CN113761806B - 一种基于神经网络的大气能见度预测方法 - Google Patents

一种基于神经网络的大气能见度预测方法 Download PDF

Info

Publication number
CN113761806B
CN113761806B CN202111079402.1A CN202111079402A CN113761806B CN 113761806 B CN113761806 B CN 113761806B CN 202111079402 A CN202111079402 A CN 202111079402A CN 113761806 B CN113761806 B CN 113761806B
Authority
CN
China
Prior art keywords
atmospheric visibility
visibility data
data
atmospheric
gate
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
CN202111079402.1A
Other languages
English (en)
Other versions
CN113761806A (zh
Inventor
臧增亮
牛丹
包旭伦
陈夕松
李毅
潘晓滨
陈耀登
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111079402.1A priority Critical patent/CN113761806B/zh
Publication of CN113761806A publication Critical patent/CN113761806A/zh
Application granted granted Critical
Publication of CN113761806B publication Critical patent/CN113761806B/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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及大气观测技术领域，公开了一种基于神经网络的大气能见度预测方法，本发明通过获取大气能见度数据，使用三角函数编码获取大气能见度数据中的时间特征；使用融合线性标准化与K邻近的编码方式对大气能见度数据进行空间特征构造；将时间特征与空间特征添加至大气能见度数据中，生成大气能见度数据集；对大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集；建立融合残差深度门和跳帧传输门的编码器预测器模型，并向编码器预测器模型中输入大气能见度数据集；通过建立融合残差深度门和跳帧传输门的编码器预测器模型，以此对大气能见度数据集进行计算，实现了精确预测大气能见度的效果。

Description

一种基于神经网络的大气能见度预测方法
技术领域
本申请涉及大气观测技术领域，特别是涉及一种基于神经网络的大气能见度预测方法。
背景技术
大气能见度是反映大气透明度的一个指标。一般定义为具有正常视力的人在当时的天气条件下还能够看清楚目标轮廓的最大地面水平距离。近年来，由雾霾引起的低能见度天气影响越来越大，因能见度下降引起的交通事故和航班延误事件不仅带来了重大的经济损失，同时严重影响人们的生活。
目前，能见度预报主要是数值预报和经验预报。数值预报中相应的大气能见度预报方法有数值释用及雾模式预报。数值释用是通过分析污染物浓度及其变化规律后对能见度进行计算的一种的方法。这种方法需要大量计算，因此无法高效地在现实中使用。雾模式只有机理分析用途，也几乎无法进行实际预报。因此，如何精确地对大气能见度进行预测成为了一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于神经网络的大气能见度预测方法，旨在解决现有技术无法精确地对大气能见度进行预测的技术问题。
为实现上述目的，本发明提供了一种基于神经网络的大气能见度预测的方法，所述方法包括：
获取大气能见度数据，使用三角函数编码获取所述大气能见度数据中的时间特征；
使用融合线性标准化与K邻近的编码方式对所述大气能见度数据进行空间特征构造；
将所述时间特征与所述空间特征添加至所述大气能见度数据中，生成大气能见度数据集；
对所述大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集；
建立融合残差深度门和跳帧传输门的编码器预测器模型，并向所述编码器预测器模型中输入所述大气能见度数据集；
利用基于Boosting的集成学习算法对所述编码器预测器模型进行训练，得到综合预测模型；
将所述大气能见度数据输入至所述综合预测模型中以获得大气预测结果。
可选地，所述获取大气能见度数据，使用三角函数编码获取所述大气能见度数据中的时间特征的步骤，包括：
获取大气能见度数据；
使用三角函数编码获取所述大气能见度数据中的时间特征，所述三角函数编码为：
Figure BDA0003263386860000021
Figure BDA0003263386860000022
其中，Month_Conversion表示月份时间特征，Hour_Conversion表示小时时间特征，Month是月份信息，Hour是小时信息。
可选地，所述使用融合线性标准化与K邻近的编码方式对所述大气能见度数据进行空间特征构造的步骤，包括：
计算所述大气能见度数据中的站点之间的经纬度的绝对距离；
将所述绝对距离进行线性标准化后利用K邻近算法对所述绝对距离进行排序，并将排序之后最后得到的一组有序数据作为空间特征。
可选地，所述对所述大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集的步骤，包括：
对所述大气能见度数据集中的模式数据和观测数据进行清洗，所述清洗步骤包括：异常值删除和缺失值填补；
在进行异常值删除时，使用前后非异常值对异常值进行最小曲率插值法替换填补；
在进行缺失值填补时，判断连续缺失值是否超过1个；
若是，则使用前后非缺失值进行最小曲率插值法进行填补；
若否，则使用前后两个非缺失值进行算数平方根填补。
可选地，所述建立融合残差深度门和跳帧传输门的编码器预测器模型，并向所述编码器预测器模型中输入所述大气能见度数据集的步骤，包括：
建立融合残差深度门和跳帧传输门的编码器预测器模型，所述编码器预测器模型的内部计算公式为：
Figure BDA0003263386860000031
Figure BDA0003263386860000032
Figure BDA0003263386860000033
Figure BDA0003263386860000034
……
Figure BDA0003263386860000035
Figure BDA0003263386860000036
其中，ResDepthLSTM()代表带有残差深度门的改进长短期记忆网络，FSTU()代表跳帧传输门，所述跳帧传输门的内部计算公式为：
Conversiont＝tanh(ConvFiltercxxt+ConvFilterchHiddenStatet-1)
Switcht＝σ(ConvFiltersxxt+ConvFiltershHiddenStatet-1)
Figure BDA0003263386860000037
其中，
Figure BDA0003263386860000041
表示hadmard乘积；
向所述编码器预测器模型中输入所述大气能见度数据集。
可选地，所述带有残差深度门的改进长短期记忆网络由三个长短期记忆网络和一个残差深度门构成，内部计算公式如下所示：
Figure BDA0003263386860000042
Figure BDA0003263386860000043
Figure BDA0003263386860000044
Figure BDA0003263386860000045
Figure BDA0003263386860000046
Figure BDA0003263386860000047
其中
Figure BDA0003263386860000048
和
Figure BDA0003263386860000049
分别代表输入门，遗忘门，输出门以及深度门。
可选地，所述建立融合残差深度门和跳帧传输门的编码器预测器模型的步骤之后，还包括：
在编码器预测器加入多结点权重机制来为输入数据分配权重，所述多结点权重机制对应的公式为：
ATT(Qi,K,V)＝softmax(QiKT)V
Figure BDA00032633868600000410
NumberousNode(Q,K,V)＝Concat(Node1,…,Nodeh)
其中ATT()代表传统Attention机制。
本发明通过获取大气能见度数据，使用三角函数编码获取大气能见度数据中的时间特征；使用融合线性标准化与K邻近的编码方式对大气能见度数据进行空间特征构造；将时间特征与空间特征添加至大气能见度数据中，生成大气能见度数据集；对大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集；建立融合残差深度门和跳帧传输门的编码器预测器模型，并向编码器预测器模型中输入大气能见度数据集；通过提取大气能见度中的时间和空间特征并将生成的数据集进行清洗，同时建立融合残差深度门和跳帧传输门的编码器预测器模型，通过预测器模型来根据大气能见度数据集进行计算，实现了精确预测大气能见度的效果。
附图说明
图1为本发明基于神经网络的大气能见度预测方法第一实施例的流程示意图；
图2为本发明基于神经网络的大气能见度预测方法第一实施例中综合预测模型示意图；
图3为本发明基于神经网络的大气能见度预测方法第一实施例中带有残差深度门的改进长短期记忆网络示意图；
图4为本发明基于神经网络的大气能见度预测方法第一实施例中带有跳帧传输门的深度堆叠网络示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1为本发明基于神经网络的大气能见度预测方法第一实施例的流程示意图。
本实施例中，所述基于神经网络的大气能见度预测方法包括以下步骤：
步骤S10：获取大气能见度数据，使用三角函数编码获取所述大气能见度数据中的时间特征。
可以理解的是，三角函数是基本初等函数之一，是以角度(数学上最常用弧度制，下同)为自变量，角度对应任意角终边与单位圆交点坐标或其比值为因变量的函数。也可以等价地用与单位圆有关的各种线段的长度来定义。三角函数在研究三角形和圆等几何形状的性质时有重要作用，也是研究周期性现象的基础数学工具。在数学分析中，三角函数也被定义为无穷级数或特定微分方程的解，允许它们的取值扩展到任意实数值，甚至是复数值。
需要说明的是，获取大气能见度数据的来源是南京信息工程大学大气科学院，站点数据来源为中国环境监测总站，采用十个主要城市的模式数据和站点数据来进行深度学习训练，分别是福州、杭州、南京、宁波、上海、深圳、苏州、温州、无锡和厦门，数据均为每1小时网格数据，时间范围是2019年8月1日至2020年8月1日，总计366天，即8784个小时；其中模式数据的特征为低云比例、中云比例、高云比例、大气能见度、降水量、水汽含量、温度露点差以及2m相对湿度，站点数据的特征为气压、降水量、温度、相对湿度、水汽含量以及大气能见度。
可以理解的是，大气能见度(Visibility)是反映大气透明度的一个指标。一般定义为具有正常视力的人在当时的天气条件下还能够看清楚目标轮廓的最大地面水平距离，还有一种定义为目标的最后一些特征已经消失的最小距离。
进一步地，为了更精确地提取大气能见度数据中的时间特征，所述获取大气能见度数据，使用三角函数编码获取所述大气能见度数据中的时间特征，包括：
获取大气能见度数据；
使用三角函数编码获取所述大气能见度数据中的时间特征，所述三角函数编码为：
Figure BDA0003263386860000061
Figure BDA0003263386860000062
其中，Month_Conversion表示月份时间特征，Hour_Conversion表示小时时间特征，Month是月份信息，Hour是小时信息。
在具体实施中，本实施例的总体模型如图二所示，本实施例针对雾本身的复杂和多变性，以及现有大气能见度预测模型对未来多个时刻的大气能见度预测精度不高等问题，建立单个cell为带有残差深度门的改进长短期记忆网络且神经网络结构为带有跳帧传输门的深度编码器预测器模型，并分别在编码器预测器加入多结点权重机制来为输入数据分配权重。将时间特征、空间特征、模式数据和对应的观测数据作为编码器的输入数据，大气能见度订正特征和模式数据作为预测器的输入数据，利用基于Boosting的集成学习算法进行训练，得到综合预测模型，所述综合预测模型如图2所示。
步骤S20：使用融合线性标准化与K邻近的编码方式对所述大气能见度数据进行空间特征构造。
需要说明的是，K邻近模型是一种用于回归任务和分类任务的简单模型；算法中的邻居代表的是度量空间中的训练实例。度量空间是定义了集合中所有成员之间距离的特征空间。邻居由于估计一个测试实例对应的响应变量值。超参K用来指定估计过程应该包含多少个邻居。一般需要人为指定K的值
进一步地，为了在空间特征构造时更加精确，所述使用融合线性标准化与K邻近的编码方式对所述大气能见度数据进行空间特征构造的步骤，包括：计算所述大气能见度数据中的站点之间的经纬度的绝对距离；将所述绝对距离进行线性标准化后利用K邻近算法对所述绝对距离进行排序，并将排序之后最后得到的一组有序数据作为空间特征。
步骤S30：将所述时间特征与所述空间特征添加至所述大气能见度数据中，生成大气能见度数据集。
在具体实施中，利用t时刻的历史气候特征数据，t时刻由时间特征、空间特征、大气能见度订正特征，以及数值预报的模式特征数据M1,…,Mn和t时刻实际观测的特征数据O1,…,On构建大气能见度数据集，其中，Mi表示t时刻模式预测的第i个特征数据，1≤i≤m，m表示t时刻模式数据的特征总数，Oj表示t时刻实际观测的第j个特征数据，1≤j≤n，n表示t时刻实际观测数据的特征总数。
步骤S40：对所述大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集。
进一步地，所述对所述大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集的步骤，包括：对所述大气能见度数据集中的模式数据和观测数据进行清洗，所述清洗步骤包括：异常值删除和缺失值填补；在进行异常值删除时，使用前后非异常值对异常值进行最小曲率插值法替换填补；在进行缺失值填补时，判断连续缺失值是否超过1个；若是，则使用前后非缺失值进行最小曲率插值法进行填补；若否，则使用前后两个非缺失值进行算数平方根填补。
步骤S50：建立融合残差深度门和跳帧传输门的编码器预测器模型，并向所述编码器预测器模型中输入所述大气能见度数据集。
需要说明的是，残差深度门可以加快模型的训练速度和收敛速度；跳帧传输门能够在非常深的前馈网络中有效地传递梯度，在一定程度上杜绝了梯度消失；另外编码器预测器结构中第L行传播到第一行的连接结构为此神经网络提供了深度，能够更好的传递数据；数据集融合了模式数据和观测数据。
进一步地，所述建立融合残差深度门和跳帧传输门的编码器预测器模型，并向所述编码器预测器模型中输入所述大气能见度数据集的步骤，包括：建立融合残差深度门和跳帧传输门的编码器预测器模型，所述编码器预测器模型的内部计算公式为：
Figure BDA0003263386860000081
Figure BDA0003263386860000082
Figure BDA0003263386860000083
Figure BDA0003263386860000084
……
Figure BDA0003263386860000085
Figure BDA0003263386860000086
其中，ResDepthLSTM()代表带有残差深度门的改进长短期记忆网络，FSTU()代表跳帧传输门，所述跳帧传输门的内部计算公式为：
Conversiont＝tanh(ConvFiltercxxt+ConvFilterchHiddenStatet-1)
Switcht＝σ(ConvFiltersxxt+ConvFiltershHiddenStatet-1)
Figure BDA0003263386860000091
其中，
Figure BDA0003263386860000092
表示hadmard乘积；向所述编码器预测器模型中输入所述大气能见度数据集。
步骤S60：利用基于Boosting的集成学习算法对所述编码器预测器模型进行训练，得到综合预测模型。
进一步地，所述所述带有残差深度门的改进长短期记忆网络由三个长短期记忆网络和一个残差深度门构成，如图3所示，内部计算公式如下所示：
Figure BDA0003263386860000093
Figure BDA0003263386860000094
Figure BDA0003263386860000095
Figure BDA0003263386860000096
Figure BDA0003263386860000097
Figure BDA0003263386860000098
其中
Figure BDA0003263386860000099
和
Figure BDA00032633868600000910
分别代表输入门，遗忘门，输出门以及深度门。
进一步地，所述建立融合残差深度门和跳帧传输门的编码器预测器模型的步骤之后，还包括：在编码器预测器加入多结点权重机制来为输入数据分配权重，所述多结点权重机制对应的公式为：
ATT(Qi,K,V)＝softmax(QiKT)V
Figure BDA00032633868600000911
NumberousNode(Q,K,V)＝Concat(Node1,…,Nodeh)
其中ATT()代表传统Attention机制。
在具体实施中，将数据范围通过5个范围，4个阈值得到5个类别。
Figure BDA0003263386860000101
步骤S70：将所述大气能见度数据输入至所述综合预测模型中以获得大气预测结果。
本实施例通过获取大气能见度数据，使用三角函数编码获取大气能见度数据中的时间特征；使用融合线性标准化与K邻近的编码方式对大气能见度数据进行空间特征构造；将时间特征与空间特征添加至大气能见度数据中，生成大气能见度数据集；对大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集；建立融合残差深度门和跳帧传输门的编码器预测器模型，并向编码器预测器模型中输入大气能见度数据集；通过提取大气能见度中的时间和空间特征并将生成的数据集进行清洗，同时建立融合残差深度门和跳帧传输门的编码器预测器模型，通过预测器模型来根据大气能见度数据集进行计算，实现了精确预测大气能见度的效果。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于神经网络的大气能见度预测方法，其特征在于，所述方法包括：
获取大气能见度数据，使用三角函数编码获取所述大气能见度数据中的时间特征；
使用融合线性标准化与K邻近的编码方式对所述大气能见度数据进行空间特征构造；
将所述时间特征与所述空间特征添加至所述大气能见度数据中，生成大气能见度数据集；
对所述大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集；
建立融合残差深度门和跳帧传输门的编码器预测器模型，并向所述编码器预测器模型中输入所述大气能见度数据集；
利用基于Boosting的集成学习算法对所述编码器预测器模型进行训练，得到综合预测模型；
将所述大气能见度数据输入至所述综合预测模型中以获得大气预测结果。
2.如权利要求1所述的方法，其特征在于，所述获取大气能见度数据，使用三角函数编码获取所述大气能见度数据中的时间特征的步骤，包括：
获取大气能见度数据；
使用三角函数编码获取所述大气能见度数据中的时间特征，所述三角函数编码为：
Figure FDA0003263386850000011
Figure FDA0003263386850000012
其中，Month_Conversion表示月份时间特征，Hour_Conversion表示小时时间特征，Month是月份信息，Hour是小时信息。
3.如权利要求1所述的方法，其特征在于，所述使用融合线性标准化与K邻近的编码方式对所述大气能见度数据进行空间特征构造的步骤，包括：
计算所述大气能见度数据中的站点之间的经纬度的绝对距离；
将所述绝对距离进行线性标准化后利用K邻近算法对所述绝对距离进行排序，并将排序之后最后得到的一组有序数据作为空间特征。
4.如权利要求1所述的方法，其特征在于，所述对所述大气能见度数据集中的模式数据和观测数据进行清洗，获得清洗后的大气能见度数据集的步骤，包括：
对所述大气能见度数据集中的模式数据和观测数据进行清洗，所述清洗步骤包括：异常值删除和缺失值填补；
在进行异常值删除时，使用前后非异常值对异常值进行最小曲率插值法替换填补；
在进行缺失值填补时，判断连续缺失值是否超过1个；
若是，则使用前后非缺失值进行最小曲率插值法进行填补；
若否，则使用前后两个非缺失值进行算数平方根填补。
5.如权利要求1所述的方法，其特征在于，所述建立融合残差深度门和跳帧传输门的编码器预测器模型，并向所述编码器预测器模型中输入所述大气能见度数据集的步骤，包括：
建立融合残差深度门和跳帧传输门的编码器预测器模型，所述编码器预测器模型的内部计算公式为：
Figure FDA0003263386850000021
Figure FDA0003263386850000031
Figure FDA0003263386850000032
Figure FDA0003263386850000033
...
Figure FDA0003263386850000034
Figure FDA0003263386850000035
其中，ResDepthLSTM()代表带有残差深度门的改进长短期记忆网络，FSTU()代表跳帧传输门，所述跳帧传输门的内部计算公式为：
Conversiont＝tanh(ConvFiltercxxt+ConvFilterchHiddenStatet-1)
Switcht＝σ(ConvFiltersxxt+ConvFiltershHiddenStatet-1)
Figure FDA0003263386850000036
其中，
Figure FDA0003263386850000037
表示hadmard乘积；
向所述编码器预测器模型中输入所述大气能见度数据集。
6.如权利要求5所述的方法，其特征在于，所述带有残差深度门的改进长短期记忆网络由三个长短期记忆网络和一个残差深度门构成，内部计算公式如下所示：
Figure FDA0003263386850000038
Figure FDA0003263386850000039
Figure FDA00032633868500000310
Figure FDA00032633868500000311
Figure FDA00032633868500000312
Figure FDA00032633868500000313
其中
Figure FDA0003263386850000041
和
Figure FDA0003263386850000042
分别代表输入门，遗忘门，输出门以及深度门。
7.如权利要求5所述的方法，其特征在于，所述建立融合残差深度门和跳帧传输门的编码器预测器模型的步骤之后，还包括：
在编码器预测器加入多结点权重机制来为输入数据分配权重，所述多结点权重机制对应的公式为：
ATT(Qi,K,V)＝softmax(QiKT)V
Figure FDA0003263386850000043
NumberousNode(Q,K,V)＝Concat(Node1,…,Nodeh)
其中ATT()代表传统Attention机制。
CN202111079402.1A 2021-09-15 2021-09-15 一种基于神经网络的大气能见度预测方法 Active CN113761806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111079402.1A CN113761806B (zh) 2021-09-15 2021-09-15 一种基于神经网络的大气能见度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111079402.1A CN113761806B (zh) 2021-09-15 2021-09-15 一种基于神经网络的大气能见度预测方法

Publications (2)

Publication Number Publication Date
CN113761806A CN113761806A (zh) 2021-12-07
CN113761806B true CN113761806B (zh) 2022-09-02

Family

ID=78795648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111079402.1A Active CN113761806B (zh) 2021-09-15 2021-09-15 一种基于神经网络的大气能见度预测方法

Country Status (1)

Country Link
CN (1) CN113761806B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218375B (zh) * 2023-11-08 2024-02-09 山东科技大学 基于先验知识与数据驱动的环境能见度预测方法及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110471131B (zh) * 2019-08-16 2023-04-18 中国海洋大学 高空间分辨率的精细化大气水平能见度自动预报方法及系统
CN112232543A (zh) * 2020-08-31 2021-01-15 北京工业大学 一种基于图卷积网络的多站点预测方法

Also Published As

Publication number Publication date
CN113761806A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN111639787B (zh) 一种基于图卷积网络的时空数据预测方法
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN111950627B (zh) 一种多源信息融合方法及其应用
CN110232471B (zh) 一种降水传感网节点布局优化方法及装置
CN110533239B (zh) 一种智慧城市空气品质高精度测量方法
CN105488317B (zh) 用于预测空气质量的系统和方法
WO2020043029A1 (zh) 一种通过向量化分析预测大气污染的方法
CN110738354B (zh) 预测颗粒物浓度的方法、装置、存储介质及电子设备
CN112308292A (zh) 一种火灾风险等级分布图的绘制方法
CN115951014A (zh) 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法
CN109472283B (zh) 一种基于多重增量回归树模型的危险天气预测方法和装置
CN113253364B (zh) 一种对站点风速预报结果进行订正的方法及装置
CN113761806B (zh) 一种基于神经网络的大气能见度预测方法
CN112418500A (zh) 一种基于多源数据及复杂模型融合对山区降雨天气预警方法
CN113348471A (zh) 一种大气污染预测中对区域边界优化的方法
CN112215416A (zh) 智能规划巡检航线系统及方法
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
CN114638358A (zh) 消光系数转颗粒物浓度方法、设备以及计算机存储介质
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
Vairoac et al. A Bayesian belief network for local air quality forecasting
KR102002593B1 (ko) 특정공간에서의 유해기체 확산 해석 방법 및 장치
CN110795519A (zh) 基于Markov模型和概率统计的位置预测方法及可读存储介质
CN115840908B (zh) 基于lstm模型的微波链路构建pm2.5三维动态监测场的方法
CN115983329A (zh) 空气质量及气象条件的预测方法、装置、设备及存储介质
CN114970743A (zh) 一种基于多模态深度学习的多源遥感降雨数据融合方法

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
GR01 Patent grant
GR01 Patent grant