段气象特征的通道数降低为原来的四分之一，全局池化层用于将特征融合卷积层输出的空间特征信息融合，输出大小为通道数的全局池化特征，全连接层依据全局池化特征输出长度为N的时序权重因子，对应输入的N个时序（历史时刻）。
本发明实施例中，作为一可选实施例，全局池化操作如下：
设输入特征为：H∈H CxWxH ,输出大小为：M∈R C ,计算方法如下：
Figure P_210414165232011
通过C 次计算，最终可以将三维空间特征转化为一维特征。
A26，依据各历史时刻的时序权重因子，对该历史时刻的空间特征进行加权，得到时序融合特征；
本发明实施例中，在得到时序权重因子后，与对应的空间特征进行加权求和，得到时序融合特征。作为一可选实施例，进行加权求和的过程如下：
设空间特征分别为：M 1 、M 2 、…、M t ，对应的时序权重因子分别为：r 1 、r 2 、…、r t ，其中，
Figure P_210414165232013
式中，
Figure P_210414165232014
为t历史时刻的空间特征在空间位置（i、j）处的特征值。
利用下式计算时序融合特征：
Figure P_210414165232017
A27，将时序融合特征输入残差特征提取网络，得到目标预测时序的风速预测值；
本发明实施例中，根据融合后得到的时序融合特征，利用残差特征提取网络对风速预测值进行输出。本发明实施例中，残差特征提取网络利用时序融合特征，获取低尺度残差风速预测值，计算距离当前时刻最近的历史时刻的风速实际值与低尺度残差风速预测值的和值，得到风速预测值。
本发明实施例中，计算风速预测值的公式如下：
W p =W o +W t
式中，
W p 为目标预测时序的风速预测值；
W o 为低尺度残差风速预测值；
W t 为距离当前时刻最近的历史时刻的风速实际值。
A28，依据目标预测时序的风速预测值以及风速实际值，调整深度卷积回归训练网络的参数，直至深度卷积回归训练网络满足预先设置的精度阈值，得到深度卷积回归网络。
本发明实施例中，作为一可选实施例，深度卷积回归网络为基于深度卷积图像分割的DeepLab V3模型。
本发明实施例中，调整深度卷积回归训练网络的参数的过程即为深度卷积回归训练网络的训练过程，满足精度阈值的深度卷积回归训练网络为深度卷积回归网络。作为一可选实施例，采用随机梯度下降法（SGD，Stochastic Gradient Descent）SGD优化方法进行20轮训练，使用的初始学习率为0.01、权重衰减值0.0005、惯性量0.9，并且在训练中使用全局批标准化方法。作为一可选实施例，在训练过程中，为了得到鲁棒性更强的深度卷积回归训练网络，在训练过程中，对训练数据进行数据增强变换，其中，数据增强变换包括随机在数据中截取大小为256的正方形区域、随机水平翻转等。
为说明本发明实施例的预测效果，依据2020年3月下旬0至24小时逐3小时的气象数据，利用目前常用的风速预测模型一、风速预测模型二以及本发明实施例的深度卷积回归网络，分别进行风速预测。
图2为风速预测模型一、风速预测模型二以及深度卷积回归网络的风速预测结果示意图。其中，最上方的曲线为风速预测模型二的风速预测结果，中间的曲线为风速预测模型一的风速预测结果，最下方的曲线为深度卷积回归网络的风速预测结果。从结果中可以看出，深度卷积回归网络的风速预测结果，相较于风速预测模型一、风速预测模型二的风速预测结果，能取得较好的预测精度。
本发明实施例中，作为一可选实施例，该方法还包括：
A31，获取目标地区当前时刻前的各时序的地面观测气象数据、高空观测气象数据以及地形地物数据；
本发明实施例中，作为一可选实施例，设当前时刻为t时刻，当前时刻前的各时序包括：t时刻、t-1时刻、…、t-n时刻，基于当前时刻前的各时序的气象数据（地面观测气象数据、高空观测气象数据以及地形地物数据），需要获取t+m时刻、t+m-1时刻、…、t+m-n时刻的风速预测值，其中，m、n为自然数。作为一可选实施例，m=8、n=5，即深度卷积回归网络的输入数据为5个时序、逐6小时的气象数据，输出数据为8个时序、逐3小时的风速预测值。
A32，基于获取的地面观测气象数据的尺寸、所述总预测时序数以及未来预测时序，构建未来时序编码层数据中的各通道数据；
本发明实施例中,构建0-24小时内逐3小时的未来时序编码层数据。
A33，针对每一时序，对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合，得到低层融合数据，以及，对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼接融合，得到高层融合数据；
A34，将低层融合数据以及高层融合数据输入所述深度卷积回归网络，得到所述未来预测时序的风速预测值。
本发明实施例中，通过引入时间空间双维度的深度卷积回归网络，对空间维度的气象数据进行特征提取，提高气象数据融合效率与提取特征质量；在深度卷积回归网络结构中，适时对网络结构参数进行共享，减小了网络复杂度与内存占用，可以提高网络的收敛速率，同时避免了网络训练过程中梯度爆炸与梯度消失的问题；利用多要素气象实况数据实现多时段风速值预测，无需利用数值模式预报，具有高灵活性、鲁棒性、风速预测精度高的特点。
图3示出了本发明实施例所提供的构建用于风速预测的深度卷积回归网络的装置结构示意图。如图3所示，该装置包括：
样本数据收集模块301，用于收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；
本发明实施例中，作为一可选实施例，在收集气象数据后，还可以将高空观测气象样本数据通过双线性插值的方法，将尺寸变换为与地面观测气象样本数据的尺寸相同，并对地面观测气象样本数据、地形地物样本数据以及变换后的高空观测气象样本数据分别进行标准化、正则化处理。
本发明实施例中，在对数据进行标准化、正则化操作时，以地面观测气象样本数据为例，针对地面观测气象样本数据中的每一类别数据，分别进行标准化、正则化操作。
本发明实施例中，作为一可选实施例，气象观测数据包括：温度、湿度、风速UV分量，地形地物样本数据包括：地面地形数据、地物数据、太阳高度角数据。
时序编码构建模块302，用于基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；
本发明实施例中，目标预测时序为当前时刻前的历史时刻，依据预测时间范围以及预测时序频率确定总预测时序数，例如，预测时间范围为24小时范围内，预测时序频率为逐3小时预报，则总预测时序数为8，即预测时间范围与预测时序频率的商值。
数据融合模块303，用于针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；
本发明实施例中，以拼接融合时序编码层数据与地面观测气象样本数据为例，将大小为TxHxW的时序编码层数据与大小为CxHxW的地面观测气象样本数据进行叠加，获得大小为（T+C）xHxW的地面融合数据。
训练模块304，用于依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络；
所述深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络，空间特征提取网络包括：残差卷积网络以及空洞空间卷积池化金字塔网络，训练模块304，具体用于：
将地面融合数据输入残差卷积网络，获得地面深层特征以及地面浅层特征，将高空融合数据输入所述残差卷积网络，获得高空深层特征以及高空浅层特征；
将地面深层特征输入空洞空间卷积池化金字塔网络，得到地面池化特征，将高空深层特征输入所述空洞空间卷积池化金字塔网络，得到高空池化特征；
分别对地面池化特征和高空池化特征进行双线性插值处理，得到地面插值特征以及高空插值特征；
对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接，得到空间特征；
将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子；
依据各历史时刻的时序权重因子，对该历史时刻的空间特征进行加权，得到时序融合特征；
将时序融合特征输入残差特征提取网络，得到目标预测时序的风速预测值；
依据目标预测时序的风速预测值以及风速实际值，调整深度卷积回归训练网络的参数，直至深度卷积回归训练网络满足预先设置的精度阈值，得到深度卷积回归网络。
本发明实施例中，作为一可选实施例，该装置还包括：
风速预测模块（图中未示出），用于获取目标地区当前时刻前的各时序的地面观测气象数据、高空观测气象数据以及地形地物数据；基于获取的地面观测气象数据的尺寸、所述总预测时序数以及未来预测时序，构建未来时序编码层数据中的各通道数据；针对每一时序，对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合，得到低层融合数据，以及，对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼接融合，得到高层融合数据；将低层融合数据以及高层融合数据输入所述深度卷积回归网络，得到所述未来预测时序的风速预测值。
本发明实施例中，作为一可选实施例，时序编码构建模块302，具体用于：
构建尺寸与地面观测气象样本数据的尺寸相同、通道数与总预测时序数相同的时序编码层数据，初始化时序编码层数据中各通道数据为0；
根据目标预测时序在总预测时序中的位置，将三维时序编码层数据中所述位置对应的通道数据设置为1。
本发明实施例中，作为一可选实施例，历史时刻依次包括第一历史时刻、第二历史时刻、第三历史时刻，第一历史时刻距离当前时刻最近，所述将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子，包括：
将第三历史时刻的空间特征输入时序特征融合网络，得到第一融合时序特征；
将第一融合时序特征以及第二历史时刻的空间特征输入时序特征融合网络，得到第二融合时序特征；
将第二融合时序特征以及第一历史时刻的空间特征输入时序特征融合网络，得到加权时序特征；
依据加权时序特征进行时序权重因子计算，分别得到第一历史时刻的空间特征的第一时序权重因子、第二历史时刻的空间特征的第二时序权重因子，以及，第三历史时刻的空间特征的第三时序权重因子。
如图4所示，本申请一实施例提供了一种计算机设备400，用于执行图1中的构建用于风速预测的深度卷积回归网络的方法，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述构建用于风速预测的深度卷积回归网络的方法的步骤。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述构建用于风速预测的深度卷积回归网络的方法。
对应于图1中的构建用于风速预测的深度卷积回归网络的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述构建用于风速预测的深度卷积回归网络的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述构建用于风速预测的深度卷积回归网络的方法。
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）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（Read-Only Memory， ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种构建用于风速预测的深度卷积回归网络的方法，其特征在于，包括：
收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；
基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；
针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；
依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络；
所述深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络，空间特征提取网络包括：残差卷积网络以及空洞空间卷积池化金字塔网络，所述依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络，包括：
将地面融合数据输入残差卷积网络，获得地面深层特征以及地面浅层特征，将高空融合数据输入所述残差卷积网络，获得高空深层特征以及高空浅层特征；
将地面深层特征输入空洞空间卷积池化金字塔网络，得到地面池化特征，将高空深层特征输入所述空洞空间卷积池化金字塔网络，得到高空池化特征；
分别对地面池化特征和高空池化特征进行双线性插值处理，得到地面插值特征以及高空插值特征；
对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接，得到空间特征；
将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子；
依据各历史时刻的时序权重因子，对该历史时刻的空间特征进行加权，得到时序融合特征；
将时序融合特征输入残差特征提取网络，得到目标预测时序的风速预测值；
依据目标预测时序的风速预测值以及风速实际值，调整深度卷积回归训练网络的参数，直至深度卷积回归训练网络满足预先设置的精度阈值，得到深度卷积回归网络。
2.根据权利要求1所述的方法，其特征在于，所述基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据，包括：
构建尺寸与地面观测气象样本数据的尺寸相同、通道数与总预测时序数相同的时序编码层数据，初始化时序编码层数据中各通道数据为0；
根据目标预测时序在总预测时序中的位置，将三维时序编码层数据中所述位置对应的通道数据设置为1。
3.根据权利要求2所述的方法，其特征在于，所述历史时刻依次包括第一历史时刻、第二历史时刻、第三历史时刻，第一历史时刻距离当前时刻最近，所述将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子，包括：
将第三历史时刻的空间特征输入时序特征融合网络，得到第一融合时序特征；
将第一融合时序特征以及第二历史时刻的空间特征输入时序特征融合网络，得到第二融合时序特征；
将第二融合时序特征以及第一历史时刻的空间特征输入时序特征融合网络，得到加权时序特征；
依据加权时序特征进行时序权重因子计算，分别得到第一历史时刻的空间特征的第一时序权重因子、第二历史时刻的空间特征的第二时序权重因子，以及，第三历史时刻的空间特征的第三时序权重因子。
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：
获取目标地区当前时刻前的各时序的地面观测气象数据、高空观测气象数据以及地形地物数据；
基于获取的地面观测气象数据的尺寸、所述总预测时序数以及未来预测时序，构建未来时序编码层数据中的各通道数据；
针对每一时序，对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合，得到低层融合数据，以及，对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼接融合，得到高层融合数据；
将低层融合数据以及高层融合数据输入所述深度卷积回归网络，得到所述未来预测时序的风速预测值。
5.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：
将高空观测气象样本数据通过双线性插值的方法，将尺寸变换为与地面观测气象样本数据的尺寸相同，并对地面观测气象样本数据、地形地物样本数据以及变换后的高空观测气象样本数据分别进行标准化、正则化处理。
6.根据权利要求1至3任一项所述的方法，其特征在于，所述气象样本数据包括：温度、湿度、风速UV分量，所述地形地物样本数据包括：地面地形数据、地物数据、太阳高度角数据。
7.一种构建用于风速预测的深度卷积回归网络的装置，其特征在于，包括：
样本数据收集模块，用于收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；
时序编码构建模块，用于基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；
数据融合模块，用于针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；
训练模块，用于依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络；
所述深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络，空间特征提取网络包括：残差卷积网络以及空洞空间卷积池化金字塔网络，所述训练模块，具体用于：
将地面融合数据输入残差卷积网络，获得地面深层特征以及地面浅层特征，将高空融合数据输入所述残差卷积网络，获得高空深层特征以及高空浅层特征；
将地面深层特征输入空洞空间卷积池化金字塔网络，得到地面池化特征，将高空深层特征输入所述空洞空间卷积池化金字塔网络，得到高空池化特征；
分别对地面池化特征和高空池化特征进行双线性插值处理，得到地面插值特征以及高空插值特征；
对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接，得到空间特征；
将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子；
依据各历史时刻的时序权重因子，对该历史时刻的空间特征进行加权，得到时序融合特征；
将时序融合特征输入残差特征提取网络，得到目标预测时序的风速预测值；
依据目标预测时序的风速预测值以及风速实际值，调整深度卷积回归训练网络的参数，直至深度卷积回归训练网络满足预先设置的精度阈值，得到深度卷积回归网络。
8.根据权利要求7所述的装置，其特征在于，还包括：
风速预测模块，用于获取目标地区当前时刻前的各时序的地面观测气象数据、高空观测气象数据以及地形地物数据；基于获取的地面观测气象数据的尺寸、所述总预测时序数以及未来预测时序，构建未来时序编码层数据中的各通道数据；针对每一时序，对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合，得到低层融合数据，以及，对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼接融合，得到高层融合数据；将低层融合数据以及高层融合数据输入所述深度卷积回归网络，得到所述未来预测时序的风速预测值。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的构建用于风速预测的深度卷积回归网络的方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的构建用于风速预测的深度卷积回归网络的方法的步骤。
CN202110407174.XA 2021-04-15 2021-04-15 一种构建用于风速预测的深度卷积回归网络的方法及装置 Active CN112990354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110407174.XA CN112990354B (zh) 2021-04-15 2021-04-15 一种构建用于风速预测的深度卷积回归网络的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110407174.XA CN112990354B (zh) 2021-04-15 2021-04-15 一种构建用于风速预测的深度卷积回归网络的方法及装置

Publications (2)

Publication Number Publication Date
CN112990354A true CN112990354A (zh) 2021-06-18
CN112990354B CN112990354B (zh) 2021-08-13

Family

ID=76340719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110407174.XA Active CN112990354B (zh) 2021-04-15 2021-04-15 一种构建用于风速预测的深度卷积回归网络的方法及装置

Country Status (1)

Country Link
CN (1) CN112990354B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113204061A (zh) * 2021-07-06 2021-08-03 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建格点风速订正模型的方法及装置
CN113253364A (zh) * 2021-06-30 2021-08-13 中国气象局公共气象服务中心(国家预警信息发布中心) 一种对站点风速预报结果进行订正的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140344209A1 (en) * 2010-08-23 2014-11-20 Institute Of Nuclear Energy Research, Atomic Energy Council, Executive Yuan Wind energy forecasting method with extreme wind speed prediction function
KR20170061377A (ko) * 2015-11-26 2017-06-05 제주대학교 산학협력단 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치
CN110175637A (zh) * 2019-05-09 2019-08-27 北京工商大学 非平稳时序数据深度预测方法、系统、存储介质及设备
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
CN112365040A (zh) * 2020-11-03 2021-02-12 哈尔滨工业大学 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140344209A1 (en) * 2010-08-23 2014-11-20 Institute Of Nuclear Energy Research, Atomic Energy Council, Executive Yuan Wind energy forecasting method with extreme wind speed prediction function
KR20170061377A (ko) * 2015-11-26 2017-06-05 제주대학교 산학협력단 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치
CN110175637A (zh) * 2019-05-09 2019-08-27 北京工商大学 非平稳时序数据深度预测方法、系统、存储介质及设备
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
CN112365040A (zh) * 2020-11-03 2021-02-12 哈尔滨工业大学 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
平善明: "基于时空属性的短期风速预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113253364A (zh) * 2021-06-30 2021-08-13 中国气象局公共气象服务中心(国家预警信息发布中心) 一种对站点风速预报结果进行订正的方法及装置
CN113253364B (zh) * 2021-06-30 2021-10-08 中国气象局公共气象服务中心(国家预警信息发布中心) 一种对站点风速预报结果进行订正的方法及装置
CN113204061A (zh) * 2021-07-06 2021-08-03 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建格点风速订正模型的方法及装置

Also Published As

Publication number Publication date
CN112990354B (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN111563508B (zh) 一种基于空间信息融合的语义分割方法
CN112990354B (zh) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN113011106B (zh) 一种多数值模式集成预报方法及装置
CN113253364B (zh) 一种对站点风速预报结果进行订正的方法及装置
CN109508476B (zh) 基于深度网络学习的山火预测建模方法
CN113204061B (zh) 一种构建格点风速订正模型的方法及装置
CN115113301B (zh) 一种基于多源数据融合的应急短临预报方法及系统
Fan et al. Understanding spatial-temporal urban expansion pattern (1990–2009) using impervious surface data and landscape indexes: a case study in Guangzhou (China)
CN112949414A (zh) 一种宽视域高分六号卫星影像地表水体智能制图方法
CN115497002A (zh) 一种多尺度特征融合的激光雷达遥感分类方法
CN117592005B (zh) Pm2.5浓度卫星遥感估算方法、装置、设备及介质
CN114550014A (zh) 道路分割方法及计算机装置
CN117233869A (zh) 一种基于GRU-BiTCN的站点短期风速预测方法
Rumapea et al. Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model.
CN116611725A (zh) 一种基于绿色生态指标的土地类型识别方法及装置
CN116152206A (zh) 一种光伏输出功率预测方法、终端设备及存储介质
CN114549958B (zh) 基于上下文信息感知机理的夜间和伪装目标检测方法
CN112446256A (zh) 一种基于深度isa数据融合的植被类型识别方法
CN113761806B (zh) 一种基于神经网络的大气能见度预测方法
CN113988153A (zh) 基于条件生成对抗网络的高分辨率气溶胶估算方法
CN112085779A (zh) 一种波浪参数估算方法及装置
Dung et al. Comparison of resampling methods on different remote sensing images for Vietnam’s Urban Classification
CN116030347B (zh) 一种基于注意力网络的高分辨率遥感影像建筑物提取方法
CN117173579B (zh) 一种基于固有特征与多级特征融合的图像变化检测方法
CN117251520B (zh) 生物多样性关键区域识别方法、装置和电子设备

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