CN114764602A - 基于时空注意力和数据融合的短临降水预测方法 - Google Patents

基于时空注意力和数据融合的短临降水预测方法 Download PDF

Info

Publication number
CN114764602A
CN114764602A CN202210489922.8A CN202210489922A CN114764602A CN 114764602 A CN114764602 A CN 114764602A CN 202210489922 A CN202210489922 A CN 202210489922A CN 114764602 A CN114764602 A CN 114764602A
Authority
CN
China
Prior art keywords
data
attention
space
time
fusion
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
CN202210489922.8A
Other languages
English (en)
Inventor
牛丹
秦镛淳
车弘书
彭嘉炜
杨雪松
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202210489922.8A priority Critical patent/CN114764602A/zh
Publication of CN114764602A publication Critical patent/CN114764602A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G01S13/958—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • 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
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Electromagnetism (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于时空注意力和数据融合的短临降水预测方法，首先输入多源异构数据并对数据预处理，其次，将去噪后的数据输入基于注意力的时空扩散模块，将不同模态的不同时空分辨率数据在时间和空间尺度上扩散对齐；而后通过自适应注意力融合模块实现高维语义与低维语义的融合，然后，将对齐后的历史雷达回波图序列与模式预测数据序列分别输入包含卷积层和ConvLSTM模块的雷达回波图编码器与模式数据编码器进行数据编码，接着，将编码后的雷达回波图数据和模式数据通过卷积改变数据的特征通道数，得到融合后的数据；最后，将雷达回波编码器得到的数据流与融合后的数据流输入包含卷积层和ConvLSTM模块的解码器进行数据解码，得到预测雷达回波图序列并进行Z‑R变换，得到降水预测结果。

Description

基于时空注意力和数据融合的短临降水预测方法
技术领域
本发明属于天气预报技术领域，具体涉及多数据融合、深度学习预测的短临降水预测方法。
背景技术
传统的短临降水预报方法可概括为三类，一是基于统计方法进行预测，比如物理统计模型法；二是基于模式数值进行预测；三是基于雷达图进行预测。但由于天气系统的随机性，降水受气候带、地理高度、季风环流等多因素的影响使短临降水的变化趋势呈现高度非线性，传统的方法并不能很好地处理短临降水中的非线性关系。
人工神经网络近年来被应用于气象预报领域，它能够对非线性系统进行建模，利用深度学习，通过多层的网络结构和非线性变换来提取低层的特征，从而发现气候特征与气候现象之间的联系。传统神经网络方法以简单的卷积神经网络和循环神经网络为主，往往在单一时间点或者单一的空间位置上考虑气象数据的变化并进行预测，没有考虑到气象数据是具有全局的时空关系的，因此急需一种能够同时对时间和空间进行建模的技术。近年来受到广泛关注的注意力机制可以用来衡量输入数据之间的相关性，现存的方法关注了注意力机制在图像处理中的应用，但没有考虑到将其应用于时空预测问题的可能性。此外传统神经网络方法多采用单一模态输入，即输入数据是雷达回波图、云层分布、湿度分布等数据中的某一种，故不能很好的利用庞大的数据来提高对短临降水的预测能力，因此需要一种可以通过多模态输入来提升短临降水预报精度的技术。另外多模态数据常存在时间和空间分辨率不一致，传统的基于人工经验进行变权重修正时空分辨率的方法不能有效的根据时间和空间的不同进行区别性时空扩展，不利于后面的特征提取和数据融合。
发明内容
本发明正是针对现有技术中存在的技术问题，提供一种基于时空注意力和数据融合的短临降水预测方法，该方法不仅有助于提高短时降水预报的准确性，对农业、交通、电力等行业具有实际意义，而且提高了对于多源异构信息的数据挖掘效率与深度，解决了多模态输入与数据融合的问题。
为了实现上述目的，本发明的技术方案如下：一种基于时空注意力和数据融合的短临降水预测方法，其包括以下步骤：
S1：输入数据并对数据预处理；
S2：将去噪后的数据输入基于注意力的时空扩散模块，将不同模态的数据在时间和空间尺度上对齐，而后通过自适应注意力融合模块实现高维语义与低维语义的融合；
S3：将对齐后的雷达回波图序列与模式数据序列分别输入包含卷积层和ConvLSTM模块的雷达回波图编码器与模式数据编码器进行数据编码，得到编码后的雷达回波图数据和模式数据；
S4：将编码后的雷达回波图数据和模式数据通过卷积改变数据的特征通道数，通过残差相加进行特征融合，得到融合后的数据；
S5：将雷达回波编码器得到的数据流与融合后的数据流输入包含卷积层和ConvLSTM模块的解码器进行数据解码，得到预测雷达回波图序列并进行Z-R变换，得到短临降水预测结果序列并输出，完成短临降水预测任务。
在上述步骤S1中，对输入的雷达回波图序列以及的模式数据序列预处理包括以下步骤：对原始的雷达回波图以及模式数据采取硬阈值函数的小波去噪，进行数据去噪。硬阈值小波去噪可以很好地保留信号边缘等局部特征，相比其他去噪方法可以更好的保留关键部位同时去除噪点。
上述步骤S2中雷达回波图编码器与模式数据进行编码的过程如下：
由于输入的雷达回波图分辨率为1km*1km，时间间隔为12min，而模式数据分辨率3km*3km，时间间隔为60min，因而造成了时空上的不匹配。本发明提出用带有时空注意力机制的卷积神经网络将不同模态的数据进行时空层面上的对齐。首先去噪后的数据输入基于注意力的时空扩散模块，将不同模态的数据在时间和空间尺度上对齐；然后将对齐后的数据输入卷积网络编码器中，抽取特征同时调整分辨率和通道数量；最后将抽取得到的高维和低位信息通过自适应注意力融合模块实现融合；由于在处理不同输入时权重共享，因此可以适应不同尺寸的输入并进行有效的融合。通过设计基于注意力的时空扩散模块和自适应注意力融合模块，从输入数据中提取出有效特征，相较普通插值方法更符合数据的分布特性。该方案可以实现动态插值，不依赖于固定的插值方法，对于不同的输入数据具有更大灵活性和适应性。通过时空注意力机制挖掘出输入数据在时空尺度上的依赖性，从而提取出更有价值的特征。
上述步骤S3中雷达回波图编码器与模式数据进行编码的过程如下：雷达回波图编码器与模式数据编码器的卷积层都使用3×3的卷积核对图像进行卷积操作，编码器的ConvLSTM模块都使用5×5的卷积核。
上述步骤S4中数据融合过程，将同一编码器同一级的ConvLSTM输出的隐状态3×3的卷积核进行叠加，残差结构将雷达回波图编码器输出的隐状态直接叠加在叠加结果上。该方案可以通过不同大小卷积核实现在不同层次上的数据融合，提高数据融合的强度与广度。
上述步骤S5中解码过程，解码器中三层ConvLSTM模块的隐状态采用经过数据融合处理所得的隐状态，并且采取数据融合所得的隐状态依照解码器顺序输入的前序方案；生成模型采用线性插值的方法将特征图的尺寸放大。解码器中两层卷积层分别使用3*3的卷积核和1*1卷积核。雷达回波图图像像素值依据关系式
Figure BDA0003631200260000031
计算出对数雷达反射率因子
Figure BDA0003631200260000032
然后根据关系式 dBz＝10loga+10b logR，计算降水强度R，式中常量a＝58.53,b＝1.56，完成短临降水预测任务。
相对于现有技术，本发明的优点如下：
1)本发明提出的降水预测方法，将雷达回波图和数值预报模式数据进行融合，通过带有时空注意力机制的卷积神经网络将不同模态的数据进行时空层面上的对齐，并通过ConvLSTM构建序列到序列模型，较大提升了对短临降水天气的预测精度；
2)本发明提出的基于注意力的时空扩散模块和自适应注意力融合模块，可以实现动态插值，不依赖于固定的插值方法，对于不同的输入数据具有更大灵活性和适应性，通过时空注意力机制可以挖掘出输入数据在时空尺度上的依赖性，从而提取出更有价值的特征；
3)本发明提出在数据处理阶段应用硬阈值小波去噪，小波去噪可以很好地保留信号边缘等局部特征，相比其他去噪方法可以更好的保留关键部位同时去除噪点，提升了短临降水预报的精度；
4)本发明提出的包含残差结构的卷积融合器，可以通过不同大小卷积核实现在不同层次上的数据融合，提高数据融合的强度与广度，增强短临降水预报的精度。
附图说明
图1为步骤S1中时空注意力机制；
图2为步骤S3和步骤S4的示意图；
图3为基于时空注意力和数据融合的短临降水预测方法的流程图。
具体实施方法
为了加深对本发明的认识和理解，下面结合附图和具体实施例对本申请进一步说明。
基于时空注意力和数据融合的短临降水预测方法，包括以下步骤：
S1：首先输入t时刻的雷达回波图序列(V1,V2,…,Vt)和模式数据序列 (K1，K2，...，Kt)，对输入数据进行数据的小波阈值去噪；
S2：其次，将去噪后的数据输入基于注意力的时空扩散模块，将不同模态的数据在时间和空间尺度上对齐。而后通过自适应注意力融合模块实现高维语义与低维语义的融合；
S3：然后，将对齐后的雷达回波图序列与模式数据序列分别输入包含卷积层和ConvLSTM模块的雷达回波图编码器与模式数据编码器进行数据编码，得到编码后的雷达回波图数据和模式数据。
S4：接着，将编码后的雷达回波图数据和模式数据通过卷积改变数据的特征通道数，通过残差相加进行特征融合，得到融合后的数据；
S5：最后，将雷达回波编码器得到的数据流与融合后的数据流输入包含卷积层和ConvLSTM模块的解码器进行数据解码，得到预测雷达回波图序列并进行Z-R变换，得到降水预测结果。
其中，该方案中提出的两种时空注意力结构如图1所示，分别为时间注意力和空间注意力。在时间注意力中将输入数据分别做平均池化和最大池化，再将结果分别通过卷积层提取特征，最后做残差相加作为输出，由此可以更关注输入在时序上的相关性。而在空间注意力中，将输入做平均池化和最大池化后直接将其拼接起来再通过卷积层提取特征，最后做残差相加，由此更多关注空间相关性。本专利中应用到的两种融合模块分别为基于注意力的时空扩散模块和自适应注意力融合模块，其详细结构如下：
基于注意力的时空扩散模块包含了空间扩散模块和时间扩散模块。首先通过层次残差连接加堆叠的方式将时间注意力、空间注意力和卷积层组合成为时空注意力模块。其次，由于输入的模式数据相较于雷达回波数据是较为稀疏的，因此空间扩散模块中先对其空间分辨率进行扩增因而在时空注意力模块后连接两个卷积层，将空间分辨率由3KM升至1KM；而经过空间扩增的数据仍需要时序上的增广，因而在时间扩散模块中首先进行卷积处理，再连接两个时空注意力模块，将其时间分辨率由1小时升至12分钟。
自适应注意力融合模块由1*1卷积和时空注意力模块组成。输入的模式数据由于经过的卷积层数不同，被分为了高层语义信息和低层语义信息，自适应注意力融合模块可以将抽取得到的高维和低位信息实现融合。首先将输入数据输入时空注意力模块，接着将其输入1*1卷积，用来调整特征通道数量。由于在处理不同输入时权重共享，因此可以适应不同尺寸的输入并进行有效的融合。
该方案使用ConvLSTM模块来处理时空信息，ConvLSTM模块是一种基于卷积的神经网络结构，其与LSTM的区别在于将LSTM中的矩阵乘法改为卷积层，可以用来处理时空序列信息。
解码器部分总体包含以下两种模块：ConvLSTM模块和卷积层。解码器中三层ConvLSTM模块的隐状态采用经过数据融合处理所得的隐状态，并且采取数据融合所得的隐状态依照解码器顺序输入的前序方案；解码器中两层卷积层分别使用3*3的卷积核和1*1卷积核。解码器中的卷积层用于将小尺寸的特征图还原为全尺寸的回波图像，是用于生成预测结果的重要组成部分，使用了线性插值加卷积来代替反卷积。该方法包含两部分：1)用一般的上采样方法(最近邻,双线性插值等)改变图像尺寸,对特征图进行放大。2)在第1)步得到的放大的特征图基础上进行卷积。雷达回波图图像像素值依据关系式
Figure BDA0003631200260000051
计算出对数雷达反射率因子
Figure BDA0003631200260000052
然后根据关系式dBz＝10loga+10b logR，计算降水强度R，式中常量a＝58.53,b＝1.56，完成短临降水预测任务。
实施例1：本方法验证数据集为广东省气象局提供的雷达回波图及模式数据。其中，雷达回波图的地域范围为华南地区，数据单位dBZ表示雷达回波强度，一般情况下取值在0-80dBZ范围内。经度跨度为107°E-119°E。纬度跨度18°N -27°N。时间跨度为2017年3月至2018年12月。分辨率为1千米。数据间隔时间为12分钟。Z-R关系表示反射率Z和降水强度R(mm/h)之间的关系，其中，dBZ＝10log10a+10blog10R，a，b为雷达自身参数，本实验中取值：a＝58.53,b＝1.56。常用dBZ描述降水情况，一般情况下该值越大，反应降水越大。本实验截取的空间范围：108.6°E-117.6°E，18.0°N-27.0°N，分辨率为3千米。此处0.01°≈1千米。此外，模式数据23个特征值，包含不同高度的湿度(9个)，风速(12个)，为华南地区GRAPES提供，矩阵大小为100*100*23，分辨率为3千米和1小时。结合实验经验，本实验使用前10个时刻的雷达回波图与网格化温度总降水以预测后10个时刻的雷达回波图。
气象领域中降水预测评价指标为CSI评分：
Figure BDA0003631200260000061
其中TP为正确预报格点数，FN为漏报格点数，FP为误报格点数。本实验旨在提高降水预测的网格序列的CSI评分。r值为经过Z-RC变换后得到的降雨强度等级，与降水播报的对应关系如表1所示。
表1r值与降水播报的对应关系如下
r值档位 降水播报
r≥0.5 微雨
r≥2 小雨
r≥5 中雨
r≥10 大雨
r≥30 暴雨
传统方法通常采用雷达回波图或模式数据分开进行预测，而我们使用数据融合的模式构建深度学习神经网络模型，表2显示了几种模型对该实验数据的CSI 指标在不同等级下预测的平均得分,CSI指标越高，表明降水预测精度越高。由下表可见，本方法与传统方法相比预测分数有明显的提升。
表2本发明实施模型预测分数与其他方法对比结果
Figure BDA0003631200260000062
实施例2：本实施例公开了另一种基于时空注意力机制的数据融合方法。在本实施例中，数据融合不再发生于三层编码器的完整阶段，而式仅仅对最后一层编码器进行融合，实质上可以看作实施例一的一种简化版。这样做的目的在于减少计算复杂度的同时保留尽可能多的预测精度。本实施例所用数据集为广东省气象局提供的雷达回波图及模式数据。经度跨度为107°E-119°E。纬度跨度18°N -27°N。时间跨度为2017年3月至2018年12月。分辨率为1千米。数据间隔时间为12分钟。在融合器参数量降低至原有的三分之一的情况下，对于不同r 值的降水预报CSI评分平均降低11％。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。

Claims (6)

1.一种基于时空注意力和数据融合的短临降水预测方法，所述方法包括以下步骤：
S1：输入数据并对数据预处理；
S2：将去噪后的数据输入基于注意力的时空扩散模块，将不同模态的异构数据在时间和空间尺度上对齐，而后通过自适应注意力融合模块实现高维语义与低维语义的融合；
S3：将对齐后的历史雷达回波图序列与模式预测数据序列分别输入包含卷积层和ConvLSTM模块的雷达回波图编码器与模式数据编码器进行数据编码，得到编码后的雷达回波图数据和模式数据；
S4：将编码后的历史雷达回波图数据和模式预测数据通过卷积改变数据的特征通道数，通过残差相加进行特征融合，得到融合后的数据；
S5：将雷达回波编码器得到的数据流与融合后的数据流输入包含卷积层和ConvLSTM模块的解码器进行数据解码，得到预测雷达回波图序列并进行Z-R变换，得到降水预测结果。
2.权利要求1所述的基于时空注意力和数据融合的短临降水预测方法，其特征在于：所述步骤S1中，输入前t时刻的雷达回波图序列(V1,V2,…,Vt)以及对应时刻的模式数据序列(K1，K2，...，Kt)，对输入数据进行数据的小波阈值去噪与插值。
3.根据权利要求1所述的基于时空注意力和数据融合的短临降水预测方法，其特征在于：所述步骤S2中主要包含以下步骤：
S21：提出两种时空注意力结构，分别为时间注意力和空间注意力，在时间注意力中将输入数据分别做平均池化和最大池化，再将结果分别通过卷积层提取特征，最后做残差相加作为输出，在空间注意力中，将输入做平均池化和最大池化后直接将其拼接起来再通过卷积层提取特征，最后做残差相加；
S22：基于注意力的时空扩散模块包含了空间扩散模块和时间扩散模块，首先通过层次残差连接加堆叠的方式将时间注意力、空间注意力和卷积层组合成为时空注意力模块，其次，空间扩散模块中先对其空间分辨率进行扩增，而后在时空注意力模块后连接两个卷积层，将空间分辨率由3KM升至1KM；而经过空间扩增的数据在时间扩散模块中首先进行卷积处理，再连接两个时空注意力模块，将其时间分辨率由1小时升至12分钟；
S23：自适应注意力融合模块由1*1卷积和时空注意力模块组成，首先将输入数据输入时空注意力模块，接着将其输入1*1卷积调整特征通道数量并进行高层语义信息和低层语义信息的融合。
4.根据权利要求1所述的基于时空注意力和数据融合的短临降水预测方法，其特征在于：所述步骤S3中，雷达回波图编码器与模式数据编码器的卷积层都使用3×3的卷积核对图像进行卷积操作，编码器的ConvLSTM模块都使用5×5的卷积核。
5.根据权利要求1所述的基于时空注意力和数据融合的短临降水预测方法，其特征在于：所述步骤S4中，将雷达回波图编码器和模式数据同一级的ConvLSTM输出的隐状态通过3×3的卷积核进行叠加，通过残差连接将雷达回波图编码器输出的隐状态直接叠加在结果上。
6.根据权利要求1所述的基于时空注意力和数据融合的短临降水预测方法，其特征在于：所述步骤S5中，将数据输入卷积层之前首先采用线性插值的方法将特征图的尺寸放大，两层卷积层分别使用3*3的卷积核和1*1卷积核处理尺寸放大后的特征图，解码器中三层ConvLSTM模块的隐状态采用经过数据融合处理所得的隐状态，并且将数据融合所得的隐状态依照编码顺序输入解码器，雷达回波图图像像素值依据关系式
Figure FDA0003631200250000021
计算出对数雷达反射率因子
Figure FDA0003631200250000022
然后根据关系式dBz＝10loga+10blogR，计算降水强度R，式中常量a＝58.53,b＝1.56，完成短临降水预测任务。
CN202210489922.8A 2022-05-07 2022-05-07 基于时空注意力和数据融合的短临降水预测方法 Pending CN114764602A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210489922.8A CN114764602A (zh) 2022-05-07 2022-05-07 基于时空注意力和数据融合的短临降水预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210489922.8A CN114764602A (zh) 2022-05-07 2022-05-07 基于时空注意力和数据融合的短临降水预测方法

Publications (1)

Publication Number Publication Date
CN114764602A true CN114764602A (zh) 2022-07-19

Family

ID=82365450

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210489922.8A Pending CN114764602A (zh) 2022-05-07 2022-05-07 基于时空注意力和数据融合的短临降水预测方法

Country Status (1)

Country Link
CN (1) CN114764602A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116055651A (zh) * 2023-01-06 2023-05-02 广东电网有限责任公司 多中心能源经济数据的共享访问方法、装置、设备及介质
CN117368881A (zh) * 2023-12-08 2024-01-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种融合多源数据的长序列雷达图像预测方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116055651A (zh) * 2023-01-06 2023-05-02 广东电网有限责任公司 多中心能源经济数据的共享访问方法、装置、设备及介质
CN116055651B (zh) * 2023-01-06 2023-11-10 广东电网有限责任公司 多中心能源经济数据的共享访问方法、装置、设备及介质
CN117368881A (zh) * 2023-12-08 2024-01-09 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种融合多源数据的长序列雷达图像预测方法及系统
CN117368881B (zh) * 2023-12-08 2024-03-26 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种融合多源数据的长序列雷达图像预测方法及系统

Similar Documents

Publication Publication Date Title
CN114764602A (zh) 基于时空注意力和数据融合的短临降水预测方法
CN110781773B (zh) 一种基于残差神经网络的道路提取方法
CN112991354A (zh) 一种基于深度学习的高分辨率遥感影像语义分割方法
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
CN116449462B (zh) 海浪有效波高时空序列预测方法、系统、存储介质及设备
CN115830575A (zh) 一种基于Transformer与跨维度注意力的交通标志检测方法
CN115497002A (zh) 一种多尺度特征融合的激光雷达遥感分类方法
Mu et al. Simulation, precursor analysis and targeted observation sensitive area identification for two types of ENSO using ENSO-MC v1. 0
Sriram et al. Deepcomp: A hybrid framework for data compression using attention coupled autoencoder
CN111586151B (zh) 基于区块链的智慧城市数据共享系统及方法
Zeng et al. Multi-level context feature fusion for semantic segmentation of ALS point cloud
CN117058367A (zh) 高分辨率遥感影像建筑物语义分割方法及装置
CN116152206A (zh) 一种光伏输出功率预测方法、终端设备及存储介质
CN116612393A (zh) 一种太阳辐射预测方法、系统、电子设备及存储介质
CN113343861B (zh) 一种基于神经网络模型的遥感图像水体区域提取方法
CN116152263A (zh) 一种基于cm-mlp网络的医学图像分割方法
CN115187775A (zh) 一种遥感图像语义分割方法及装置
CN115984233A (zh) 一种基于分组归一化和移位的图像裂缝检测方法
CN115631405A (zh) 一种基于SegFormer的SAR影像海洋内波条纹分割方法
CN115980885A (zh) 基于集合预报的降水预报偏差校正方法
CN115346094A (zh) 一种基于主体区域引导的伪装目标检测方法
CN113377907A (zh) 基于记忆掩码自注意力网络的端到端任务型对话系统
CN113223038A (zh) 一种基于离散余弦变换的掩码表示的实例分割方法
CN117833216A (zh) 基于混合神经网络的光伏电站发电功率预测方法及装置
Wu et al. Environmental Knowledge-Driven Over-the-Horizon Propagation Loss Prediction Based on Short-and Long-Parallel Double-Flow TrellisNets

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