CN114509825B - 基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统 - Google Patents
基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统 Download PDFInfo
- Publication number
- CN114509825B CN114509825B CN202111677034.0A CN202111677034A CN114509825B CN 114509825 B CN114509825 B CN 114509825B CN 202111677034 A CN202111677034 A CN 202111677034A CN 114509825 B CN114509825 B CN 114509825B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- neural network
- radar echo
- data
- algorithm
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统,该方法包括:从原始多普勒天气雷达中读取雷达回波数据,生成训练数据集,并将训练数据集划分为多组输入数据;利用遗传算法和交叉熵算法构建混合进化算法;建立基于混合进化算法改进的三维对抗生成神经网络模型;通过训练数据集对三维对抗生成神经网络模型进行训练,得到训练后的三维对抗生成神经网络模型;根据待预测时间范围得出需输入的雷达回波数据的个数N,将最新的N个预处理后的雷达回波数据输入至训练后的三维对抗生成神经网络模型内进行强对流天气预测。本发明能够有效提升强对流天气预测准确度。
Description
技术领域
本发明属于短时临近天气预测技术领域,尤其涉及一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统。
背景技术
强对流天气是夏季非常危险的一种天气现象,其发生时可能伴随冰雹、闪电、强风和短时强降雨等。由于这种天气发生时空间尺度较小且持续时间很短,利用常规的观测仪器很难对其进行有效预测。多普勒天气雷达具有较高的时空分辨率,是目前唯一能够经常对强对流风暴的详细三维结构进行采样的实用仪器。因此,各种基于多普勒天气雷达资料的临近预报算法被开发出来,以协助预报员进行强对流天气的预警。
传统的临近预报方法依靠的是推断风暴回波雷达观测数据的算法,或者是根据预定义的规则合成多源数据的专家系统。例如,风暴单体识别和跟踪(SCIT)算法和雷暴识别跟踪和临近预报(TITAN)算法使用的技术可以识别和跟踪单个风暴,并基于跟踪信息及其外推生成临近预报。相关跟踪反射率回波(TREC)算法使用光流技术计算运动矢量对雷达回波进行外推。专家系统Auto Nowcaster(ANC)结合了各种观测、NWP模式输出、气候数据和基于雷达的跟踪算法,使用模糊逻辑方法生成临近预报。
传统的临近预报方法的性能受到其潜在物理假设的限制。例如,外推方法假设风暴演化是线性的,ANC使用一个基于边界层辐合线的概念模型来预测对流风暴。这些假设只是部分地反映了真实的大气状态。相比之下,机器学习方法可以不依靠物理假设从数据中提取预测信息。基于支持向量机的临近预测方法SBOW可以从4-D VDRAS的历史数据中学习预测知识。SBOW除了能很好地预测风暴的传播外,还显示出了预测风暴开始和增长的潜力。
然而,SBOW的一个缺点是手工构建时空特征(即手工特征工程)。一般来说,手工特性工程是一个非常耗时的过程,它严重依赖于专家的指导。随着每天产生大量的观测雷达数据和气象再分析数据,需要一种直接从这些原始数据学习有用的特征表示,而不需要手工构建特征工程的方法。深度学习方法的进步使这种应用成为可能。深度学习方法,如卷积神经网络、递归神经网络、深度信念网络和复合模型的方法可以从原始数据开始,计算每个表示的分层转换,产生抽象层次,并不断改进特征表示。通过使用一系列这些转换,可以自动学习复杂的特征表示,而无需使用手工特征工程。深度学习方法比传统方法和机器学习取得了更好的性能,但其预测准确度仍有待提高,在强对流天气短时临近预测方面仍然存在一定难度。
综上,传统的临近预报方法的性能受到其潜在物理假设的限制,这些假设只是部分地反映了真实的大气状态,而对于强对流天气预报而言,天气事件本身具有不可重复性,受到区域所处气候带、潮汐、大气环流等气候因素的影响,如果无法对这些因素进行很好的假设会对传统方法的准确度造成很大限制。
机器学习方法,例如SBOW的一个缺点是手工构建时空特征。一般来说,手工特性工程是一个非常耗时的过程,它严重依赖于专家的指导。且就时空相关性很强的气象雷达数据来说,机器学习方法没有考虑其时空相关性,存在空间冗余,当层数较少时模型泛化能力比较差,提高层数会导致参数过多优化效果变差。
当前深度方法大多是运用雷达回波图外推实现的,雷达回波图是按高度或垂直面对原始多普勒雷达回波数据的三维结构进行的截取,只能包含雷达回波数据的部分信息,预测范围有一定的局限性,不能对雷达扫描区域进行较全面的预测,且无论是基于雷达回波图进行外推还是基于原始三维雷达回波信息进行预测的方法,其预测准确度都还存在较大提升空间。
发明内容
本发明针对现有的临近预报方法存在的预测准确度低的问题,提出一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统,通过在原始多普勒雷达中提取的雷达回波数据对神经网络进行训练,并同时对雷达回波数据进行预测,根据雷达回波数据判断是否有强对流天气发生,能够有效提升强对流天气预测准确度。
为了实现上述目的,本发明采用以下技术方案:
本发明一方面提出一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法,包括:
步骤1:从原始多普勒天气雷达中读取雷达回波数据,将多普勒雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,生成训练数据集,并将训练数据集划分为多组输入数据;
步骤2:利用遗传算法和交叉熵算法构建混合进化算法;
步骤3:建立基于混合进化算法改进的三维对抗生成神经网络模型;
步骤4:通过步骤1中所述训练数据集对步骤3中所述三维对抗生成神经网络模型进行训练,得到训练后的三维对抗生成神经网络模型;
步骤5:根据待预测时间范围得出需输入的雷达回波数据的个数N,将最新的N个预处理后的雷达回波数据输入至训练后的三维对抗生成神经网络模型内进行强对流天气预测。
进一步地,所述步骤1包括:
步骤1.1:对多个原始多普勒雷达数据中的雷达回波数据依次进行采集,采集时将雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,然后按照采集顺序分别将三维矩阵以对应的原始多普勒雷达数据的名称存储为txt文本,作为预处理后的雷达回波数据;所述原始多普勒雷达数据的名称包含雷达回波数据的记录时间;
步骤1.2:依据名称中存储的雷达回波数据的记录时间,分别计算预处理后的相邻两个雷达回波数据的时间差,若相邻两个雷达回波数据的时间差大于设定的时间差阈值T,则判定该相邻两个雷达回波数据中存在数据缺失,然后按照均值填补的方法对缺失的数据进行填补,最终得到训练数据集;
步骤1.3:将所述训练数据集划分为多组训练输入数据。
进一步地,所述步骤2包括:
步骤2.1:设置遗传算法的参数,确定变异率P;设置交叉熵算法的参数;选择样本生成机制f(x),确定样本数量N、精英样本数量N1以及平滑系数β;初始化交叉熵算法的参数向量V,交叉熵算法迭代计数器t=1;
步骤2.2:从生成机制f(x)中生成样本x1,···,xN;计算生成样本的目标函数值S(x1),···,S(xN),并按照生成样本的目标函数值从小到大的顺序进行排序,然后按照公式(1)计算最优目标函数值St,并判断是否满足St=St-1=···St-d,d为非负数;若满足则获得对所有生成样本的编码组成初始种群,若不满足则更新参数向量V,令t=t+1继续执行本步骤所述操作,直到获得初始种群;
St=St,(N) (1)
步骤2.3:解码初始种群并计算个体适应度,基于得到的适应度依次执行遗传算法中的选择操作和变异操作生成新一代种群,计算新一代种群最优个体目标函数值Ft;
步骤2.4:判断是否满足Ft>St,
若满足Ft>St,则解码新一代种群获得个体表现型X1,···,XN,然后计算生成样本的目标函数值S(X1),···,S(XN),并按照生成样本的目标函数值从小到大的顺序进行排序,根据公式(1)计算最优目标函数值St,然后继续判断是否满足终止条件,若满足终止条件则输出最优目标函数值St,终止算法,若不满足终止条件则继续执行步骤2.2和步骤2.3;
若不满足Ft>St,则判断是否满足Ft=Ft-1=···Ft-d,若满足则输出最优目标函数值St,终止算法,否则令t=t+1,继续执行步骤2.2。
进一步地,所述步骤3包括:
步骤3.1:建立超参数搜索空间;包括,预先指定各超参数;
步骤3.2:将超参数空间中每一个点所代表的超参数组合编码为染色体形式,通过步骤2中的样本生成方法生成初始种群,再以每个染色体对应的超参数组合为基础构建三维对抗生成神经网络模型。
进一步地,所述步骤4包括:
在步骤1得到的训练数据集上进行训练,并将其在验证数据集上的预测精度视为个体的适应度,迭代进行选择、交叉和变异操作,当满足迭代终止条件后,得到的适应度最高的染色体即为最佳超参数组合,所构建的模型即为预测精度最高的三维对抗生成神经网络模型。
进一步地,所述步骤5中,按照如下方式得出需输入的雷达回波数据的个数N:
N=M÷T
其中M表示待预测时间范围,T表示时间差阈值。
本发明另一方面提出一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测系统,包括:
训练数据集生成模块,用于从原始多普勒天气雷达中读取雷达回波数据,将多普勒雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,生成训练数据集,并将训练数据集划分为多组输入数据;
第一构建模块,用于利用遗传算法和交叉熵算法构建混合进化算法;
第二构建模块,用于建立基于混合进化算法改进的三维对抗生成神经网络模型;
模型训练模块,用于通过训练数据集生成模块中所述训练数据集对第二构建模块中所述三维对抗生成神经网络模型进行训练,得到训练后的三维对抗生成神经网络模型;
预测模块,用于根据待预测时间范围得出需输入的雷达回波数据的个数N,将最新的N个预处理后的雷达回波数据输入至训练后的三维对抗生成神经网络模型内进行强对流天气预测。
进一步地,所述训练数据集生成模块包括:
数据采集子模块,用于对多个原始多普勒雷达数据中的雷达回波数据依次进行采集,采集时将雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,然后按照采集顺序分别将三维矩阵以对应的原始多普勒雷达数据的名称存储为txt文本,作为预处理后的雷达回波数据;所述原始多普勒雷达数据的名称包含雷达回波数据的记录时间;
数据预处理子模块,用于依据名称中存储的雷达回波数据的记录时间,分别计算预处理后的相邻两个雷达回波数据的时间差,若相邻两个雷达回波数据的时间差大于设定的时间差阈值T,则判定该相邻两个雷达回波数据中存在数据缺失,然后按照均值填补的方法对缺失的数据进行填补,最终得到训练数据集;
数据分组子模块,用于将所述训练数据集划分为多组训练输入数据。
进一步地,所述第一构建模块包括:
参数设置子模块,用于设置遗传算法的参数,确定变异率P;设置交叉熵算法的参数;选择样本生成机制f(x),确定样本数量N、精英样本数量N1以及平滑系数β;初始化交叉熵算法的参数向量V,交叉熵算法迭代计数器t=1;
初始种群生成子模块,用于从生成机制f(x)中生成样本x1,···,xN;计算生成样本的目标函数值S(x1),···,S(xN),并按照生成样本的目标函数值从小到大的顺序进行排序,然后按照公式(1)计算最优目标函数值St,并判断是否满足St=St-1=···St-d,d为非负数;若满足则获得对所有生成样本的编码组成初始种群,若不满足则更新参数向量V,令t=t+1继续执行本步骤所述操作,直到获得初始种群;
St=St,(N) (1)
选择和变异子模块,用于解码初始种群并计算个体适应度,基于得到的适应度依次执行遗传算法中的选择操作和变异操作生成新一代种群,计算新一代种群最优个体目标函数值Ft;
判断子模块,用于判断是否满足Ft>St,
若满足Ft>St,则解码新一代种群获得个体表现型X1,···,XN,然后计算生成样本的目标函数值S(X1),···,S(XN),并按照生成样本的目标函数值从小到大的顺序进行排序,根据公式(1)计算最优目标函数值St,然后继续判断是否满足终止条件,若满足终止条件则输出最优目标函数值St,终止算法,若不满足终止条件则继续执行初始种群生成子模块及选择和变异子模块;
若不满足Ft>St,则判断是否满足Ft=Ft-1=···Ft-d,若满足则输出最优目标函数值St,终止算法,否则令t=t+1,继续执行初始种群生成子模块。
进一步地,所述第二构建模块包括:
超参数搜索空间构建子模块,用于建立超参数搜索空间;包括,预先指定各超参数;
模型构建子模块,用于将超参数空间中每一个点所代表的超参数组合编码为染色体形式,通过第一构建模块中的样本生成方法生成初始种群,再以每个染色体对应的超参数组合为基础构建三维对抗生成神经网络模型;
所述模型训练模块具体用于:
在训练数据集生成模块得到的训练数据集上进行训练,并将其在验证数据集上的预测精度视为个体的适应度,迭代进行选择、交叉和变异操作,当满足迭代终止条件后,得到的适应度最高的染色体即为最佳超参数组合,所构建的模型即为预测精度最高的三维对抗生成神经网络模型;
所述预测模块中,按照如下方式得出需输入的雷达回波数据的个数N:
N=M÷T
其中M表示待预测时间范围,T表示时间差阈值。
与现有技术相比,本发明具有的有益效果:
首先本发明采用基于深度学习的强对流预测方法,能够有效避免传统预测方法和机器学习方法中存在的受到其潜在物理假设的限制、依赖于专家的指导等问题,在一定程度上降低预测难度。
其次,本发明所述方法基于原始三维多普勒雷达回波数据,可以有效避免利用雷达回波图外推只包含雷达回波数据的部分信息,预测范围有一定的局限性的问题。
最后,本发明利用遗传算法和交叉熵算法构建混合进化算法,并根据该混合进化算法设计三维对抗生成网络的超参数搜索策略,每次迭代根据模型的评估结果对模型超参数进行调整,获得预测精度最高的三维对抗生成神经网络模型结构,能够有效提高强对流天气的预测准确度。
附图说明
图1为本发明实施例一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法的基本流程图;
图2为本发明实施例一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测系统的架构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法,包括:
步骤S101:从原始多普勒天气雷达中读取雷达回波数据,将多普勒雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,生成(三维对抗生成神经网络模型)训练数据集,并将所述训练数据集划分为多组输入数据。
步骤S102:利用遗传算法和交叉熵算法构建混合进化算法。遗传算法属于进化算法的一种,能够跳出局部最优解的陷阱,具有很好的全局搜索性能,但是存在一定的不足,如局部搜索能力差、收敛速度慢、易发生早熟收敛等。而交叉熵算法作为一种启发式算法,收敛速度快且局部搜索能力较强,但是全局搜索能力很弱,比较容易陷入局部最优解。因此本发明结合遗传算法和交叉熵算法的优点设计了一种混合进化算法。
步骤S103:建立基于混合进化算法改进的三维对抗生成神经网络模型。由于气象数据受到很多物理情况的影响,具有随机性,特别是对流天气,其规律很难掌握,这使得强对流天气的预测精度仍存在较大的提升空间。深度学习技术中的对抗生成神经网络在数据分析与预测方面有着优异的性能,为了获得性能较优的预测模型,需要根据模型的评价指标对模型中的超参数进行调整。为此,结合多普勒雷达数据特征建立预测模型超参数搜索空间,接着结合步骤S102设计的混合进化算法提出超参数搜索策略,利用该策略在相应数据集上建立性能最优的对抗生成神经网络预测模型,即基于混合进化算法改进的三维对抗生成神经网络模型。
步骤S104:利用步骤S101中生成的训练数据集,对步骤S103中得到的基于混合进化算法改进的三维对抗生成神经网络进行训练,最终得到训练后的三维神经对抗生成神经网络。
步骤S105:根据待预测时间范围M,计算得出所输入的多普勒雷达回波数据的个数N,然后将最新的N个预处理后的多普勒雷达回波数据,输入至训练后的对抗生成神经网络内进行强对流天气预测。
进一步地,所述的步骤S101包括以下具体步骤:
步骤S101.1:对多个原始多普勒雷达数据中的雷达回波数据依次进行采集,采集时将雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,然后按照采集顺序分别将三维矩阵以对应的原始多普勒雷达数据的名称存储为txt文本,作为预处理后的多普勒雷达回波数据;每个原始多普勒雷达数据的名称均包含雷达回波的记录时间。
值得说明的是,每个原始多普勒雷达数据均包括多个不连续的雷达回波数据,每个雷达回波数据均是以雷达为中心且以高度、方位角和距离为参数的极坐标数据。每个原始多普勒雷达数据的名称中均包含雷达参数、站点代号和记录时间,因此各个原始多普勒雷达数据的名称不同。
步骤S101.2:依据名称中存储的雷达回波数据的记录时间,分别计算预处理后的相邻两个多普勒雷达回波数据的时间差,若相邻两个雷达回波数据的时间差大于设定的时间差阈值T,则判定这两个相邻的多普勒雷达回波数据中存在数据缺失,然后按照均值填补的方法对缺失的数据进行填补,最终得到三维对抗生成神经网络模型的训练数据集。
具体地,本发明中,可以从多普勒雷达数据的名称中,获取每个多普勒雷达回波数据的记录时间Ct与前一个多普勒雷达回波数据中的记录时间Ct-1,然后计算相邻两个多普勒雷达回波数据的时间差C=Ct-Ct-1,若时间差C大于设定的时间差阈值T,则按照均值填补的方法计算出缺失的多普勒雷达回波数据并进行填补。均值填补法为本领域常规技术,在此不再赘述。时间差阈值T可设定为六分钟。经过填补后的按顺序排列的所有多普勒雷达回波数据,构成三维对抗生成神经网络模型的训练数据集。
步骤S101.3:将步骤S101.2中得到的三维对抗生成神经网络模型的训练数据集划分为多组训练输入数据;
具体地,本发明中,以相邻的N个多普勒雷达回波数据作为一组输入数据,将训练数据集划分为多组训练输入数据。每组训练输入数据中所包含的多普勒雷达回波数据的个数分别为N,与时间差阈值T相乘后可确定所预测的强对流天气的时间范围M,M=N*T,即本申请可预测M分钟内是否会出现强对流天气。
值得说明的是,本发明将训练数据集分组的目的是:首先把训练数据分批次读取输入到神经网络中训练,能减少不必要的内存消耗;其次分组方便设置预测的时长,每个雷达回波的时间间隔固定,通过设置每组的雷达回波个数可以设置预测时长。
作为一种可实施方式,本实施例中,可以将第1个至第N个多普勒雷达回波数据作为第一组输入数据,将第2个至第1+N个多普勒雷达回波数据作为第二组输入数据,将第n个至第n-1+N个多普勒雷达回波数据作为第n组输入数据,依此类推,n为自然数。
进一步地,所述的步骤S102包括以下具体步骤:
步骤S102.1:设置遗传算法的参数(包括样本生成机制f(x)、样本数量N、精英样本数量N1、平滑系数β),确定变异率P;设置交叉熵算法的参数;选择样本生成机制f(x),确定样本数量N、精英样本数量N1以及平滑系数β。初始化交叉熵算法的参数向量V,交叉熵算法迭代计数器t=1。
步骤S102.2:从生成机制中生成样本x1,···,xN;计算生成样本的目标函数值S(x1),···,S(xN),并按照生成样本的目标函数值从小到大的顺序进行排序得到St,(1)﹤﹦···﹤﹦St,(N),然后按公式1计算最优目标函数值St,并判断是否满足St=St-1=···St-d(d为非负数)。若满足则获得对所有生成样本X1,···,XN编码组成初始种群,若不满足则更新参数向量V,令t=t+1继续执行本步骤所述操作,直到获得初始种群。
St=St,(N) (1)
步骤S102.3:解码种群并计算个体适应度,基于得到的适应度依次执行遗传算法中的选择操作和变异操作生成新一代种群,计算新一代种群最优个体目标函数值Ft。
步骤S102.4:判断是否满足Ft>St,若满足Ft>St则解码新一代种群获得个体表现型X1,···,XN,然后算生成样本的目标函数值S(X1),···,S(XN),并按照生成样本的目标函数值从小到大的顺序进行排序得到St,(1)﹤﹦···﹤﹦St,(N)。根据公式1计算最优目标函数值St,然后继续判断是否满足终止条件,若满足终止条件则输出最优目标函数值St,终止算法,若不满足终止条件则继续执行步骤S102.2,S102.3。若不满足Ft>St,判断是否满足Ft=Ft-1=···Ft-d(d为非负数),若满足则输出最优值St,终止算法,否则令t=t+1,继续执行步骤S102.2。
所述的步骤S103包括以下具体步骤:
步骤S103.1:建立超参数搜索空间。在三维对抗生成神经网络模型构建中,预先指定预处理操作、隐层节点数、激活函数、dropout比率、epoch、batchsize、损失函数、优化函数等超参数。超参数搜索空间是所有预定义的超参数的可能取值构成的集合,能够根据模型的评估结果对模型超参数进行调整,获得更优的三维对抗生成神经网络模型结构。
步骤S103.2:建立基于步骤S102设计的混合进化算法的超参数搜索策略。在步骤S103.1建立了超参数搜索空间之后,将超参数空间中每一个点所代表的超参数组合编码为染色体形式,通过步骤S102中的样本生成方法生成初始种群,再以每个染色体对应的超参数组合为基础构建三维对抗生成神经网络模型。
具体地,所述的步骤S104包括:
在步骤S101得到的训练数据集上进行训练,并将其在验证数据集上的预测精度视为个体的适应度,迭代进行选择、交叉和变异等遗传算子操作,当满足迭代终止条件后,得到的适应度最高的染色体即为最佳超参数组合,所构建的模型即为预测精度最高的三维对抗生成神经网络预测模型。
值得说明的是,验证数据集和训练数据集的得出方式相同。
具体地,步骤S105中,按照如下方式得出需输入的雷达回波数据的个数N:
N=M÷T
其中M表示待预测时间范围,T表示步骤S101.2中定义的对抗生成神经网络的训练数据集划分为多组训练输入数据时选用的时间差阈值。
在上述实施例的基础上,本发明另一方面提出一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测系统,包括:
训练数据集生成模块,用于从原始多普勒天气雷达中读取雷达回波数据,将多普勒雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,生成训练数据集,并将训练数据集划分为多组输入数据;
第一构建模块,用于利用遗传算法和交叉熵算法构建混合进化算法;
第二构建模块,用于建立基于混合进化算法改进的三维对抗生成神经网络模型;
模型训练模块,用于通过训练数据集生成模块中所述训练数据集对第二构建模块中所述三维对抗生成神经网络模型进行训练,得到训练后的三维对抗生成神经网络模型;
预测模块,用于根据待预测时间范围得出需输入的雷达回波数据的个数N,将最新的N个预处理后的雷达回波数据输入至训练后的三维对抗生成神经网络模型内进行强对流天气预测。
进一步地,所述训练数据集生成模块包括:
数据采集子模块,用于对多个原始多普勒雷达数据中的雷达回波数据依次进行采集,采集时将雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,然后按照采集顺序分别将三维矩阵以对应的原始多普勒雷达数据的名称存储为txt文本,作为预处理后的雷达回波数据;所述原始多普勒雷达数据的名称包含雷达回波数据的记录时间;
数据预处理子模块,用于依据名称中存储的雷达回波数据的记录时间,分别计算预处理后的相邻两个雷达回波数据的时间差,若相邻两个雷达回波数据的时间差大于设定的时间差阈值T,则判定该相邻两个雷达回波数据中存在数据缺失,然后按照均值填补的方法对缺失的数据进行填补,最终得到训练数据集;
数据分组子模块,用于将所述训练数据集划分为多组训练输入数据。
进一步地,所述第一构建模块包括:
参数设置子模块,用于设置遗传算法的参数,确定变异率P;设置交叉熵算法的参数;选择样本生成机制f(x),确定样本数量N、精英样本数量N1以及平滑系数β;初始化交叉熵算法的参数向量V,交叉熵算法迭代计数器t=1;
初始种群生成子模块,用于从生成机制f(x)中生成样本x1,···,xN;计算生成样本的目标函数值S(x1),···,S(xN),并按照生成样本的目标函数值从小到大的顺序进行排序,然后按照公式(1)计算最优目标函数值St,并判断是否满足St=St-1=···St-d,d为非负数;若满足则获得对所有生成样本的编码组成初始种群,若不满足则更新参数向量V,令t=t+1继续执行本步骤所述操作,直到获得初始种群;
St=St,(N) (1)
选择和变异子模块,用于解码初始种群并计算个体适应度,基于得到的适应度依次执行遗传算法中的选择操作和变异操作生成新一代种群,计算新一代种群最优个体目标函数值Ft;
判断子模块,用于判断是否满足Ft>St,
若满足Ft>St,则解码新一代种群获得个体表现型X1,···,XN,然后计算生成样本的目标函数值S(X1),···,S(XN),并按照生成样本的目标函数值从小到大的顺序进行排序,根据公式(1)计算最优目标函数值St,然后继续判断是否满足终止条件,若满足终止条件则输出最优目标函数值St,终止算法,若不满足终止条件则继续执行初始种群生成子模块及选择和变异子模块;
若不满足Ft>St,则判断是否满足Ft=Ft-1=···Ft-d,若满足则输出最优目标函数值St,终止算法,否则令t=t+1,继续执行初始种群生成子模块。
进一步地,所述第二构建模块包括:
超参数搜索空间构建子模块,用于建立超参数搜索空间;包括,预先指定各超参数;
模型构建子模块,用于将超参数空间中每一个点所代表的超参数组合编码为染色体形式,通过第一构建模块中的样本生成方法生成初始种群,再以每个染色体对应的超参数组合为基础构建三维对抗生成神经网络模型。
进一步地,所述模型训练模块具体用于:
在训练数据集生成模块得到的训练数据集上进行训练,并将其在验证数据集上的预测精度视为个体的适应度,迭代进行选择、交叉和变异操作,当满足迭代终止条件后,得到的适应度最高的染色体即为最佳超参数组合,所构建的模型即为预测精度最高的三维对抗生成神经网络模型。
进一步地,所述预测模块中,按照如下方式得出需输入的雷达回波数据的个数N:
N=M÷T
其中M表示待预测时间范围,T表示时间差阈值。
综上,首先本发明采用基于深度学习的强对流预测方法,能够有效避免传统预测方法和机器学习方法中存在的受到其潜在物理假设的限制、依赖于专家的指导等问题,在一定程度上降低预测难度。
其次,本发明所述方法基于原始三维多普勒雷达回波数据,可以有效避免利用雷达回波图外推只包含雷达回波数据的部分信息,预测范围有一定的局限性的问题。
最后,本发明利用遗传算法和交叉熵算法构建混合进化算法,并根据该混合进化算法设计三维对抗生成网络的超参数搜索策略,每次迭代根据模型的评估结果对模型超参数进行调整,获得预测精度最高的三维对抗生成神经网络模型结构,能够有效提高强对流天气的预测准确度。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法,其特征在于,包括:
步骤1:从原始多普勒天气雷达中读取雷达回波数据,将多普勒雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,生成训练数据集,并将训练数据集划分为多组输入数据;
步骤2:利用遗传算法和交叉熵算法构建混合进化算法;所述步骤2包括:
步骤2.1:设置遗传算法的参数,确定变异率P;设置交叉熵算法的参数;选择样本生成机制f(x),确定样本数量N、精英样本数量N1以及平滑系数β;初始化交叉熵算法的参数向量V,交叉熵算法迭代计数器t=1;
步骤2.2:从生成机制f(x)中生成样本x1,···,xN;计算生成样本的目标函数值S(x1),···,S(xN),并按照生成样本的目标函数值从小到大的顺序进行排序,然后按照公式(1)计算最优目标函数值St,并判断是否满足St=St-1=···St-d,d为非负数;若满足则获得对所有生成样本的编码组成初始种群,若不满足则更新参数向量V,令t=t+1继续执行本步骤所述操作,直到获得初始种群;
St=St,(N) (1)
步骤2.3:解码初始种群并计算个体适应度,基于得到的适应度依次执行遗传算法中的选择操作和变异操作生成新一代种群,计算新一代种群最优个体目标函数值Ft;
步骤2.4:判断是否满足Ft>St,
若满足Ft>St,则解码新一代种群获得个体表现型X1,···,XN,然后计算生成样本的目标函数值S(X1),···,S(XN),并按照生成样本的目标函数值从小到大的顺序进行排序,根据公式(1)计算最优目标函数值St,然后继续判断是否满足终止条件,若满足终止条件则输出最优目标函数值St,终止算法,若不满足终止条件则继续执行步骤2.2和步骤2.3;
若不满足Ft>St,则判断是否满足Ft=Ft-1=···Ft-d,若满足则输出最优目标函数值St,终止算法,否则令t=t+1,继续执行步骤2.2;
步骤3:建立基于混合进化算法改进的三维对抗生成神经网络模型;所述步骤3包括:
步骤3.1:建立超参数搜索空间;包括,预先指定各超参数;
步骤3.2:将超参数空间中每一个点所代表的超参数组合编码为染色体形式,通过步骤2中的样本生成方法生成初始种群,再以每个染色体对应的超参数组合为基础构建三维对抗生成神经网络模型;
步骤4:通过步骤1中所述训练数据集对步骤3中所述三维对抗生成神经网络模型进行训练,得到训练后的三维对抗生成神经网络模型;
步骤5:根据待预测时间范围得出需输入的雷达回波数据的个数N,将最新的N个预处理后的雷达回波数据输入至训练后的三维对抗生成神经网络模型内进行强对流天气预测。
2.根据权利要求1所述的基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法,其特征在于,所述步骤1包括:
步骤1.1:对多个原始多普勒雷达数据中的雷达回波数据依次进行采集,采集时将雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,然后按照采集顺序分别将三维矩阵以对应的原始多普勒雷达数据的名称存储为txt文本,作为预处理后的雷达回波数据;所述原始多普勒雷达数据的名称包含雷达回波数据的记录时间;
步骤1.2:依据名称中存储的雷达回波数据的记录时间,分别计算预处理后的相邻两个雷达回波数据的时间差,若相邻两个雷达回波数据的时间差大于设定的时间差阈值T,则判定该相邻两个雷达回波数据中存在数据缺失,然后按照均值填补的方法对缺失的数据进行填补,最终得到训练数据集;
步骤1.3:将所述训练数据集划分为多组训练输入数据。
3.根据权利要求1所述的基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法,其特征在于,所述步骤4包括:
在步骤1得到的训练数据集上进行训练,并将其在验证数据集上的预测精度视为个体的适应度,迭代进行选择、交叉和变异操作,当满足迭代终止条件后,得到的适应度最高的染色体即为最佳超参数组合,所构建的模型即为预测精度最高的三维对抗生成神经网络模型。
4.根据权利要求1所述的基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法,其特征在于,所述步骤5中,按照如下方式得出需输入的雷达回波数据的个数N:
N=M÷T
其中M表示待预测时间范围,T表示时间差阈值。
5.一种基于混合进化算法改进三维对抗生成神经网络的强对流天气预测系统,其特征在于,包括:
训练数据集生成模块,用于从原始多普勒天气雷达中读取雷达回波数据,将多普勒雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,生成训练数据集,并将训练数据集划分为多组输入数据;
第一构建模块,用于利用遗传算法和交叉熵算法构建混合进化算法;所述第一构建模块包括:参数设置子模块,用于设置遗传算法的参数,确定变异率P;设置交叉熵算法的参数;选择样本生成机制f(x),确定样本数量N、精英样本数量N1以及平滑系数β;初始化交叉熵算法的参数向量V,交叉熵算法迭代计数器t=1;初始种群生成子模块,用于从生成机制f(x)中生成样本x1,···,xN;计算生成样本的目标函数值S(x1),···,S(xN),并按照生成样本的目标函数值从小到大的顺序进行排序,然后按照公式(1)计算最优目标函数值St,并判断是否满足St=St-1=···St-d,d为非负数;若满足则获得对所有生成样本的编码组成初始种群,若不满足则更新参数向量V,令t=t+1继续执行本步骤所述操作,直到获得初始种群;
St=St,(N) (1)
选择和变异子模块,用于解码初始种群并计算个体适应度,基于得到的适应度依次执行遗传算法中的选择操作和变异操作生成新一代种群,计算新一代种群最优个体目标函数值Ft;判断子模块,用于判断是否满足Ft>St,若满足Ft>St,则解码新一代种群获得个体表现型X1,···,XN,然后计算生成样本的目标函数值S(X1),···,S(XN),并按照生成样本的目标函数值从小到大的顺序进行排序,根据公式(1)计算最优目标函数值St,然后继续判断是否满足终止条件,若满足终止条件则输出最优目标函数值St,终止算法,若不满足终止条件则继续执行初始种群生成子模块及选择和变异子模块;若不满足Ft>St,则判断是否满足Ft=Ft-1=···Ft-d,若满足则输出最优目标函数值St,终止算法,否则令t=t+1,继续执行初始种群生成子模块;
第二构建模块,用于建立基于混合进化算法改进的三维对抗生成神经网络模型;所述第二构建模块包括:超参数搜索空间构建子模块,用于建立超参数搜索空间;包括,预先指定各超参数;模型构建子模块,用于将超参数空间中每一个点所代表的超参数组合编码为染色体形式,通过第一构建模块中的样本生成方法生成初始种群,再以每个染色体对应的超参数组合为基础构建三维对抗生成神经网络模型;
模型训练模块,用于通过训练数据集生成模块中所述训练数据集对第二构建模块中所述三维对抗生成神经网络模型进行训练,得到训练后的三维对抗生成神经网络模型;
预测模块,用于根据待预测时间范围得出需输入的雷达回波数据的个数N,将最新的N个预处理后的雷达回波数据输入至训练后的三维对抗生成神经网络模型内进行强对流天气预测。
6.根据权利要求5所述的基于混合进化算法改进三维对抗生成神经网络的强对流天气预测系统,其特征在于,所述训练数据集生成模块包括:
数据采集子模块,用于对多个原始多普勒雷达数据中的雷达回波数据依次进行采集,采集时将雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中,然后按照采集顺序分别将三维矩阵以对应的原始多普勒雷达数据的名称存储为txt文本,作为预处理后的雷达回波数据;所述原始多普勒雷达数据的名称包含雷达回波数据的记录时间;
数据预处理子模块,用于依据名称中存储的雷达回波数据的记录时间,分别计算预处理后的相邻两个雷达回波数据的时间差,若相邻两个雷达回波数据的时间差大于设定的时间差阈值T,则判定该相邻两个雷达回波数据中存在数据缺失,然后按照均值填补的方法对缺失的数据进行填补,最终得到训练数据集;
数据分组子模块,用于将所述训练数据集划分为多组训练输入数据。
7.根据权利要求5所述的基于混合进化算法改进三维对抗生成神经网络的强对流天气预测系统,其特征在于,所述模型训练模块具体用于:
在训练数据集生成模块得到的训练数据集上进行训练,并将其在验证数据集上的预测精度视为个体的适应度,迭代进行选择、交叉和变异操作,当满足迭代终止条件后,得到的适应度最高的染色体即为最佳超参数组合,所构建的模型即为预测精度最高的三维对抗生成神经网络模型;
所述预测模块中,按照如下方式得出需输入的雷达回波数据的个数N:
N=M÷T
其中M表示待预测时间范围,T表示时间差阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677034.0A CN114509825B (zh) | 2021-12-31 | 2021-12-31 | 基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677034.0A CN114509825B (zh) | 2021-12-31 | 2021-12-31 | 基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114509825A CN114509825A (zh) | 2022-05-17 |
CN114509825B true CN114509825B (zh) | 2022-11-08 |
Family
ID=81547617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111677034.0A Active CN114509825B (zh) | 2021-12-31 | 2021-12-31 | 基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114509825B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542431B (zh) * | 2022-11-25 | 2023-03-10 | 成都远望探测技术有限公司 | 一种基于地基云雷达和卫星数据的对流初生监测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456355A (zh) * | 2019-08-19 | 2019-11-15 | 河南大学 | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 |
CN110929798A (zh) * | 2019-11-29 | 2020-03-27 | 重庆邮电大学 | 基于结构优化稀疏卷积神经网络的图像分类方法及介质 |
CN111428862A (zh) * | 2020-03-17 | 2020-07-17 | 中国电子科技集团公司第十四研究所 | 一种极类不平衡时空联合对流初生短临预报方法 |
WO2021073192A1 (zh) * | 2019-10-16 | 2021-04-22 | 大连理工大学 | 一种考虑预报误差降低水库洪水起调水位的预报调度方法 |
CN112926025A (zh) * | 2021-03-09 | 2021-06-08 | 江苏海洋大学 | 一种基于交叉熵遗传算法解决武器目标分配问题的方法 |
CN112949934A (zh) * | 2021-03-25 | 2021-06-11 | 浙江万里学院 | 基于深度学习的短时强降雨预测方法 |
CN113433974A (zh) * | 2021-07-22 | 2021-09-24 | 河南大学 | 一种强对流天气下飞机安全航迹规划方法 |
CN113568068A (zh) * | 2021-07-22 | 2021-10-29 | 河南大学 | 一种基于mpi并行的三维神经网络的强对流天气预测方法 |
WO2021222106A1 (en) * | 2020-04-30 | 2021-11-04 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for predicting post-operative right ventricular failure using echocardiograms |
-
2021
- 2021-12-31 CN CN202111677034.0A patent/CN114509825B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456355A (zh) * | 2019-08-19 | 2019-11-15 | 河南大学 | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 |
WO2021073192A1 (zh) * | 2019-10-16 | 2021-04-22 | 大连理工大学 | 一种考虑预报误差降低水库洪水起调水位的预报调度方法 |
CN110929798A (zh) * | 2019-11-29 | 2020-03-27 | 重庆邮电大学 | 基于结构优化稀疏卷积神经网络的图像分类方法及介质 |
CN111428862A (zh) * | 2020-03-17 | 2020-07-17 | 中国电子科技集团公司第十四研究所 | 一种极类不平衡时空联合对流初生短临预报方法 |
WO2021222106A1 (en) * | 2020-04-30 | 2021-11-04 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for predicting post-operative right ventricular failure using echocardiograms |
CN112926025A (zh) * | 2021-03-09 | 2021-06-08 | 江苏海洋大学 | 一种基于交叉熵遗传算法解决武器目标分配问题的方法 |
CN112949934A (zh) * | 2021-03-25 | 2021-06-11 | 浙江万里学院 | 基于深度学习的短时强降雨预测方法 |
CN113433974A (zh) * | 2021-07-22 | 2021-09-24 | 河南大学 | 一种强对流天气下飞机安全航迹规划方法 |
CN113568068A (zh) * | 2021-07-22 | 2021-10-29 | 河南大学 | 一种基于mpi并行的三维神经网络的强对流天气预测方法 |
Non-Patent Citations (2)
Title |
---|
A Hybrid Method for Short-Term Traffic Congestion Forecasting Using Genetic Algorithms and Cross Entropy;P.Lopez-Garcia等;《IEEE Transactions on Intelligent Transportation Systems》;20160228;第557-569页 * |
基于深度学习的电信客户流失预测研究;张磊;《中国优秀硕士学位论文全文数据库信息科技辑》;20200715(第07期);正文第3-4页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114509825A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumari et al. | Extreme gradient boosting and deep neural network based ensemble learning approach to forecast hourly solar irradiance | |
CN114218870A (zh) | 一种基于变分模态分解与注意力机制的风速预测方法 | |
CN108920812B (zh) | 一种机械加工表面粗糙度预测方法 | |
CN113326969B (zh) | 基于改进的鲸鱼优化算法及elm的短期风速预测方法及系统 | |
CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
CN104239489A (zh) | 利用相似性搜索和改进bp神经网络预测水位的方法 | |
CN114254561A (zh) | 一种内涝预测方法、系统及存储介质 | |
CN106779137A (zh) | 一种根据海况与操纵条件预测船舶油耗的方法 | |
CN110456355B (zh) | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 | |
CN109917394B (zh) | 一种基于天气雷达的短临智能外推方法 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN114509825B (zh) | 基于混合进化算法改进三维对抗生成神经网络的强对流天气预测方法及系统 | |
Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
CN111582541A (zh) | 一种基于萤火虫算法的内涝模型预测方法 | |
CN116596044A (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN113240169A (zh) | 基于多模态数据和上下采样的gru网络的短临降水预测方法 | |
Liu et al. | A spatio-temporal modeling framework for weather radar image data in tropical Southeast Asia | |
Kong et al. | A deep spatio-temporal forecasting model for multi-site weather prediction post-processing | |
CN117277372A (zh) | 一种光储电站多时间尺度联合调度方法、系统及电子设备 | |
CN115329930A (zh) | 一种基于混合深度学习模型的洪水过程概率预报方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
Tang et al. | An EMD-PSO-LSSVM hybrid model for significant wave height prediction | |
CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 |
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 |