CN113486590A - 一种数据处理方法、设备和存储介质 - Google Patents

一种数据处理方法、设备和存储介质 Download PDF

Info

Publication number
CN113486590A
CN113486590A CN202110789058.9A CN202110789058A CN113486590A CN 113486590 A CN113486590 A CN 113486590A CN 202110789058 A CN202110789058 A CN 202110789058A CN 113486590 A CN113486590 A CN 113486590A
Authority
CN
China
Prior art keywords
precipitation
data
inverted
probability distribution
sub
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
Application number
CN202110789058.9A
Other languages
English (en)
Inventor
王伟凯
苏仲岳
闫正
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.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control 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 Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202110789058.9A priority Critical patent/CN113486590A/zh
Publication of CN113486590A publication Critical patent/CN113486590A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种数据处理方法、设备和存储介质。该方法包括：确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布；根据待反演数据块的降水概率分布和每个子类数据集的降水概率分布确定每个子类数据集对应的权重系数；按照待反演数据块所在的子类数据集将待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果；其中，目标网络模型是基于超分辨率模型进行训练得到的模型；根据权重系数和降水输出结果确定对应的实际降水结果。本发明实施例实现了利用超分辨率模型对单一的原始观测数据对降水过程进行反演，从而在保证降水结果准确性的基础上，大幅度地降低了反演过程的延时。

Description

一种数据处理方法、设备和存储介质
技术领域
本发明实施例涉及数据处理技术，尤其涉及一种数据处理方法、设备和存储介质。
背景技术
现有的降水反演过程通常由数值模式完成,该模式集中使用了气象卫星数据\气象观测站点数据\气象雷达回波数据,能够得到当前较为精确的降水数据.但是,数值模式反演降水的缺陷就是该过程计算时间较长,使得降水结果生成有延时.另外,所采用的数据非常复杂,存在特殊数据难以全面获取的风险.
发明内容
有鉴于此，本发明提供一种数据处理方法、设备和存储介质，大幅度地降低了反演过程的延时。
第一方面，本发明实施例提供了一种数据处理方法，包括：
确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布，其中，所述子类数据集为按照四分位点策略对原始观测数据的平均降水值进行划分得到的数据集；
根据所述待反演数据块的降水概率分布和每个所述子类数据集的降水概率分布确定每个所述子类数据集对应的权重系数；
按照所述待反演数据块所在的子类数据集将所述待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果；其中，所述目标网络模型是基于超分辨率模型进行训练得到的模型；
根据所述权重系数和所述降水输出结果确定对应的实际降水结果。
第二方面，本发明实施例还提供了一种数据处理装置，包括：
第一确定模块，用于确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布，其中，所述子类数据集为按照四分位点策略对原始观测数据的平均降水值进行划分得到的数据集；
第二确定模块，用于根据所述待反演数据块的降水概率分布和每个所述子类数据集的降水概率分布确定每个所述子类数据集对应的权重系数；
第一结果输出模块，用于按照所述待反演数据块所在的子类数据集将所述待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果；其中，所述目标网络模型是基于超分辨率模型进行训练得到的模型；
第二结果输出模块，用于根据所述权重系数和所述降水输出结果确定对应的实际降水结果。
第三方面，本发明实施例还提供了一种数据处理设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例中任一所述的数据处理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的数据处理方法。
本发明实施例公开了一种数据处理方法，确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布，其中，子类数据集为对原始观测数据的平均降水值进行划分得到的数据集；根据待反演数据块的降水概率分布和每个子类数据集的降水概率分布确定每个子类数据集对应的权重系数；按照待反演数据块所在的子类数据集将待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果；其中，目标网络模型是基于超分辨率模型进行训练得到的模型；根据权重系数和降水输出结果确定对应的实际降水结果。本发明通过待反演数据块对超分辨率模型进行训练，得到目标神经网络模型，并按照对原始观测数据的平均降水值进行划分得到的子类数据集，将待反演数据库分别输入至对应的目标神经网络模型中，得到对应的降水输出结果，并按照权重系数和降水输出结果得到对应的实际降水结果，实现了利用超分辨率模型对单一的原始观测数据对降水过程进行反演，从而在保证降水结果准确性的基础上，大幅度地降低了反演过程的延时。
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是本发明实施例提供的一种数据处理方法的流程图；
图2是本发明实施例提供的另一种数据处理方法的流程图；
图3是本发明实施例提供的又一种数据处理方法的流程图；
图4是本发明实施例提供的一种对降水输入数据进行切割的示意图；
图5是本发明实施例提供的一种训练阶段和实际降水反演阶段的流程示意图；
图6是本发明实施例提供的一种数据处理装置的结构示意图；
图7是本发明实施例提供的一种数据处理设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
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。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在一实施例中，图1是本发明实施例提供的一种数据处理方法的流程图，本实施例可适用于对降水进行反演的情况，该方法可以由本发明实施例中的数据处理装置来执行，该装置可采用软件和/或硬件的方式实现。其中，数据处理装置集成在数据处理设备中。其中，数据处理设备可以为计算机设备、笔记本电脑、ipad等终端设备。
如图1所示，该方法具体包括如下步骤：
S110、确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布。
其中，子类数据集为原始观测数据的平均降水值进行划分得到的数据集。
其中，待反演数据块，指的是对原始观测数据所对应的降水输入数据进行切割得到的数据块。原始观测数据指的是从观测站点得到的未处理的原始数据。示例性地，原始观测数据可以为地面观测站点数据。在实施例中，对原始观测数据进行线性插值处理，得到原始降水图片，然后对原始进行降采样，得到降水输入数据；然后对降水输入数据进行切割处理，得到多个降水输入数据块，将降水输入数据块作为待反演数据块。
在一实施例中，子类数据集的确定方式，包括：
根据预设平均降水统计表中待反演数据块的数目和预设平均降水统计表确定对应的四分位阈值，其中，预设平均降水统计表为包含所有待反演数据块所对应降水平均值的统计表；根据四分位阈值确定有效降水最小值和有效降水最大值；根据有效降水最小值、有效降水最大值和四分位阈值得到对应的子类数据集。在实施例中，预设平均降水统计表指的是包含所有待反演数据块所对应降水平均值的统计表。需要说明的是，降水输入数据所对应的降水图片是一个大尺寸图片，为了便于对降水反演过程的实现，对降水输入数据进行切割处理，得到待反演数据块。在得到每个待反演数据块的降水平均值之后，可以按照降水平均值从小到大的顺序对每个待反演数据块进行排列，作为预设平均降水统计表。当然，为了便于提高降水反演的准确性，对降水平均值达到预设阈值的待反演数据块进行顺序排列，而未达到预设阈值的待反演数据块可以滤除。
需要说明的是，子类数据集是按照四分位点策略对原始观测数据的平均降水值进行划分得到的数据集，即按照四分位点的计算方法，设定三个阈值。其中，四分位阈值指的是四分位点所对应的阈值。
在确定四分位阈值之前，需确定四分位阈值位置，即四分位点所对应阈值的位置。在实施例中，假设预设平均统计表记为PRE列表，并且PRE列表中待反演数据块的数目为N，即预设平均统计表中的元素总量为N，也可以为预设平均统计表的长度为N。示例性地，假设采用Q1、Q2和Q3分别作为四分位点的阈值位置，其中，Q1＝N*0.25，作为四分之一分位；Q2＝N*0.50，作为中位数；Q3＝N*0.75，作为四分之三分位。在得到四分位点的阈值位置之后，利用四分位阈值和预设平均降水统计表计算出对应的四分位阈值。具体的，假设四分位阈值分别采用p_1,p_2,p_3表示，其中，p_1＝PRE[int(Q1)]+(PRE[int(Q1)+1]-PRE[int(Q1))*(Q1-int(Q1))；p_2＝PRE[int(Q2)]+(PRE[int(Q2)+1]-PRE[int(Q2))*(Q2-int(Q2))；p_3＝PRE[int(Q3)]+(PRE[int(Q3)+1]-PRE[int(Q3))*(Q3-int(Q3))；其中，int(Q1),int(Q2),int(Q3)分别代表取整操作，PRE[·]为从PRE列表中取值。
在实施例中，根据四分位阈值计算四分位距，其中，四分位距记为IQR，则IQR为p_3和p_1之间的差值，即IQR＝p_3-p_1。在确定四分位距之后，利用四分位距和四分位阈值计算有效的降水数值范围，其中，有效的降水数值范围可以包括：有效降水最大值和有效降水最小值。示例性地，假设有效降水最小值和有效降水最大值分别采用p_min和p_max表示，其中，p_min＝p_1-1.5*IQR；p_max＝p_3+1.5*IQR。然后按照p_min、p_max、p_1、p_2和p_3对待反演数据块的平均降水值进行划分，得到四类子类数据集。示例性地，四类子类数据集包括：第一类：[p_min,p_1]，第二类:[p_1,p_2]，第三类:[p_2,p_3]，第四类:[p_3,p_max]。
在实施例中，在确定待反演数据块和子类数据集之后，对待反演数据块和每个子类数据集的降水概率分布进行计算，得到待反演数据块的降水概率分布，以及每个子类数据集的降水概率分布。在实际操作过程中，对于每个子类数据集，设定超参数类别数量；将每个子类数据集中所有降水数据范围平均分成超参数类别数量的份数，并统计每一份中的降水数据点，得到子类数据集的降水概率分布。相应的，对待反演数据块的降水概率分布的计算过程类似于子类数据集的降水概率分布的计算过程。
S120、根据待反演数据块的降水概率分布和每个子类数据集的降水概率分布确定每个子类数据集对应的权重系数。
在实施例中，根据待反演的降水概率分布和每个子类数据集的降水概率分布计算待反演数据块和每个子类数据集之间的KL散度，并对KL散度进行归一化，以得到每个子类数据集对应的权重系数。可以理解为，这四类子类数据集对应的权重系数的总和为1。
S130、按照待反演数据块所在的子类数据集将待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果。
其中，目标网络模型是基于超分辨率模型进行训练得到的模型。在实施例中，按照实际降水反演阶段的每个待反演数据块所对应的降水平均值将待反演数据块划分至对应的子类数据集中，并根据子类数据集和目标神经网络模型之间的对应关系，按照每个待反演数据块所在的子类数据集将待反演数据块输入至对应的目标神经网络模型中，以得到对应的降水输出结果。需要说明的是，每个子类数据集所对应的降水平均值是不同的。示例性地，上述S110中第一类子类数据集到第四类子类数据集的降水平均值依次增大，即第一类子类数据集的降水平均值最低，第四类子类数据集的降水平均值最高。相应的，第一类子类数据集对应的数据计算复杂度最低，而第四类子类数据集对应的数据计算复杂度最高。可以理解为，按照实际降水反演阶段的待反演数据块所在的子类数据集的数据计算复杂度选择对应的超分辨率模型，并作为对应的目标神经网络模型，以将待反演数据块输入至该目标神经网络模型中，得到对应的降水输出结果。示例性地，目标神经网络模型可以包括但不限于下述之一：SRCNN,VDSR,SRGAN,Cycle GAN。其中，SRCNN:Super-Resolution UsingDeep Convolutional Networks来源于论文中提出的基于CNN模型做超分辨率任务的算法简称,Image Super-Resolution Using Deep Convolutional Networks；VDSR:来源于论文中提出的基于CNN模型做超分辨率任务的算法简称,Accurate Image Super-ResolutionUsing Very Deep Convolutional Networks；VDSR:来源于论文中提出的基于CNN模型做超分辨率任务的算法简称,Accurate Image Super-Resolution Using Very DeepConvolutional Networks；Cycle GAN:GAN网络的改进版本。
S140、根据权重系数和降水输出结果确定对应的实际降水结果。
在实施例中，按照待反演数据块所对应子类数据集对应的权重系数，以及该子类数据集所对应目标神经网络模型输出的降水输出结果，计算得到对应的实际降水结果。示例性地，将1与其中一个权重系数作差，得到差值，并将该差值，与该权重系数所对应子类数据集对应的降水输出结果相乘，得到乘积值，作为该子类数据集的降水结果；然后按照相同的方式计算这四类子类数据集分别对应的降水结果；然后将这四类子类数据集对应的降水结果进行相加，得到实际降水结果。
本实施例的技术方案，通过待反演数据块对超分辨率模型进行训练，得到目标神经网络模型，并按照四分位点策略进行原始观测数据的平均降水值进行划分得到的子类数据集，将待反演数据库分别输入至对应的目标神经网络模型中，得到对应的降水输出结果，并按照权重系数和降水输出结果得到对应的实际降水结果，实现了利用超分辨率模型对单一的原始观测数据对降水过程进行反演，从而在保证降水结果准确性的基础上，大幅度地降低了反演过程的延时。
在一实施例中，图2是本发明实施例提供的另一种数据处理方法的流程图。本实施例是在上述实施例的基础上，对数据处理过程作进一步的说明。如图2所示，本实施例中的数据处理方法包括如下步骤：
S210、通过线性插值方式对原始观测数据进行插值，得到对应的原始降水图片。
示例性地，原始观测数据可以为地面观测站点数据。在实际操作过程中，原始观测数据是离散的，为了提高降水反演的过程的准确性，采用线性插值的方式对原始观测数据进行插值，得到降水图片，作为原始降水图片。
S220、对原始降水图片进行降采样，得到降水输入数据。
在实施例中，为了减少降水反演过程中的数据计算量，可以对原始降水图片进行四倍或八倍降采样，得到降水输入数据。同时，将该降水输入数据作为原始神经网络模型的输入数据，以对原始神经网络模型进行训练，得到对应的目标神经网络模型。
S230、对降水输入数据进行切割处理，得到对应的待反演数据块。
示例性地，假设降水输入数据的切割尺寸为256*256，则采用该切割尺寸对降水输入数据进行切割处理，得到对应的降水输入数据块，将该降水输入数据块作为待反演数据块。当然，在实际操作过程中，切割尺寸可以随意设定，但需要是2的n次幂，比如，切割尺寸可以设定为256*256，也可以为512*512等。需要说明的是，降水输入数据和降水输出数据的尺寸比例需要与下采样率一致，以便于进行计算。
S240、以数值模式获取第一目标区域的格点数据，作为真值。
其中，第一目标区域指的是全球内的云团层，其中，该云团层指的是全球内各个区域的湿度、温度、降水量等信息。在实施例中，以数值模式获取第一目标区域的格点数据，作为真值。其中，数值模式指的是一个数据处理系统，可以对云团层进行数据处理，得到对应的降水数据。
S250、将真值转换为第二目标区域的降水图片，作为降水标签。
其中，第二目标区域包含在第一目标区域内。示例性地，第二目标区域可以为中国区域。在实施例中，对第一目标区域的真值进行区域截取，得到第二目标区域的真值，并作为降水标签。需要说明的是，降水标签，用于原始神经网络模型的标准降水输入数据，即以降水标签为依据，将降水输入数据输入至原始神经网络模型中，对原始神经网络模型进行训练，
S260、对降水标签进行切割处理，得到降水标签块。
在实施例中，对降水标签所采用的切割尺寸需与降水输入数据所采用的切割尺寸是相同的。示例性地，在降水输入数据所采用的切割尺寸为256*256时，降水标签所采用的切割尺寸也为256*256。采用切割尺寸对降水标签进行切割处理，得到降水标签块。
S270、按照预先配置的第一超参数类别数量对每个子类数据集中所有降水数据范围进行均分，得到第一超参数类别数量的第一类型降水数据块。
其中，第一类型降水数据块指的是对每个子类数据集中的降水数据范围进行划分，得到的数据块。在实施例中，第一超参数类别数量为大于2的正整数，即对每个子类数据集中所有降水数据范围进行第一超参数类别数量的均分，得到第一超参数类别数量的降水数据块，作为第一类型降水数据块。示例性地，假设第一超参数类别数量为C1，则对每个子类数据集中所有降水数据范围平均分为C1份，得到C1份的第一类型降水数据块。
S280、统计每个第一类型降水数据块中的降水数据点。S290、根据所有第一类型降水数据块的总数据点数目和每个第一类型降水数据块中的降水数据点确定对应子类数据集的降水概率分布。
在实施例中，将第C1份范围内的降水数据点数与所有第一类型降水数据块的总数据点数目进行作比值，将该比值作为该子类数据集的降水概率分布。
S2100、按照预先配置的第二超参数类别数量对每个待反演数据块中所有降水数据范围进行均分，得到第二超参数类别数量的第二类型降水数据块。
其中，第二类型降水数据块为对每个待反演数据块中的降水数据范围进行划分的数据块。在实施例中，第二超参数类别数量为大于2的正整数，即对每个待反演数据块中所有降水数据范围进行第二超参数类别数量的均分，得到第二超参数类别数量的降水数据块，作为第二类型降水数据块。示例性地，假设第二超参数类别数量为C2，则对每个待反演数据块中所有降水数据范围平均分为C2份，得到C2份的第一类型降水数据块。示例性地，第一超参数类别数量可以与第二超参数类别数据量相同，也可以不相同，对此并不进行限定。
S2110、统计每个第二类型降水数据块中的降水数据点。
S2120、根据所有第二类型降水数据块的总数据点数目和每个第二类型降水数据块中的降水数据点确定对应待反演数据块的降水概率分布。
在实施例中，将第C2份范围内的降水数据点数与所有第二类型降水数据块的总数据点数目进行作比值，将该比值作为该待反演数据块的降水概率分布。
S2130、根据待反演数据块的降水概率分布和每个子类数据集的降水概率分布确定待反演数据块和每个子类数据集之间的KL散度。
示例性地，采用p(xi)表示待反演数据块中落入第i个子分段的概率，采用q(xi)表示第j个数据子类数据集中,数据落入i个子分段的概率，wj表示在实际降水反演阶段,待反演数据块与已有的子类数据集之间的KL散度,j取值1,2,3,4，则KL散度的计算公式为：
Figure BDA0003160320580000121
S2140、对KL散度进行归一化，得到每个子类数据集对应的权重系数。
在实施例汇总，对KL散度进行归一化，以使得四类子类数据集对应的权重系数的总和为1。示例性地，对KL散度ωj进行归一化的计算公式为：
Figure BDA0003160320580000122
S2150、按照待反演数据块所在的子类数据集将待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果。
其中，目标神经网络模型的训练过程，包括：按照待反演数据块所在的子类数据集将待反演数据块输入至对应的原始神经网络模型，得到降水输出数据块；在降水输出数据块和对应的降水标签块之间的差值达到预设阈值时，对原始神经网络模型进行调整，并返回按照待反演数据块所在的子类数据集将待反演数据块输入至对应的原始神经网络模型，得到降水输出数据块的步骤，直至降水输出数据块和降水标签块之间的差值小于预设阈值为止，得到目标神经网络模型。
在实施例中，按照待反演数据块所在的子类数据集将待反演数据块分别输入至对应的目标神经网络模型中，得到对应的降水输出结果。示例性地，上述实施例中的子类数据集为四类，相应的，目标神经网络模型为四个，即降水输出结果为四个，分别为output1，output2，output3，output4。
S2160、根据权重系数和降水输出结果确定对应的实际降水结果。
在实施例中，假设实际降水结果采用output表示，则实际降水结果的计算为：
Figure BDA0003160320580000131
需要说明的是，对S210-S230与S240-S260这两者之间的执行顺序不作限定，即可以先执行S210-S230，也可以先执行S240-S260。当然，也可以S210-S230和S240-S260同时执行。
在一实施例中，图3是本发明实施例提供的又一种数据处理方法的流程图。本实施例作为优选实施例，对降水反演的过程进行说明。本实施例中以第二目标区域为中国区域，原始观测数据为地面观测站点数据，原始神经网络模型为超分辨率模型，以及第一超参数类别数量和第二超参数类别数量相同，均为C为例，对降水反演过程进行说明。
图4是本发明实施例提供的一种对降水输入数据进行切割的示意图。示例性地，以中国的降水数据为例，对子类数据集的确定过程进行说明。如图4所示，中国境内为经度范围为:70°E–140°E，纬度范围为:15°N–60°N，并以分辨率为0.01°/1km，同时以2.56km*2.56km或者5.12km*5.12km为区域的截取范围，按照平均降水值进行分类，得到四类子类数据集，其中，区域1的平均降水量最低，区域2的平均降水量次低，区域3的平均降水量次高，区域4的平均降水量最高。
图5是本发明实施例提供的一种训练阶段和实际降水反演阶段的流程示意图。如图5所示，以中国区域为全境数据集为例，对训练阶段和实际降水反演阶段的过程进行说明。对全境数据集进行数据分割，得到四类子类数据集，即类别1的子数据集(即上述实施例中类别1的子类数据集)、类别2的子数据集、类别3的子数据集和类别4的子数据集；然后分别将四类子类数据集输入至对应的深度学习模型(分别为深度学习模型1、深度学习模型2、深度学习模型3和深度学习模型4)；然后得到四个对应的降水概率分布和目标神经网络模型(即模型1、模型2、模型3和模型4)。在实际降水反演阶段，将待反演数据切块，得到待反演数据块，分别输入至对应的目标神经网络模型(即模型1、模型2、模型3和模型4)，以及对待反演数据块转换为对应的降水概率分布(分别为分布1、分布2、分布3和分布4)；然后利用每个分布对应的权重系数，以及每个目标神经网络模型得到的降水输出结果；然后根据权重系数和降水输出结果确定对应的实际降水结果(即降水结果输出)。
如图3所示，本实施例中的数据处理过程包括如下步骤：
S310、以数值模式获取的格点数据作为真值，将其转换为中国区域内的降水图片。
需要说明的是，中国区域的经度范围为:70°E–140°E，纬度范围为:15°N–60°N。示例性地，假设降水图片的分辨率:0.01°/1km，转换后的降水图片的尺寸大小为4500*7000，并且，每个像素表示1km*1km的降水情况。
S320、将地面观测站点数据,通过线性插值插成降水图片,再将此图片完成四倍或者八倍降采样,并以此作为降水输入数据。
S330、对真值和降水输入数据进行切割处理。
在实施例中，假设对真值进行切割的尺寸与对降水输入数据进行切割的尺寸是相同的。在实际操作过程中，对真值和降水输入数据进行切割的尺寸大小可以随意设定,但是需要是2的n次幂,比如设定为256*256或者512*512等，且输入\输出数据的尺寸比例需要与下采样率一致。在实施例中，为了提高降水反演过程的准确性，对真值所切割的数据块中有降水数值的部分进行平均值统计，以表示平均降水量。在实施例中，将对真值进行切割得到的数据块称为降水标签块，将对降水数据进行切割得到的数据块称为降水数据块(也可以称为待反演数据块)。
S340、确定待反演数据块对应的四分位阈值。
在实施例中，对所有待反演数据块的降水平均值进行统计，按照四分位点的计算方法,设定三个四分位阈值。其中,四分位点阈值的计算方法如下：假设采用PRE列表作为预设平均降水统计表，即PRE列表为总体平均降水的统计值(其已经过数值上的从小到大排列)的列表；N:为PRE列表中的元素总量，即PRE列表的长度。
在实施例中，采用Q1,Q2,Q3分别作为四分位点的阈值位置,计算方式如下:Q1＝N*0.25，作为四分之一分位；Q2＝N*0.50，作为中位数；Q3＝N*0.75，作为四分之三分位。然后计算四分位阈值,分别用p_1,p_2,p_3表示，其中，p_1＝PRE[int(Q1)]+(PRE[int(Q1)+1]-PRE[int(Q1))*(Q1-int(Q1))；p_2＝PRE[int(Q2)]+(PRE[int(Q2)+1]-PRE[int(Q2))*(Q2-int(Q2))；p_3＝PRE[int(Q3)]+(PRE[int(Q3)+1]-PRE[int(Q3))*(Q3-int(Q3))。
其中,int(Q1),int(Q2),int(Q3)分别代表取整操作，PRE[·]为从列表中取值。
然后，计算四分位距IQR,IQR＝p_3-p_1；计算有效的降水数值范围:有效降水的最小值:p_min＝p_1-1.5*IQR；有效降水的最大值:p_max＝p_3+1.5*IQR。因此,将平均降水划分为四类子类数据集:第一类:[p_min,p_1]；第二类:[p_1,p_2]；第三类:[p_2,p_3]；第四类:[p_3,p_max]。
S350、对超分辨率模型进行训练，得到对应的目标神经网络模型。
在实施例中，针对四类不同的数据集,选择四个超分辨率模型进行训练,可选模型包括但是不限于SRCNN,VDSR,SRGAN,Cycle GAN等，输出训练好的符合该数据子集的深度学习模型，作为目标神经网络模型。
S360、确定子类数据集的降水概率分布和待反演数据库的降水概率分布。
在实施例中，确定每个待反演数据块所对应子类数据集的降水概率分布(按照像素点划分),计算方法如下:对于每一个子类数据集,设定第一超参数类别数量和第二超参数类别数量均为C＝10；将每一个子类数据集中所有降水数据的范围,平均分为C份,并统计每一份中的降水数据点,从而形成概率分布,即p(c)＝第c段范围内的数据点数/总的数据点数。
在实际降水反演阶段,对降水输入数据进行切割处理，得到降水输入数据块(即待反演数据块),同样通过以上两个步骤,形成待反演数据块的概率分布。
S370、确定待反演数据块和每个子类数据集之间的KL散度。
在实施例中，将实际降水反演阶段待反演数据块的降水概率分布与四类子类数据集的降水概率分布,经过KL散度进行权重计算，具体如下：
Figure BDA0003160320580000171
其中,ωj表示在实际降水反演阶段,待反演数据块与已有的子类数据集间的KL散度，j取值1,2,3,4；p(xi)代表着待反演数据块中落入第i个子分段的概率；q(xi)代表着第j个数据子类数据集中,数据落入i个子分段的概率。
S380、对KL散度进行归一化，得到每个子类数据集对应的权重系数。
Figure BDA0003160320580000172
S390、根据权重系数和待反演数据块对应的降水输出结果确定对应的实际降水结果。
在实施例中，对权重系数和数据块对应的降水输出结果进行集成学习，即将实际降水反演阶段的待反演数据块分别送入四个已训练好的神经网络模型(即目标神经网络模型)中,得到在不同模型下的结果输出,分别记为:output1，output2，output3，output4。因此,实际的集成学习输出结果(即实际降水结果)为:
Figure BDA0003160320580000173
在一实施例中，图6是本发明实施例提供的一种数据处理装置的结构示意图。本实施例应用于对降水进行反演的情况，如图6所示，该数据处理装置具体包括：第一确定模块610、第二确定模块620、第一结果输出模块630和第二结果输出模块640。
其中，第一确定模块610，用于确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布，其中，子类数据集为对原始观测数据的平均降水值进行划分得到的数据集；
第二确定模块620，用于根据待反演数据块的降水概率分布和每个子类数据集的降水概率分布确定每个子类数据集对应的权重系数；
第一结果输出模块630，用于按照待反演数据块所在的子类数据集将待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果；
第二结果输出模块640，用于根据权重系数和降水输出结果确定对应的实际降水结果。
本实施例的技术方案，通过待反演数据块对超分辨率模型进行训练，得到目标神经网络模型，并按照对原始观测数据的平均降水值进行划分得到的子类数据集，将待反演数据库分别输入至对应的目标神经网络模型中，得到对应的降水输出结果，并按照权重系数和降水输出结果得到对应的实际降水结果，实现了利用超分辨率模型对单一的原始观测数据对降水过程进行反演，从而在保证降水结果准确性的基础上，大幅度地降低了反演过程的延时。
在上述实施例的基础上，数据处理装置，还包括：
插值模块，用于在确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布之前，通过线性插值方式对原始观测数据进行插值，得到对应的原始降水图片；
降采样模块，用于对原始降水图片进行降采样，得到降水输入数据；
第一切割模块，用于对降水输入数据进行切割处理，得到对应的待反演数据块。
在上述实施例的基础上，数据处理装置，还包括：
获取模块，用于在确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布之前，以数值模式获取第一目标区域的格点数据，作为真值；
转换模块，用于将真值转换为第二目标区域的降水图片，作为降水标签；其中，所述第二目标区域包含于所述第一目标区域内；
第二切割模块，用于对降水标签进行切割处理，得到降水标签块。
在上述实施例的基础上，目标神经网络模型的训练过程，包括：
按照待反演数据块所在的子类数据集将待反演数据块输入至对应的原始神经网络模型，得到降水输出数据块；
在降水输出数据块和对应的降水标签块之间的差值达到预设阈值时，对原始神经网络模型进行调整，并返回按照待反演数据块所在的子类数据集将待反演数据块输入至对应的原始神经网络模型，得到降水输出数据块的步骤，直至降水输出数据块和降水标签块之间的差值小于预设阈值为止，得到目标神经网络模型。
在上述实施例的基础上，子类数据集的确定方式，包括：
根据预设平均降水统计表中待反演数据块的数目和预设平均降水统计表确定对应的四分位阈值，其中，预设平均降水统计表为包含所有待反演数据块所对应降水平均值的统计表；
根据四分位阈值确定有效降水最小值和有效降水最大值；
根据有效降水最小值、有效降水最大值和四分位阈值得到对应的子类数据集。
在上述实施例的基础上，第一确定模块，包括：
第一均分单元，用于按照预先配置的第一超参数类别数量对每个子类数据集中所有降水数据范围进行均分，得到第一超参数类别数量的第一类型降水数据块；
第一统计单元，用于统计每个第一类型降水数据块中的降水数据点；
第一确定单元，用于根据所有第一类型降水数据块的总数据点数目和每个第一类型降水数据块中的降水数据点确定对应子类数据集的降水概率分布。
在上述实施例的基础上，第一确定模块，还包括：
第二均分单元，用于按照预先配置的第二超参数类别数量对每个待反演数据块中所有降水数据范围进行均分，得到第二超参数类别数量的第二类型降水数据块；
第二统计单元，用于统计每个第二类型降水数据块中的降水数据点；
第二确定单元，用于根据所有第二类型降水数据块的总数据点数目和每个第二类型降水数据块中的降水数据点确定对应待反演数据块的降水概率分布。
在上述实施例的基础上，第二确定模块，包括：
第三确定单元，用于根据待反演数据块的降水概率分布和每个子类数据集的降水概率分布确定待反演数据块和每个子类数据集之间的KL散度；
归一化单元，用于对KL散度进行归一化，得到每个子类数据集对应的权重系数。
本实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行数据处理方法相应的功能模块和有益效果。
图7是本发明实施例提供的一种数据处理设备的结构示意图。如图7所示，该数据处理设备包括处理器710、存储器720、输入装置730和输出装置740；数据处理设备中处理器710的数量可以是一个或多个，图7中以一个处理器710为例；数据处理设备中的处理器710、存储器720、输入装置和730输出装置740可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器720作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的数据处理方法对应的程序模块(例如，数据处理装置中的第一确定模块610、第二确定模块620、第一结果输出模块630和第二结果输出模块640)。处理器710通过运行存储在存储器720中的软件程序、指令以及模块，从而执行数据处理设备的各种功能应用以及数据处理，即实现上述的数据处理方法。
存储器720可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器720可进一步包括相对于数据转发系统710远程设置的存储器，这些远程存储器可以通过网络连接至车辆。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其框选。
输入装置730可用于接收输入的数字或字符信息，以及产生与车辆的用户设置以及功能控制有关的键信号输入。输出装置740可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种数据处理方法，该方法包括：
确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布，其中，子类数据集为按照四分位点策略对原始观测数据的平均降水值进行划分得到的数据集；根据待反演数据块的降水概率分布和每个子类数据集的降水概率分布确定每个子类数据集对应的权重系数；按照待反演数据块所在的子类数据集将待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果；其中，目标网络模型是基于超分辨率模型进行训练得到的模型；根据权重系数和降水输出结果确定对应的实际降水结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的数据处理方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例的方法。
值得注意的是，上述数据处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种数据处理方法，其特征在于，包括：
确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布，其中，所述子类数据集为对原始观测数据的平均降水值进行划分得到的数据集；
根据所述待反演数据块的降水概率分布和每个所述子类数据集的降水概率分布确定每个所述子类数据集对应的权重系数；
按照所述待反演数据块所在的子类数据集将所述待反演数据块输入至对应的目标神经网络模型中，得到对应的降水输出结果；其中，所述目标网络模型是基于超分辨率模型进行训练得到的模型；
根据所述权重系数和所述降水输出结果确定对应的实际降水结果。
2.根据权利要求1所述的方法，其特征在于，在所述确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布之前，还包括：
通过线性插值方式对原始观测数据进行插值，得到对应的原始降水图片；
对所述原始降水图片进行降采样，得到降水输入数据；
对所述降水输入数据进行切割处理，得到对应的待反演数据块。
3.根据权利要求1所述的方法，其特征在于，在所述确定待反演数据块的降水概率分布和每个子类数据集的降水概率分布之前，还包括：
以数值模式获取第一目标区域的格点数据，作为真值；
将所述真值转换为第二目标区域的降水图片，作为降水标签；其中，所述第二目标区域包含于所述第一目标区域内；
对所述降水标签进行切割处理，得到降水标签块。
4.根据权利要求3所述的方法，其特征在于，所述目标神经网络模型的训练过程，包括：
按照待反演数据块所在的子类数据集将所述待反演数据块输入至对应的原始神经网络模型，得到降水输出数据块；
在所述降水输出数据块和对应的所述降水标签块之间的差值达到预设阈值时，对所述原始神经网络模型进行调整，并返回按照待反演数据块所在的子类数据集将所述待反演数据块输入至对应的原始神经网络模型，得到降水输出数据块的步骤，直至所述降水输出数据块和所述降水标签块之间的差值小于预设阈值为止，得到目标神经网络模型。
5.根据权利要求1-4任一所述的方法，其特征在于，所述子类数据集的确定方式，包括：
根据预设平均降水统计表中待反演数据块的数目和所述预设平均降水统计表确定对应的四分位阈值，其中，所述预设平均降水统计表为包含所有待反演数据块所对应降水平均值的统计表；
根据所述四分位阈值确定有效降水最小值和有效降水最大值；
根据所述有效降水最小值、所述有效降水最大值和所述四分位阈值得到对应的子类数据集。
6.根据权利要求1-4任一所述的方法，其特征在于，所述确定所述子类数据集的降水概率分布，包括：
按照预先配置的第一超参数类别数量对每个所述子类数据集中所有降水数据范围进行均分，得到第一超参数类别数量的第一类型降水数据块；
统计每个所述第一类型降水数据块中的降水数据点；
根据所有所述第一类型降水数据块的总数据点数目和每个所述第一类型降水数据块中的降水数据点确定对应子类数据集的降水概率分布。
7.根据权利要求1-4任一所述的方法，其特征在于，所述确定所述待反演数据块的降水概率分布，包括：
按照预先配置的第二超参数类别数量对每个所述待反演数据块中所有降水数据范围进行均分，得到第二超参数类别数量的第二类型降水数据块；
统计每个第二类型降水数据块中的降水数据点；
根据所有第二类型降水数据块的总数据点数目和每个所述第二类型降水数据块中的降水数据点确定对应待反演数据块的降水概率分布。
8.根据权利要求1-4任一所述的方法，其特征在于，所述根据所述待反演数据块的降水概率分布和每个所述子类数据集的降水概率分布确定每个所述子类数据集对应的权重系数，包括：
根据所述待反演数据块的降水概率分布和每个所述子类数据集的降水概率分布确定所述待反演数据块和每个所述子类数据集之间的KL散度；
对所述KL散度进行归一化，得到每个所述子类数据集对应的权重系数。
9.一种数据处理设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的数据处理方法。
10.一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，该程序被处理器执行时实现如权利要求1-8中任一所述的数据处理方法。
CN202110789058.9A 2021-07-13 2021-07-13 一种数据处理方法、设备和存储介质 Pending CN113486590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110789058.9A CN113486590A (zh) 2021-07-13 2021-07-13 一种数据处理方法、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110789058.9A CN113486590A (zh) 2021-07-13 2021-07-13 一种数据处理方法、设备和存储介质

Publications (1)

Publication Number Publication Date
CN113486590A true CN113486590A (zh) 2021-10-08

Family

ID=77939016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110789058.9A Pending CN113486590A (zh) 2021-07-13 2021-07-13 一种数据处理方法、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113486590A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017215A (zh) * 2022-08-05 2022-09-06 阿里巴巴（中国）有限公司 数据处理方法及计算设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295575A1 (en) * 2010-05-28 2011-12-01 Levine David A System and method for geomatic modeling of a diverse resource base across broad landscapes
CN107356554A (zh) * 2017-06-20 2017-11-17 东南大学 一种基于神经网络的反演大气可降水量的modis模型改进方法
CN111898093A (zh) * 2020-07-01 2020-11-06 武汉大学 适用于气象集合预报的多维后处理方法、装置以及系统
US20210103814A1 (en) * 2019-10-06 2021-04-08 Massachusetts Institute Of Technology Information Robust Dirichlet Networks for Predictive Uncertainty Estimation
CN112666634A (zh) * 2021-01-14 2021-04-16 北京敏视达雷达有限公司 一种降水量预测方法及系统
CN112734648A (zh) * 2021-01-20 2021-04-30 武汉大学 基于深度学习超分辨率网络的降水时间降尺度预测方法
CN112819199A (zh) * 2020-12-31 2021-05-18 上海眼控科技股份有限公司 降水量的预测方法、装置、设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295575A1 (en) * 2010-05-28 2011-12-01 Levine David A System and method for geomatic modeling of a diverse resource base across broad landscapes
CN107356554A (zh) * 2017-06-20 2017-11-17 东南大学 一种基于神经网络的反演大气可降水量的modis模型改进方法
US20210103814A1 (en) * 2019-10-06 2021-04-08 Massachusetts Institute Of Technology Information Robust Dirichlet Networks for Predictive Uncertainty Estimation
CN111898093A (zh) * 2020-07-01 2020-11-06 武汉大学 适用于气象集合预报的多维后处理方法、装置以及系统
CN112819199A (zh) * 2020-12-31 2021-05-18 上海眼控科技股份有限公司 降水量的预测方法、装置、设备和存储介质
CN112666634A (zh) * 2021-01-14 2021-04-16 北京敏视达雷达有限公司 一种降水量预测方法及系统
CN112734648A (zh) * 2021-01-20 2021-04-30 武汉大学 基于深度学习超分辨率网络的降水时间降尺度预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017215A (zh) * 2022-08-05 2022-09-06 阿里巴巴（中国）有限公司 数据处理方法及计算设备
CN115017215B (zh) * 2022-08-05 2022-12-09 阿里巴巴（中国）有限公司 数据处理方法及计算设备

Similar Documents

Publication Publication Date Title
Sønderby et al. Metnet: A neural weather model for precipitation forecasting
WO2021218314A1 (zh) 基于位置定位的事件识别方法、装置、设备及存储介质
US8958603B2 (en) Automated mapping of land cover using sequences of aerial imagery
CN108540988B (zh) 一种场景划分方法及装置
CN111784044A (zh) 一种滑坡的预测方法、装置、设备和存储介质
KR102319145B1 (ko) 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치
CN110633594A (zh) 一种目标检测方法和装置
CN105320764A (zh) 一种基于增量慢特征的3d模型检索方法及其检索装置
CN114241230A (zh) 目标检测模型剪枝方法和目标检测方法
CN112131731A (zh) 一种基于空间特征向量滤波的城市生长元胞模拟方法
CN115995042A (zh) 一种视频sar运动目标检测方法及装置
CN114254556A (zh) 光伏发电功率的预测方法、装置、电子设备和存储介质
CN113486590A (zh) 一种数据处理方法、设备和存储介质
CN113408663B (zh) 融合模型构建方法、融合模型使用方法、装置和电子设备
CN109284409B (zh) 基于大规模街景数据的图片组地理定位方法
US20220290989A1 (en) Predicting geospatial measures
CN116721113A (zh) 一种三维点云平面分割方法及系统
CN116050554A (zh) 一种景区客流量预测方法、装置、计算设备和存储介质
CN113903016A (zh) 分岔点检测方法、装置、计算机设备和计算机程序产品
CN114037772A (zh) 一种图像生成器的训练方法、图像生成方法及装置
US10394883B2 (en) Classification technique for multi-band raster data for sorting and processing of colorized data for display
Wang et al. Traffic Flow Prediction Using Machine Learning Methods
CN113378731B (zh) 基于卷积神经网络及能量约束的绿地水系矢量提取方法
Liao et al. An acceleration and optimization method of edge computing using filter level pruning
CN118116369A (zh) 声学模型预训练方法、模型训练方法及装置、存储介质

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