CN113537591A - 长期天气预测方法、装置、计算机设备及存储介质 - Google Patents
长期天气预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113537591A CN113537591A CN202110797181.5A CN202110797181A CN113537591A CN 113537591 A CN113537591 A CN 113537591A CN 202110797181 A CN202110797181 A CN 202110797181A CN 113537591 A CN113537591 A CN 113537591A
- Authority
- CN
- China
- Prior art keywords
- training
- lstm model
- sub
- weather prediction
- historical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007774 longterm Effects 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 137
- 238000004140 cleaning Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/044—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种长期天气预测方法、装置、计算机设备及存储介质。该方法包括获取历史气象数据,并对历史气象数据进行数据清洗得到历史训练集;历史训练集包括若干个具有时间序列的子训练集;将若干个具有时间序列的子训练集按批次对LSTM模型进行训练;训练的过程具体包括在当前批次子训练集Xn对LSTM模型进行训练结束后,得到的输出向量Yn,将输出向量Yn用于下一批次的训练;输出向量用于表征天气预测结果,根据训练完成后的LSTM模型得到天气预测结果。同时不断获取增量气象数据集进行增量训练经过训练可以得到增量学习后的模型,提高了时间和空间的利用率。相比于现有技术本申请可以提高天气预测的准确率和计算效率。
Description
技术领域
本发明涉及天气信息服务领域,特别涉及一种长期天气预测方法、装置、计算机设备及存储介质。
背景技术
及时准确的气象信息对生产生活有着巨大的指导作用,随着经济活动的发展,人们对气象信息的服务要求逐渐增高,长期天气预测成为一个大家关注的重点领域。
然而某地区的气象数据是一类典型的高纬度时间序列数据,具有非线形,非平稳等特征,现有的时间序列模型对天气模型描述不够充分,预测效果不够准确,并且计算效率也较低。
使用深度学习方法处理天气序列问题,能一定程度上提高天气预测的准确率和计算效率。
发明内容
基于此,本申请实施例提供了一种长期天气预测方法、装置、计算机设备及存储介质,可以提高天气预测的准确率和计算效率。
第一方面,提供了一种长期天气预测方法,该方法包括:
获取历史气象数据,并对所述历史气象数据进行数据清洗得到历史训练集;所述历史训练集包括若干个具有时间序列的子训练集,每个所述子训练集具有相同的时间周期;
将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练;其中,在当前批次子训练集Xn对所述LSTM模型进行训练结束后,得到的输出向量Yn,将所述输出向量Yn用于下一批次的训练;所述输出向量用于表征天气预测结果;
根据训练完成后的LSTM模型得到天气预测结果。
在其中一个实施例中,将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练之后,所述方法还包括:
获取增量气象数据,并对所述增量气象数据进行数据清洗得到增量训练集;
利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型;
根据增量训练后的LSTM模型得到天气预测结果。
在其中一个实施例中,利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型,包括:
利用LwF算法将增量训练后的LSTM模型对增量训练前的模型进行覆盖。
在其中一个实施例中,通过LSTM模型的遗忘门对所述历史训练集进行数据压缩。
在其中一个实施例中,所述LSTM模型包括一个顺序RNN的神经网络,并在顺序RNN的基础上添加门控单元。
在其中一个实施例中,所述门控单元包括遗忘门,其中遗忘门使用Sigmoid作为激活函数。
在其中一个实施例中,将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练,包括:
通过反向传播算法更新所述LSTM模型中的各层参数。
第二方面,提供了一种长期天气预测装置,该装置包括:
获取模块,用于获取历史气象数据,并对所述历史气象数据进行数据清洗得到历史训练集;所述历史训练集包括若干个具有时间序列的子训练集,每个所述子训练集具有相同的时间周期;
训练模块,用于将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练;其中,在当前批次子训练集Xn对所述LSTM模型进行训练结束后,得到的输出向量Yn,将所述输出向量Yn用于下一批次的训练;所述输出向量用于表征天气预测结果;
预测模块,用于根据训练完成后的LSTM模型得到天气预测结果。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面任一所述的长期天气预测方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一所述的长期天气预测方法。
本申请实施例提供的技术方案通过获取历史气象数据,并对历史气象数据进行数据清洗得到历史训练集;历史训练集包括若干个具有时间序列的子训练集;将若干个具有时间序列的子训练集按批次对LSTM模型进行训练;训练的过程具体包括在当前批次子训练集Xn对LSTM模型进行训练结束后,得到的输出向量Yn,将输出向量Yn用于下一批次的训练;输出向量用于表征天气预测结果,根据训练完成后的LSTM模型得到天气预测结果。同时不断获取增量气象数据集进行增量训练经过训练可以得到增量学习后的模型,提高了时间和空间的利用率。相比于现有技术本申请可以提高天气预测的准确率和计算效率。
附图说明
图1为本申请实施例提供的长期天气预测方法实施环境示意图;
图2为本申请实施例提供的长期天气预测方法的流程图;
图3为本申请实施例提供另一种的长期天气预测方法的流程图;
图4为本申请实施例提供的一种长期天气预测装置的框图;
图5为本申请实施例提供的一种计算机设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面,将对本申请实施例提供的全息报文检测方法所涉及到的实施环境进行说明。
图1为本申请实施例提供的长期天气预测方法所涉及到的实施环境的示意图。如图1所示,该实施环境可以包括气象数据提供设备101和服务器102,其中,服务器102中存储有LSTM模型,该模型用于对气象数据进行数据清洗得到的训练集进行训练,并输出用于表征天气预测结果的输出向量。气象数据提供设备101可以是各个地区的气象数据提供平台,且各个气象信息提供平台可以获取小时级别的气象数据。气象数据提供设备101通过网络通信将检测到的气象数据发送给服务器102。
请参考图2,其示出了本申请实施例提供的一种长期天气预测方法的流程图,该长期天气预测方法可以应用于图1中的服务器102中。如图2所示,该长期天气预测方法可以包括以下步骤:
步骤201,获取历史气象数据,并对历史气象数据进行数据清洗得到历史训练集。
在本申请实施例中,获取历史气象数据可以包括从各个地区的气象数据提供平台中获取历史气象数据,也可以包括人工终端直接向服务器输入历史气象数据,并对历史气象数据进行数据清洗得到历史训练集包括将获取到的历史气象数据按照所需要的维度进行数据清洗,再把清洗后符合格式标准的数据存储至服务器。
其中,获取到的气象数据如表1所示:
表1气象数据表
对获取到的如实施观测时间、温度等等气象数据进行数据清洗,得到历史训练集。
步骤202,将若干个具有时间序列的子训练集按批次对LSTM模型进行训练。
其中,将历史训练集分为具有时间序列若干个批次的子训练集,且每个子训练集的时间周期相同,比如1天、7天、15天等等。在本申请所采用的长短期记忆网络(LongShort-Term Memory Networks,简称LSTM)是为了针对循环神经网络在训练时出现的“梯度消失”和循环神经网络的长期记忆性不足改进的循环神经网络,它加更加适合有较长的序列预测问题。
对LSTM模型训练的具体过程为:将历史训练集X分为N个子训练集X1,X2,X3……,XN,其中第x个子训练集表示其中,n=1,2,3……,N,表示第n个子训练集中第υ个气象数据。对于一个子训练集的训练作为一个批次,利用N个子训练集进行增量训练。
其中,在当前批次子训练集Xn对LSTM模型进行训练结束后,得到的输出向量Yn,将输出向量Yn用于下一批次的训练。即在下一批次训练时,通过下一批次的训练集Xn+1和输出向量Yn对上一次批次训练完成的LSTM模型进行训练,通过反向传播算法更新所述LSTM模型中的各层参数,直至所有子训练集完成训练。
在本申请的一个实施例中,LSTM模型包括一个顺序RNN的神经网络,并在顺序RNN的基础上添加门控单元,门控单元包括遗忘门,其中遗忘门使用Sigmoid作为激活函数。通过LSTM模型的遗忘门对历史训练集进行数据压缩。
压缩是处理被用于训练的数据随着时间不断增长,为了使整个模型维持在可及时训练的程度,通过LSTM遗忘门的开闭来获取整个序列中的关键时刻数据,把这些关键时刻数据依据时序排列构成一个历史上所有数据的子集,这个子集包含了全部数据的重要信息,其中LSTM遗忘门的开闭遗忘门它所带有参数来决定哪些历史数据通过,哪些历史数据不通过,这些参数是通过历史数据训练得到的,先随机指定一组参数,计算在这些参数下得到的预测结果与真实结果的误差,然后朝着误差减小的方向改变这些参数,最终得到一定范围内的最优参数。
步骤203,根据训练完成后的LSTM模型得到天气预测结果。
在本申请实施例中,输出向量用于表征天气预测结果,利用采集的气象数据输入到训练完成的LSTM模型中所得到的输出向量即为天气预测结果,其中天气预测结果包括一段时间内的最高气温、最低气温和降水概率,其中输出向量所具有的时间维度与子训练集的时间维度相同。
在本申请一个可选的实施例中,如图3,步骤202,将若干个具有时间序列的子训练集按批次对LSTM模型进行训练之后,方法还包括:
步骤301,获取增量气象数据,并对增量气象数据进行数据清洗得到增量训练集。
其中,增量气象数据通过各地气象信息服务中心每天按照固定的时间间隔产生数据,所产生的新数据以流式数据管道的方式收集,针对获取到的数据流进行数据清洗得到增量训练集。
步骤302,利用增量训练集对LSTM模型进行增量训练得到增量训练后的LSTM模型。
其中,先通过旧有模型得到预测值,随机初始化增量训练集中类别上的参数层,加入增量训练集进行训练,再采用正则化的方式LwF算法用新模型覆盖原有模型。
同样利用通过LSTM遗忘门的开闭来获取整个序列中的关键时刻数据,把这些关键时刻数据依据时序排列构成一个历史上所有数据的子集,这个子集包含了全部数据的重要信息。
步骤303,根据增量训练后的LSTM模型得到天气预测结果。
将通过得到的输出向量与压缩后的增量数据同时作为模型输入,再补充上一次训练模型的参数信息,经过训练可以得到增量学习后的模型,提高了时间和空间的利用率。通过长期不断的更新增量数据从而实现具备准确率和计算效率的长期天气预测。
请参考图4,其示出了本申请实施例提供的一种长期天气预测装置400的框图。如图4所示,该装置400可以包括:获取模块401、训练模块402、预测模块403。
获取模块401,用于获取历史气象数据,并对历史气象数据进行数据清洗得到历史训练集;历史训练集包括若干个具有时间序列的子训练集,每个子训练集具有相同的时间周期;
训练模块402,用于将若干个具有时间序列的子训练集按批次对LSTM模型进行训练;其中,在当前批次子训练集Xn对LSTM模型进行训练结束后,得到的输出向量Yn,将输出向量Yn用于下一批次的训练;输出向量用于表征天气预测结果;
预测模块403,用于根据训练完成后的LSTM模型得到天气预测结果。
关于长期天气预测装置的具体限定可以参见上文中对于长期天气预测方法的限定,在此不再赘述。上述长期天气预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于长期天气预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种长期天气预测方法。
本领域技术人员可以理解,如图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述长期天气预测方法的步骤。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以M种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(SyMchliMk)DRAM(SLDRAM)、存储器总线(RaMbus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种长期天气预测方法,其特征在于,所述方法包括:
获取历史气象数据,并对所述历史气象数据进行数据清洗得到历史训练集;所述历史训练集包括若干个具有时间序列的子训练集,每个所述子训练集具有相同的时间周期;
将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练;其中,在当前批次子训练集Xn对所述LSTM模型进行训练结束后,得到的输出向量Yn,将所述输出向量Yn用于下一批次的训练;所述输出向量用于表征天气预测结果;
根据训练完成后的LSTM模型得到天气预测结果。
2.根据权利要求1所述的方法,其特征在于,将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练之后,所述方法还包括:
获取增量气象数据,并对所述增量气象数据进行数据清洗得到增量训练集;
利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型;
根据增量训练后的LSTM模型得到天气预测结果。
3.根据权利要求2所述的方法,其特征在于,利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型,包括:
利用LwF算法将增量训练后的LSTM模型对增量训练前的模型进行覆盖。
4.根据权利要求1所述的方法,其特征在于,通过LSTM模型的遗忘门对所述历史训练集进行数据压缩。
5.根据权利要求1所述的方法,其特征在于,所述LSTM模型包括一个顺序RNN的神经网络,并在顺序RNN的基础上添加门控单元。
6.根据权利要求5所述的方法,其特征在于,所述门控单元包括遗忘门,其中遗忘门使用Sigmoid作为激活函数。
7.根据权利要求1所述的方法,其特征在于,将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练,包括:
通过反向传播算法更新所述LSTM模型中的各层参数。
8.一种长期天气预测装置,其特征在于,所述装置包括:
获取模块,用于获取历史气象数据,并对所述历史气象数据进行数据清洗得到历史训练集;所述历史训练集包括若干个具有时间序列的子训练集,每个所述子训练集具有相同的时间周期;
训练模块,用于将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练;其中,在当前批次子训练集Xn对所述LSTM模型进行训练结束后,得到的输出向量Yn,将所述输出向量Yn用于下一批次的训练;所述输出向量用于表征天气预测结果;
预测模块,用于根据训练完成后的LSTM模型得到天气预测结果。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任一所述的长期天气预测方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一所述的长期天气预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797181.5A CN113537591A (zh) | 2021-07-14 | 2021-07-14 | 长期天气预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797181.5A CN113537591A (zh) | 2021-07-14 | 2021-07-14 | 长期天气预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537591A true CN113537591A (zh) | 2021-10-22 |
Family
ID=78099160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110797181.5A Pending CN113537591A (zh) | 2021-07-14 | 2021-07-14 | 长期天气预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537591A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144934A (zh) * | 2022-06-29 | 2022-10-04 | 合肥本源量子计算科技有限责任公司 | 基于变分量子线路的气象预测方法及相关设备 |
CN116805045A (zh) * | 2023-08-17 | 2023-09-26 | 北京电科智芯科技有限公司 | 气象预测模型修正方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401515A (zh) * | 2020-02-14 | 2020-07-10 | 江苏大学 | 利用训练过程压缩和记忆巩固构建增量式lstm的方法 |
US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
CN112990556A (zh) * | 2021-02-24 | 2021-06-18 | 江苏大学 | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
-
2021
- 2021-07-14 CN CN202110797181.5A patent/CN113537591A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
CN111401515A (zh) * | 2020-02-14 | 2020-07-10 | 江苏大学 | 利用训练过程压缩和记忆巩固构建增量式lstm的方法 |
CN112990556A (zh) * | 2021-02-24 | 2021-06-18 | 江苏大学 | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
Non-Patent Citations (4)
Title |
---|
丁子昂等: "基于CEEMD-Pearson和深度LSTM混合模型的PM2.5浓度预测方法", 《计算机科学》 * |
夏政: "基于稀疏分布激活的增量式LSTM研究", 《中国优秀硕士学位论文全文数据库》 * |
杨函: "基于深度学习的气象预测研究", 《中国优秀硕士学位论文全文数据库》, pages 34 - 35 * |
段大高等: "基于LSTM的PM2.5浓度预测模型", 《计算机测量与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144934A (zh) * | 2022-06-29 | 2022-10-04 | 合肥本源量子计算科技有限责任公司 | 基于变分量子线路的气象预测方法及相关设备 |
CN115144934B (zh) * | 2022-06-29 | 2023-11-03 | 合肥本源量子计算科技有限责任公司 | 基于变分量子线路的气象预测方法及相关设备 |
CN116805045A (zh) * | 2023-08-17 | 2023-09-26 | 北京电科智芯科技有限公司 | 气象预测模型修正方法、装置、设备及可读存储介质 |
CN116805045B (zh) * | 2023-08-17 | 2024-01-23 | 北京电科智芯科技有限公司 | 气象预测模型修正方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahman et al. | Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks | |
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
CN113537591A (zh) | 长期天气预测方法、装置、计算机设备及存储介质 | |
CN111861023B (zh) | 基于统计学的混合风电功率预测方法、装置 | |
EP4135264A1 (en) | Method and apparatus for predicting node state | |
CN110210656B (zh) | 基于站点行为分析的共享单车流量预测方法及系统 | |
Heng et al. | Probabilistic and deterministic wind speed forecasting based on non-parametric approaches and wind characteristics information | |
CN110929954A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN111612281A (zh) | 一种地铁站人流量峰值的预测方法、装置和计算机设备 | |
CN111275169A (zh) | 一种短时期建筑热负荷预测的方法 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN112988538B (zh) | 人工智能开发平台监控告警数据预测方法、装置及介质 | |
CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
CN113362637A (zh) | 一种区域性多场点空余停车位预测方法及系统 | |
CN117543544A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
CN111679953B (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
CN110232437B (zh) | 基于cnn的时间序列预测方法和模型确定方法 | |
WO2021151324A1 (zh) | 基于迁移学习的医疗数据处理方法、装置、设备及介质 | |
CN115545362B (zh) | 一种人工智能与时序分解组合的新能源中期功率预测方法 | |
CN117114190A (zh) | 一种基于混合深度学习的河道径流预测方法及设备 | |
CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
CN116885699A (zh) | 基于双重注意力机制的电力负荷预测方法 | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 |
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 |