CN113341419B - 基于VAN-ConvLSTM的天气外推方法及系统 - Google Patents

基于VAN-ConvLSTM的天气外推方法及系统 Download PDF

Info

Publication number
CN113341419B
CN113341419B CN202110570221.2A CN202110570221A CN113341419B CN 113341419 B CN113341419 B CN 113341419B CN 202110570221 A CN202110570221 A CN 202110570221A CN 113341419 B CN113341419 B CN 113341419B
Authority
CN
China
Prior art keywords
network
weight
target radar
gate
convlstm
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
CN202110570221.2A
Other languages
English (en)
Other versions
CN113341419A (zh
Inventor
文立玉
罗飞
卫霄飞
舒红平
曹亮
刘魁
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202110570221.2A priority Critical patent/CN113341419B/zh
Publication of CN113341419A publication Critical patent/CN113341419A/zh
Application granted granted Critical
Publication of CN113341419B publication Critical patent/CN113341419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Abstract

本发明提供一种基于VAN‑ConvLSTM的天气外推方法及系统，方法包括以下步骤：按时序接收目标雷达图像，并对目标雷达图像进行编码；将编码后的目标雷达图像按时序分别输入ConvLSTM网络；将初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像的共同输入第一VAN网络得到初始时刻的强对流天气外推图像；将上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像共同输入至VAN网络进行预测求差异得到当前时刻的强对流天气外推图像。该方法能解决现阶段快速发生的灾害现象无法快速相应问题，实现实时、高效、海量的气象灾害预警。

Description

基于VAN-ConvLSTM的天气外推方法及系统
技术领域
本发明属于计算机人工智能与气象交叉技术领域，具体涉及一种基于VAN-ConvLSTM的天气外推方法及系统。
背景技术
强对流天气包括雷暴、短时强降水、冰雹和龙卷等。中国是气象灾害频发的国家，灾害每年都给农业、建筑、交通等人民财产带来巨大损失。除少部分省外，全国各地每年都会受到不同程度的气象灾害。目前新一代天气雷达目前取得了较大成果，可以每六分钟获得各地在不同仰角下的雷达图像，给各种气象灾害的研究提供了基础。传统的天气预警往往倾向于人工判断，难以快速、批量地处理地面站得到的雷达图像，而结合AI深度学习技术可以用批量学习得到具体模型的方式进行海量雷达数据处理，通过深度学习网络对此类天气现象外推也可事先知道具体天气运动走势以及发生的情况并返回具体图像，更加快速、直观地响应天气气象灾害。
深度视觉类比网络(VAN)提供了较为准确的单帧图像类比网络。卷积长短时记忆神经网络(ConvLSTM)提供在同一时空下时序外推图像。将两者相结合形成新的网络模型，可以得到准确的时空序列外推图像。对海量雷达数据处理，也可以事先知道具体天气运动走势以及发生的情况并返回具体图像，将所取得的图像放入强对流天气识别模型中，即可取得不同类型强对流天气情况，更加快速、直观地响应天气气象灾害。
强对流天气发生的条件有所不同，天气雷达所取得的数据往往以几百万数据为基础。现阶段国内与国外所使用的主要为雷达回波的跟踪算法、光流法、基于长短时记忆神经网络模型(LSTM)与相关变体ConvLSTM等方法的外推。
最早的交叉相关回波跟踪算法基于新一代多普勒天气雷达，对数据质量控制进行设置，通过计算相邻时刻回波图像位置间的最大相关系数得到回波的位移量来跟踪回波运动，可推算强天气过程雷达回波的移动，以及在雷暴等灾害性天气预警方面具有一定的指导作用。
光流法是计算机视觉领域中的重要方法，当被观测的目标和传感器之间有相对运动时，所观察到的亮度模式运动称之为光流。利用图像序列当中各个像素在时间阈上的变化以及在相邻序列图像帧之间的相关性，来找到两连续帧之间的某种关系，根据这种关系来计算出相邻序列帧之间图像上某区域的运动信息。
LSTM相较于传统的循环神经网络(RNN)多了遗忘门、输入门和输出门，遗忘门决定什么样的信息保留、什么样的信息遗忘；输入门用来更新细胞状态，决定什么值需要更新；输出门是一个过滤器，基于细胞状态选择哪一部分用来输出。LSTM是一种时间递归神经网络，利用气象雷达数据集搭建外推模型，利用前一个或几个小时的气象条件和基数据预测下一个时刻的天气状态，包括温度、风向、风速、累积小时雪量和累积小时雨量等数据。ConvLSTM相对于LSTM增加了卷积操作，对全连接层改为卷积操作，就可考虑卷积核在空间区域的位置特征更适合捕获时空相关性。门控循环单元结构(GRU)的提出也是LSTM的变体，不一样的地方在于减少了门控制，只有遗忘门和重置门，可以更加快速训练模型，且效果更准确。后面中国香港学者施行健又提出轨迹GRU(TrajGRU)网络，该网络是基于运行轨迹对图像做更精准的捕捉，效果更好。
VAN网络主要用于人物动作捕捉和预测，是国外重要的无需监督的视频处理算法。将生成的两种图像在时间和类比进行标识，在同一编码空间进行编码，然后识别出差异值应用到变化量与下一张真实图像生成图像。
可以看出目前人工智能在气象领域已经得到比较好地发展，在雷达回波外推工作中，已有对强对流、短临降水等方面的实际气象问题的相关研究。除了早期的光流法之外，目前基于深度学习的卷积神经网络在RNN上已经有很多不同算法的研究，比如LSTM、convLSTM、GRU等。
发明内容
有鉴于此，本发明的目的在于提供一种基于VAN-ConvLSTM的天气外推方法，该方法能实现实时、高效、海量的气象灾害预警。
为实现上述目的，本发明的技术方案为：一种基于VAN-ConvLSTM的强对流天气外推方法，包括以下步骤：
按时序接收目标雷达图像，并对所述目标雷达图像进行编码；
将编码后的目标雷达图像按时序分别输入ConvLSTM网络；
将初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像的共同输入第一VAN网络得到初始时刻的强对流天气外推图像；
将上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像共同输入至VAN网络进行预测求差异得到当前时刻的强对流天气外推图像。
进一步地，所述将编码后的目标雷达图像按时序分别输入ConvLSTM网络的步骤具体包括：
ConvLSTM网络中的编码网络再次对编码后的目标雷达图像进行编码，然后输入至ConvLSTM网络中的预测网络；
所述预测网络中的所有状态连接，并将其输入到一个1×1卷积层中生成最终的预测。
进一步地，所述预测网络通过下式得到预测：
Figure GDA0003809032620000041
其中，X表示所连接的预测网络的输入，K是预测K个序列，该序列由之前的J次观测来得到，
Figure GDA0003809032620000042
为t+1时刻的目标雷达图像，
Figure GDA0003809032620000043
为t时刻的预测图。
进一步地，所述ConvLSTM网络中的内部结构式为：
it＝σ(Wxi*Xt+Whi*Ht-1+WciοCt-1+bi)
ft＝σ(Wxf*Xt+Whf*Ht-1+WcfοCt-1+bf)
Ct＝ftοCt-1+itοtanh(Wxc*Xt+Whc*Ht-1+bc)
ot＝σ(Wxo*Xt+Who*Ht-1+WcoοCt+bo)
Ht＝otοtanh(Ct)
其中，σ为门，*是卷积运算符，ο是Hadamard运算，tanh为双曲正切函数，it为t时刻的输入门，ft为t时刻的遗忘门，Ct为t时刻的细胞状态，ot为t时刻的输出门，Ht为t时刻的隐藏状态，Xt为t时刻的输入值，Wxi为输入门在X的权值，X表示输入，Whi为输入门中在Ht-1状态的权值，Wci为输入门在Ct-1状态的权值，bi为输入门的偏置值，Wxf为遗忘门在X的权值，Whf为遗忘门中在Ht-1状态的权值，Wcf为遗忘门在Ct-1状态的权值，bf为遗忘门的偏置值，Wxc为细胞状态在t时X的权值，Whc为细胞状态在Ht-1状态的权值，bc为细胞状态在t时的偏置值，Wxo为输出门在X的权值，Who为输出门在Ht-1状态的权值，Wco输出门在Ct状态的权值，bo为输出门的偏置值。
进一步地，所述VAN网络包括编码网络，增量函数和解码网络。
有鉴于此，本发明的目的之二在于提供一种基于VAN-ConvLSTM的强对流天气外推系统，该系统能用于一组时间序列图像的外推。
为实现上述目的，本发明的技术方案为：一种基于VAN-ConvLSTM的天气外推系统，包括：
预处理模块，用于按时序接收目标雷达图像，并对所述目标雷达图像进行编码；
ConvLSTM模块，与所述预处理模块相连，内设置有多个ConvLSTM网络，用于按时序接收编码后的目标雷达图像；
初始外推模块，与所述ConvLSTM模块、预处理模块相连，用于接收初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像，将其共同输入第一VAN网络得到初始时刻的强对流天气外推图像；
实时外推模块，与所述ConvLSTM模块、初始外推模块相连，内设置有多个VAN网络，用于接收上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像进行预测求差异得到当前时刻的强对流天气外推图像。
进一步地，所述ConvLSTM网络包括编码网络、预测网络；其中，
编码网络用于再次对编码后的目标雷达图像进行编码，并将其输入至预测网络；
所述预测网络用于将所有状态连接，并将其输入到一个1×1卷积层中生成最终的预测。
进一步地，所述预测网络通过下式得到预测：
Figure GDA0003809032620000061
其中，X表示所连接的预测网络的输入，K是预测K个序列，该序列由之前的J次观测来得到，
Figure GDA0003809032620000062
为t+1时刻的目标雷达图像，
Figure GDA0003809032620000063
为t时刻的预测图。
进一步地，所述ConvLSTM网络中的内部结构式为：
Figure GDA0003809032620000064
Figure GDA0003809032620000065
Figure GDA0003809032620000066
Figure GDA0003809032620000067
Ht＝otοtanh(Ct)
其中，σ为门，*是卷积运算符，ο是Hadamard运算，tanh为双曲正切函数，it为t时刻的输入门，ft为t时刻的遗忘门，Ct为t时刻的细胞状态，ot为t时刻的输出门，Ht为t时刻的隐藏状态，Xt为t时刻的输入值，Wxi为输入门在X的权值，X表示输入，Whi为输入门中在Ht-1状态的权值，Wci为输入门在Ct-1状态的权值，bi为输入门的偏置值，Wxf为遗忘门在X的权值，Whf为遗忘门中在Ht-1状态的权值，Wcf为遗忘门在Ct-1状态的权值，bf为遗忘门的偏置值，Wxc为细胞状态在t时X的权值，Whc为细胞状态在Ht-1状态的权值，bc为细胞状态在t时的偏置值，Wxo为输出门在X的权值，Who为输出门在Ht-1状态的权值，Wco输出门在Ct状态的权值，bo为输出门的偏置值。
进一步地，所述VAN网络包括编码网络，增量函数和解码网络。
与现有技术相比，本发明具有如下优点：
本发明公开基于VAN-ConvLSTM的天气外推方法及系统，基于VAN与ConvLSTM，既运用了深度视觉类比网络的特征类比，又将卷积长短时记忆网络的时空序列图像放入网络中，便可外推出一系列的强对流天气雷达回波图像，既保存了VAN模型的高精度、训练快的特性，又赋予了模型时空特征，同时更新了超参数来平衡两个损失，从而将两个网络损失结合，保证其物理意义并加快了函数的收敛，使得训练过程更加快速；能解决现阶段快速发生的灾害现象无法快速相应问题，实现实时、高效、海量的气象灾害预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明中一种基于VAN-ConvLSTM的天气外推方法的过程图；
图2为本发明中ConvLSTM网络结构图；
图3为本发明中VAN网络结构图；
图4为本发明中VAN网络在天气图像处理的应用过程图；
图5为本发明中VAN-ConvLSTM的综合损失图。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
所举实施例是为了更好地对本发明进行说明，但并不是本发明的内容仅局限于所举实施例。所以熟悉本领域的技术人员根据上述发明内容对实施方案进行非本质的改进和调整，仍属于本发明的保护范围。
实施例1
本实施例中一种基于VAN-ConvLSTM的天气外推系统，具体地，该系统包括：
预处理模块，用于按时序接收目标雷达图像，并对目标雷达图像进行编码；
ConvLSTM模块，与预处理模块相连，内设置有多个ConvLSTM网络，用于按时序接收编码后的目标雷达图像；
本实施例中的ConvLSTM网络包括编码网络、预测网络；编码网络用于再次对编码后的目标雷达图像进行编码，并将其输入至预测网络；预测网络用于将所有状态连接，并将其输入到一个1×1卷积层中生成最终的预测；其中，
预测网络通过下式得到预测：
Figure GDA0003809032620000091
其中，X表示所连接的预测网络的输入，K是预测K个序列，该序列由之前的J次观测来得到，
Figure GDA0003809032620000092
为t+1时刻的目标雷达图像，
Figure GDA0003809032620000093
为t时刻的预测图。
进一步地，ConvLSTM网络中的内部结构式为：
it＝σ(Wxi*Xt+Whi*Ht-1+WciοCt-1+bi)
Figure GDA0003809032620000094
Figure GDA0003809032620000095
Figure GDA0003809032620000096
Ht＝otοtanh(Ct)
其中，σ为门，*是卷积运算符，ο是Hadamard运算，tanh为双曲正切函数，it为t时刻的输入门，ft为t时刻的遗忘门，Ct为t时刻的细胞状态，ot为t时刻的输出门，Ht为t时刻的隐藏状态，Xt为t时刻的输入值，Wxi为输入门在X的权值，X表示输入，Whi为输入门中在Ht-1状态的权值，Wci为输入门在Ct-1状态的权值，bi为输入门的偏置值，Wxf为遗忘门在X的权值，Whf为遗忘门中在Ht-1状态的权值，Wcf为遗忘门在Ct-1状态的权值，bf为遗忘门的偏置值，Wxc为细胞状态在t时X的权值，Whc为细胞状态在Ht-1状态的权值，bc为细胞状态在t时的偏置值，Wxo为输出门在X的权值，Who为输出门在Ht-1状态的权值，Wco输出门在Ct状态的权值，bo为输出门的偏置值。
初始外推模块，与ConvLSTM模块、预处理模块相连，用于接收初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像，将其共同输入第一VAN网络得到初始时刻的强对流天气外推图像；
实时外推模块，与ConvLSTM模块、初始外推模块相连，内设置有多个VAN网络，用于接收上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像进行预测求差异得到当前时刻的强对流天气外推图像。
本实施例中VAN网络包括编码网络，增量函数和解码网络。
实施例2
基于实施例1中的系统，本实施例中提供一种基于VAN-ConvLSTM的天气外推方法，参考图1，该方法包括以下步骤：
S1：按时序接收目标雷达图像，并对目标雷达图像进行编码；
如图1中所示，本步骤中按时序接收目标雷达图像，I1，I2...In-1，然后分别进入Encoder(编码器)中进行编码，得到e1，e2等。
S2：将编码后的目标雷达图像按时序分别输入ConvLSTM网络；
本实施例中，将e1，e2等按时序输入不同的ConvLSTM网络，得到输出
Figure GDA0003809032620000111
具体地：
ConvLSTM网络结构如图2所示，它由两个网络组成，一个编码网络(EncoderNetwork)和一个预测网络(Forecasting Network)：预测网络的初始状态和输出是从编码网络的最后状态复制而来的；这两种网络都是通过叠加几个ConvLSTM层而形成的，由于本实施例中的预测目标具有与输入相同的维数，因此本步骤中将预测网络中的所有状态连接起来，并将它们输入到一个1×1卷积层中生成最终的预测。其中H表示不同时刻的状态，C表示细胞状态，X表示所连接的预测网络的输入。
在实际应用中，雷达图通常每6-10分钟从天气雷达上获取一次，在接下来的1-6小时内进行短时预报，即预测接下来的6-60帧。从深度学习的角度来看，这个问题可以看作是一个时空序列预测问题，使用公式表示即为：
Figure GDA0003809032620000112
在ConvLSTM中一个由M行N列组成的M×N网格表示的空间区域上来观察外推网络，其中，有P个测量值随时间而变化。因此，任何时刻的观测都可以用张量X∈R，P×M×N表示，其中R表示观测特征的域。问题是预测k个序列，该序列由之前的J次观测来得到，
Figure GDA0003809032620000113
为t+1时刻的原图，
Figure GDA0003809032620000114
为t时刻的预测图。
优选地，本步骤中的ConvLSTM网络中的内部结构式为：
it＝σ(Wxi*Xt+Whi*Ht-1+WciοCt-1+bi)
ft＝σ(Wxf*Xt+Whf*Ht-1+WcfοCt-1+bf)
Ct＝ftοCt-1+itοtanh(Wxc*Xt+Whc*Ht-1+bc)
ot＝σ(Wxo*Xt+Who*Ht-1+WcoοCt+bo)
Ht＝otοtanh(Ct)
其中，σ为门，*是卷积运算符，ο是Hadamard运算，tanh为双曲正切函数，it为t时刻的输入门，ft为t时刻的遗忘门，Ct为t时刻的细胞状态，ot为t时刻的输出门，Ht为t时刻的隐藏状态，Xt为t时刻的输入值，Wxi为输入门在X的权值，X表示输入，Whi为输入门中在Ht-1状态的权值，Wci为输入门在Ct-1状态的权值，bi为输入门的偏置值，Wxf为遗忘门在X的权值，Whf为遗忘门中在Ht-1状态的权值，Wcf为遗忘门在Ct-1状态的权值，bf为遗忘门的偏置值，Wxc为细胞状态在t时X的权值，Whc为细胞状态在Ht-1状态的权值，bc为细胞状态在t时的偏置值，Wxo为输出门在X的权值，Who为输出门在Ht-1状态的权值，Wco输出门在Ct状态的权值，bo为输出门的偏置值。
本步骤中的ConvLSTM网络用于天气外推效果较好，天气雷达图像经过灰度化处理的ConvLSTM：
Figure GDA0003809032620000121
S3：将初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像的共同输入第一VAN网络得到初始时刻的强对流天气外推图像；
参考图1，对于第一个VAN网络，其输入为e1，e2，I1，输出为
Figure GDA0003809032620000131
即初始时刻的强对流天气外推图像；具体地，VAN网络常用于视频外推处理的。这里将他引入天气图像处理，如图3所示，其包括编码网络(Encoder network f)，增量函数(Increment function T)和解码网络(Decoder network g)，它的主要过程就是求图像差异的过程，分三种增量函数的过程为add(加法过程)，mul(乘法过程)，deep(深度多层过程)，分别为编码后的f(a)与f(b)的差异与f(c)相加求得预测的f(d)；编码后的f(a)与f(b)的差异与f(c)相乘求得预测的f(d)；编码后的f(a)与f(b)的差异与f(c)放入多层神经网络中求得预测的f(d)。
本步骤中，VAN用于强对流天气预测求差异过程如图4所示，将数据集中的雷达图像I1、I2取出放入卷积类比网络中求得差异化，将所求得的差值置于I3即得I4，仅表示深度类比网络加法算法表示；
S4：将上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像共同输入至VAN网络进行预测求差异得到当前时刻的强对流天气外推图像。
本步骤中不同与对初始时刻的外推方法，本步骤中，对于第二个VAN网络输入为ConvLSTM的输出
Figure GDA0003809032620000132
I2，可得输出为
Figure GDA0003809032620000133
之后将ConvLSTM的输出不断传入VAN网络中即可一次得到输出
Figure GDA0003809032620000134
从而得到一组具有时空次序的强对流天气外推图像。
优选地，本实施例中还提供上述步骤中的损失计算方法：VAN的损失为差异化损失，a，b，c，d，x，y，z都是一实施例中数据集A中的ground truth(正确标注)，在加法中就为两者的减法差异化损失；在乘法中就为两者的差异加权与第三图相乘的损失；在深度网络中就是两者的差异与三图放入多层神经网络中求差异损失：
Figure GDA0003809032620000141
Figure GDA0003809032620000142
T(x,y,z)＝fanalogy([fdiff(x-y),z])
其中，
Figure GDA0003809032620000143
为t时刻的平均损失，即为平衡三种增量函数的损失为
Figure GDA0003809032620000144
fdec为将特征张量映射到图像的反卷积网络，fenc为将特征向量映射到特征张量的卷积网络，⊙为同或运算，T(x,y,z)为增量函数，fimg为将输入图像映射到特征张量的卷积网络，Mt为图像的差异值，T(x,y,z)为求差异特征的增量函数，fanalogy为将差异向量与特征差异类比为特征向量函数，fdiff为从x和y之间的差计算一个特征张量。
将两者损失结合如图5所示，降损失过程即为：
Figure GDA0003809032620000145
其中，
Figure GDA0003809032620000146
为t时刻由VAN所得的预测图，T为时间总数，L2为最小均方误差损失，
Figure GDA0003809032620000147
为经过编码后传入ConvLSTM所得的预测特征图像，et为t时刻传入ConvLSTM的原图，α为特征图损失所占得超参数权值，该损失为综合损失，需降低的损失为VAN网络损失和ConvLSTM损失乘超参数。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于VAN-ConvLSTM的天气外推方法，其特征在于，包括以下步骤：
按时序接收目标雷达图像，并对所述目标雷达图像进行编码；
将编码后的目标雷达图像按时序分别输入ConvLSTM网络；
将初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像的共同输入第一VAN网络得到初始时刻的强对流天气外推图像；
将上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像共同输入至VAN网络进行预测求差异得到当前时刻的强对流天气外推图像。
2.根据权利要求1所述的方法，其特征在于，所述将编码后的目标雷达图像按时序分别输入ConvLSTM网络的步骤具体包括：
ConvLSTM网络中的编码网络再次对编码后的目标雷达图像进行编码，然后输入至ConvLSTM网络中的预测网络；
所述预测网络中的所有状态连接，并将其输入到一个1×1卷积层中生成最终的预测。
3.根据权利要求2所述的方法，其特征在于，所述预测网络通过下式得到预测：
Figure FDA0003795627110000011
其中，X表示所连接的预测网络的输入，K是预测K个序列，该序列由之前的J次观测来得到，
Figure FDA0003795627110000012
为t+1时刻的目标雷达图像，
Figure FDA0003795627110000013
为t时刻的预测图。
4.根据权利要求1所述的方法，其特征在于，所述ConvLSTM网络中的内部结构式为：
Figure FDA0003795627110000021
Figure FDA0003795627110000022
Figure FDA0003795627110000023
Figure FDA0003795627110000024
Figure FDA0003795627110000025
其中，σ为门，*是卷积运算符，
Figure FDA0003795627110000026
是Hadamard运算，tanh为双曲正切函数，it为t时刻的输入门，ft为t时刻的遗忘门，Ct为t时刻的细胞状态，ot为t时刻的输出门，Ht为t时刻的隐藏状态，Xt为t时刻的输入值，Wxi为输入门在X的权值，X表示输入，Whi为输入门中在Ht-1状态的权值，Wci为输入门在Ct-1状态的权值，bi为输入门的偏置值，Wxf为遗忘门在X的权值，Whf为遗忘门中在Ht-1状态的权值，Wcf为遗忘门在Ct-1状态的权值，bf为遗忘门的偏置值，Wxc为细胞状态在t时X的权值，Whc为细胞状态在Ht-1状态的权值，bc为细胞状态在t时的偏置值，Wxo为输出门在X的权值，Who为输出门在Ht-1状态的权值，Wco输出门在Ct状态的权值，bo为输出门的偏置值。
5.根据权利要求1所述的方法，其特征在于，所述VAN网络包括编码网络，增量函数和解码网络。
6.一种基于VAN-ConvLSTM的天气外推系统，其特征在于，包括：
预处理模块，用于按时序接收目标雷达图像，并对所述目标雷达图像进行编码；
ConvLSTM模块，与所述预处理模块相连，内设置有多个ConvLSTM网络，用于按时序接收编码后的目标雷达图像；
初始外推模块，与所述ConvLSTM模块、预处理模块相连，用于接收初始时刻的目标雷达图像以及编码后的初始时刻目标雷达图像、下一时刻目标雷达图像，将其共同输入第一VAN网络得到初始时刻的强对流天气外推图像；
实时外推模块，与所述ConvLSTM模块、初始外推模块相连，内设置有多个VAN网络，用于接收上一时刻与当前时刻ConvLSTM网络的输出以及当前时刻的目标雷达图像进行预测求差异得到当前时刻的强对流天气外推图像。
7.根据权利要求6所述的系统，其特征在于，所述ConvLSTM网络包括编码网络、预测网络；其中，
编码网络用于再次对编码后的目标雷达图像进行编码，并将其输入至预测网络；
所述预测网络用于将所有状态连接，并将其输入到一个1×1卷积层中生成最终的预测。
8.根据权利要求7所述的系统，其特征在于，所述预测网络通过下式得到预测：
Figure FDA0003795627110000031
其中，X表示所连接的预测网络的输入，K是预测K个序列，该序列由之前的J次观测来得到，
Figure FDA0003795627110000032
为t+1时刻的目标雷达图像，
Figure FDA0003795627110000033
为t时刻的预测图。
9.根据权利要求6所述的系统，其特征在于，所述ConvLSTM网络中的内部结构式为：
Figure FDA0003795627110000041
Figure FDA0003795627110000042
Figure FDA0003795627110000043
Figure FDA0003795627110000044
Figure FDA0003795627110000045
其中，σ为门，*是卷积运算符，
Figure FDA0003795627110000046
是Hadamard运算，tanh为双曲正切函数，it为t时刻的输入门，ft为t时刻的遗忘门，Ct为t时刻的细胞状态，ot为t时刻的输出门，Ht为t时刻的隐藏状态，Xt为t时刻的输入值，Wxi为输入门在X的权值，X表示输入，Whi为输入门中在Ht-1状态的权值，Wci为输入门在Ct-1状态的权值，bi为输入门的偏置值，Wxf为遗忘门在X的权值，Whf为遗忘门中在Ht-1状态的权值，Wcf为遗忘门在Ct-1状态的权值，bf为遗忘门的偏置值，Wxc为细胞状态在t时X的权值，Whc为细胞状态在Ht-1状态的权值，bc为细胞状态在t时的偏置值，Wxo为输出门在X的权值，Who为输出门在Ht-1状态的权值，Wco输出门在Ct状态的权值，bo为输出门的偏置值。
10.根据权利要求6所述的系统，其特征在于，所述VAN网络包括编码网络，增量函数和解码网络。
CN202110570221.2A 2021-05-25 2021-05-25 基于VAN-ConvLSTM的天气外推方法及系统 Active CN113341419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110570221.2A CN113341419B (zh) 2021-05-25 2021-05-25 基于VAN-ConvLSTM的天气外推方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110570221.2A CN113341419B (zh) 2021-05-25 2021-05-25 基于VAN-ConvLSTM的天气外推方法及系统

Publications (2)

Publication Number Publication Date
CN113341419A CN113341419A (zh) 2021-09-03
CN113341419B true CN113341419B (zh) 2022-11-01

Family

ID=77471237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110570221.2A Active CN113341419B (zh) 2021-05-25 2021-05-25 基于VAN-ConvLSTM的天气外推方法及系统

Country Status (1)

Country Link
CN (1) CN113341419B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113938310B (zh) * 2021-10-29 2023-11-28 水利部发展研究中心 一种水利固定资产投资统计数据质量控制管理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107967532A (zh) * 2017-10-30 2018-04-27 厦门大学 融合区域活力的城市交通流量预测方法
JP2019021218A (ja) * 2017-07-20 2019-02-07 ヤフー株式会社 学習装置、プログラムパラメータ、学習方法およびモデル
CN111309489A (zh) * 2020-03-26 2020-06-19 华东师范大学 一种面向地理大数据的云计算资源调度方法及系统
KR20200132665A (ko) * 2019-05-17 2020-11-25 삼성전자주식회사 집중 레이어를 포함하는 생성기를 기반으로 예측 이미지를 생성하는 장치 및 그 제어 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3091035C (en) * 2018-03-23 2024-01-23 The Governing Council Of The University Of Toronto Systems and methods for polygon object annotation and a method of training an object annotation system
EP3608844A1 (en) * 2018-08-10 2020-02-12 Naver Corporation Methods for training a crnn and for semantic segmentation of an inputted video using said crnn
CN110261857B (zh) * 2019-07-17 2022-04-15 南京信息工程大学 一种天气雷达空间插值方法
CN110794485A (zh) * 2019-10-22 2020-02-14 成都信息工程大学 基于集成学习的强对流天气持续时间预报方法
CN111429514B (zh) * 2020-03-11 2023-05-09 浙江大学 一种融合多帧时序点云的激光雷达3d实时目标检测方法
CN112215393B (zh) * 2020-08-29 2022-06-21 复旦大学 基于自适应时空尺度选择的降水数值预报后处理订正方法
CN112180375B (zh) * 2020-09-14 2022-12-20 成都信息工程大学 一种基于改进的TrajGRU网络的气象雷达回波外推方法
CN112446419B (zh) * 2020-10-29 2023-07-11 中山大学 基于注意力机制的时空神经网络雷达回波外推预报方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019021218A (ja) * 2017-07-20 2019-02-07 ヤフー株式会社 学習装置、プログラムパラメータ、学習方法およびモデル
CN107967532A (zh) * 2017-10-30 2018-04-27 厦门大学 融合区域活力的城市交通流量预测方法
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
KR20200132665A (ko) * 2019-05-17 2020-11-25 삼성전자주식회사 집중 레이어를 포함하는 생성기를 기반으로 예측 이미지를 생성하는 장치 및 그 제어 방법
CN111309489A (zh) * 2020-03-26 2020-06-19 华东师范大学 一种面向地理大数据的云计算资源调度方法及系统

Also Published As

Publication number Publication date
CN113341419A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN112446419B (zh) 基于注意力机制的时空神经网络雷达回波外推预报方法
CN112418409B (zh) 一种利用注意力机制改进的卷积长短期记忆网络时空序列预测方法
CN111626128A (zh) 一种基于改进YOLOv3的果园环境下行人检测方法
CN109001736B (zh) 一种基于深度时空预测神经网络的雷达回波外推方法
CN109145836B (zh) 基于深度学习网络和卡尔曼滤波的船只目标视频检测方法
CN112415521A (zh) 基于cgru的强时空特性雷达回波临近预报方法
CN113610286B (zh) 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置
CN112182063A (zh) 一种基于时空特征的水文预报模型的构建方法
CN113341419B (zh) 基于VAN-ConvLSTM的天气外推方法及系统
CN114943365A (zh) 融合多源数据的降水估测模型建立方法及降水估测方法
CN115421117A (zh) 一种基于深度学习的雷达回波外推方法
Son et al. Partial convolutional LSTM for spatiotemporal prediction of incomplete data
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN114742206B (zh) 综合多时空尺度多普勒雷达数据的降雨强度估计方法
Fang et al. Stunner: Radar echo extrapolation model based on spatio-temporal fusion neural network
CN114663307B (zh) 基于不确定性网络的集成图像去噪系统
CN113793472B (zh) 基于特征深度聚合网络的图像型火灾探测器位姿估计方法
CN115984132A (zh) 一种基于cbaim差分循环神经网络的短临预报方法
CN115830707A (zh) 一种基于超图学习的多视角人体行为识别方法
Wei et al. Pedestrian anomaly detection method using autoencoder
CN117665825B (zh) 一种雷达回波外推预报方法、系统及存储介质
CN113327301B (zh) 基于深度类比网络在多维度雷达数据下的强对流外推方法及系统
CN114004421B (zh) 一种基于时空集成学习的交通数据缺失值插补方法
Huang et al. EAFs: A Method for Predicting Short-term Heavy Precipitation with an Attention Feedforward Encoder
Wei et al. Strong Convective Weather Extrapolation Based on VAN-ConvLSTM

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wen Liyu

Inventor after: Luo Fei

Inventor after: Wei Xiaofei

Inventor after: Shu Hongping

Inventor after: Cao Liang

Inventor after: Liu Kui

Inventor before: Wen Liyu

Inventor before: Luo Fei

Inventor before: Wei Xiaofei

Inventor before: Shu Hongping

Inventor before: Cao Liang

Inventor before: Liu Kui

GR01 Patent grant
GR01 Patent grant