CN115169431A - 一种雷暴识别方法及系统 - Google Patents
一种雷暴识别方法及系统 Download PDFInfo
- Publication number
- CN115169431A CN115169431A CN202210531063.4A CN202210531063A CN115169431A CN 115169431 A CN115169431 A CN 115169431A CN 202210531063 A CN202210531063 A CN 202210531063A CN 115169431 A CN115169431 A CN 115169431A
- Authority
- CN
- China
- Prior art keywords
- thunderstorm
- space
- time
- data
- features
- 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 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000015654 memory Effects 0.000 claims description 85
- 230000007246 mechanism Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 25
- 230000007787 long-term memory Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 230000007774 longterm Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000005728 strengthening Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种雷暴识别方法及系统，该雷暴识别方法包括以下步骤：获取具有时间连续性的雷达基数据；根据所述雷达基数据构建雷暴的时空序列数据；从所述时空序列数据中，提取时空特征；将时空特征进行融合；通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。在上述技术方案中，通过采用时空序列数据用于对雷暴天气进行判断，并基于对时空序列数据进行特征提取、融合，根据特征识别算法对融合后的特征进行识别，从而提高对雷暴天气识别的准确度。
Description
技术领域
本说明书一个或多个实施例涉及运天气预测术领域，尤其涉及一种雷暴识别方法及系统。
背景技术
雷暴一般是由对流旺盛的积雨云所产生的强对流天气系统，常伴有强烈的湍流、积冰、闪电和大风，有时还会出现冰雹，龙卷和下击暴流等危险天气现象。
其虽然生命周期较短，在水平尺度的影响范围有限，但是有较强的破坏能力。因而此类天气现象不利于人类出行活动，且极大可能带来严重的气象灾害。如民用航空领域，雷暴会严重干扰飞行器电子系统，甚至造成机体结构破损，使飞机飞行失控导致灾难性后果。而陆地上，雷暴可能会摧毁架空电线，严重时引发火灾或导致建筑物崩塌。因此，提升是否发生雷暴的识别精确率，加强雷暴预警，对防灾减灾有重要的意义
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种雷暴识别方法及系统，提高对雷暴的识别的准确度。
第一方面，提供了一种雷暴识别方法，该雷暴识别方法包括以下步骤：获取具有时间连续性的雷达基数据；根据所述雷达基数据构建雷暴的时空序列数据；从所述时空序列数据中，提取时空特征；将时空特征进行融合；通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。在上述技术方案中，通过采用时空序列数据用于对雷暴天气进行判断，并基于对时空序列数据进行特征提取、融合，根据特征识别算法对融合后的特征进行识别，从而提高对雷暴天气识别的准确度。
在一个具体的可实施方案中，所述根据所述雷达基数据构建雷暴的时空序列数据；具体为：
通过时空序列网络从所述雷达基数据获取与雷暴相关的空间序列和时间序列；
通过所述雷暴相关的空间序列与时间序列对应得到雷暴的时空序列数据。
在一个具体的可实施方案中，所述从所述时空序列数据中，提取时空特征；具体为：
将时空序列数据通过算法编码后得到对应描述时空特征的张量数据。
在一个具体的可实施方案中，所述将时空序列数据通过算法编码后得到对应描述时空特征的张量数据，具体为：
通过加强长时记忆编码的时空特征提取算法提取时空特征。
在一个具体的可实施方案中，所述通过加强长时记忆编码的时空特征提取算法提取时空特征，具体为：
利用RECALL机制加强长时中重要记忆传递的循环时空记忆单元 Attention-CLSTM构建时空特征的提取器；
通过所述提取器提取所述时空特征。
在一个具体的可实施方案中，所述通过所述提取器提取所述时空特征中包括：
利用Softmax函数对重要的时空特征增加影响权重。
在一个具体的可实施方案中，所述将时空特征进行融合，具体为：
通过时序注意力机制Time-attention，对时空特征融合进行优化。
在一个具体的可实施方案中，所述通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级，具体为：
通过卷积神经网络进行特征解码，识别出是否存在雷暴，以及雷暴的强度等级。
第二方面，提供了一种雷暴识别系统，该系统包括：
信息采集单元，用于获取具有时间连续性的雷达基数据；
数据处理单元，用于根据所述雷达基数据构建雷暴的时空序列数据；
从所述时空序列数据中，提取时空特征；将时空特征进行融合；通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。在上述技术方案中，通过采用时空序列数据用于对雷暴天气进行判断，并基于对时空序列数据进行特征提取、融合，根据特征识别算法对融合后的特征进行识别，从而提高对雷暴天气识别的准确度。
在一个具体的可实施方案中，所述数据处理单元还用于将时空序列数据通过算法编码后得到对应描述时空特征的张量数据。
在一个具体的可实施方案中，所述数据处理单元还用于通过加强长时记忆编码的时空特征提取算法提取时空特征。
在一个具体的可实施方案中，所述数据处理单元还用于利用RECALL 机制加强长时中重要记忆传递的循环时空记忆单元Attention-C LSTM构建时空特征的提取器；通过所述提取器提取所述时空特征。
在一个具体的可实施方案中，所述数据处理单元还用于通过卷积神经网络进行特征解码，识别出是否存在雷暴，以及雷暴的强度等级。
第三方面，提供了一种雷暴识别系统，该系统包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述任一所述的雷暴识别方法。在上述技术方案中，通过采用时空序列数据用于对雷暴天气进行判断，并基于对时空序列数据进行特征提取、融合，根据特征识别算法对融合后的特征进行识别，从而提高对雷暴天气识别的准确度。
第四方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现执行第一方面以及第一方面中任意一种可能的设计的方法。
第五方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面以及第一方面中任意一种可能的设计的方法。
第六方面，还提供一种计算机程序产品，包括指令，当其在计算机上运行时，使得计算机执行本申请第一方面以及第一方面中任意一种可能的设计的方法。
另外，第四方面至第六方面中任一种可能设计方式所带来的技术效果可参见方法部分中不同设计方式带来的效果，在此不再赘述。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，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的附图。
图1为本申请实施例提供的雷暴识别方法的流程图；
图2为传统时间记忆状态C的信息流动示意图；
图3为引入RECALL机制的时间记忆状态C的信息流动示意；
图4为本申请实施例提供的Attention-C LSTM单元；
图5为本申请实施例提供的Time-attention机制流程图；
图6为本申请实施例提供的密集连接结构图；
图7为本申请实施例提供的DenseNet结构；
图8为本申请实施例提供的雷暴识别系统的结构框图；
图9为本申请实施例提供的本申请实施例提供的电子设备的结构框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
关于雷暴识别任务，目前主流的机器学习算法大多重点识别瞬时气象数据是否存在雷暴，识别精度较低，且对于雷暴强度等级分类的相关研究较少。论文基于雷暴的时空序列数据，对某时段内是否存在雷暴，以及雷暴无、弱、强三个等级的强度识别进行研究。本章从雷暴的时空序列数据选取，数据特征提取、特征融合，以及特征识别分析影响雷暴识别精度的因素，设计了加强长时记忆编码的特征提取算法，突出重要特征的特征融合算法，以及使用卷积神经网络进行特征解码算法，简称为加强长时记忆编解码的雷暴识别算法。
本文提出的雷暴识别算法对雷暴进行识别的主要流程如图1中所示。该雷暴识别方法包括以下步骤：获取具有时间连续性的雷达基数据；根据所述雷达基数据构建雷暴的时空序列数据；从所述时空序列数据中，提取时空特征；将时空特征进行融合；通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。在上述技术方案中，通过采用时空序列数据用于对雷暴天气进行判断，并基于对时空序列数据进行特征提取、融合，根据特征识别算法对融合后的特征进行识别，从而提高对雷暴天气识别的准确度。
在上述方案中，先获取雷暴的时空序列数据，从中提取出时空特征，随后将提取出的时空特征进行融合，最后利用特征识别算法识别有无雷暴，以及雷暴强度等级。
(1)时空序列数据：时空序列数据是指嵌入在连续空间中，同时具有空间和时间相关性的一组数据，是对不同区域内随时间推移研究对象变化过程的抽象表本申请使用具有时序关联的多普勒雷达基数据对雷暴的时空序列数据进行建模。具体的，通过时空序列网络从所述雷达基数据获取与雷暴相关的空间序列和时间序列；通过所述雷暴相关的空间序列与时间序列对应得到雷暴的时空序列数据。
(2)时空特征提取：时空特征提取是同时获取时空序列数据在时间维度和空间维度的特征信息，该信息指每组时空序列数据通过算法编码后得到对应描述时空特征的张量数据。本申请提出一种加强长时记忆编码的时空特征提取算法，加强长时中重要时空特征表达。具体的，将时空序列数据通过算法编码后得到对应描述时空特征的张量数据。通过加强长时记忆编码的时空特征提取算法提取时空特征。其中，利用RECALL机制加强长时中重要记忆传递的循环时空记忆单元Attention-C LSTM构建时空特征的提取器；通过所述提取器提取所述时空特征。并在提取时空特征时，利用Softmax函数对重要的时空特征增加影响权重。
(3)时空特征融合：时空特征融合是将上述步骤中按时序顺序输出的时空数据特征进行信息整合，综合各时序的重要信息，实现不同时序之间的特征互补。再将时空综合特征的信息，作为下一环节的输入。具体的，通过时序注意力机制Time-attention，对时空特征融合进行优化。
(4)特征识别：特征识别是对上述步骤融合后的时空特征进行解码，输出对该特征学习和分析的结果。本申请基于卷积神经网络进行特征解码，识别出是否存在雷暴、以及雷暴的强度等级。也即通过卷积神经网络进行特征解码，识别出是否存在雷暴，以及雷暴的强度等级。
对雷暴的时空序列数据进行建模后，下一步则是对该时空序列进行特征提取。
由于雷暴发生过程的时间持续性，雷达接收的回波数据在时序上关联紧密，本节从加强时空序列数据中长时记忆传递，突出其重要时空关联特征出发，进一步分析传统时空序列网络中时间记忆状态C的信息传递过程，并提出一种利用机制加强长时中重要记忆传递的循环时空记忆单元 Attention-C LSTM，基于该单元构建时空特征的提取器，提高后续雷暴特征识别精度。
传统时空序列网络的时间记忆传递状态如图2所示。图2中的时间信息流动计算过程公式如式(3-1)所示
传统时空序列网络中，时间记忆特征的存储状态由C控制，图2中箭头部分为时间信息流的传递过程，其当前时间戳的时间记忆状态Ct根据上一时间戳的时间记忆状态Ct-1进行更新。
运算过程中三个门控装置遗忘门ft，输入门it，输入调制门gt分别对记忆信息进行更新和传递，与前时刻隐藏层的输出H、时间记忆存储器C以及当前时刻输入X线性变换后相加结合，此后经过sigmoid或tanh激活函数将结果映射到(0,1)，最终得到各门控对应的衰减系数。
其中，遗忘门ft与记忆单元直接交互，作为C t-1的衰减系数，可对前一时刻记忆信息进行筛选和过滤，决定哪些历史记忆被保留，再向后一时间戳传递该记忆信息。但该部分的结构设计更倾向于对短期特性作出强烈响应，长时信息很容易陷入饱和区域(即值介于0到0.1之间)，从而中断远程信息流，以致后期时间戳部分无法准确获取到时序上的联系性特征，降低了后期针对该特征进行雷暴识别的效果。
基于传统时空网络的这种更容易响应短期特征、而忽略长时信息的缺点，本申请引入RECALL机制来加强长时记忆注意力，如图3所示。
引入RECALL机制后时间信息传递的计算过程如公式(3-2)所示
输入为Ctn:t1的信息传递部分是对长时记忆进行回溯的RECALL机制。通过一个栅极控制的自关注模块使当前的时间记忆状态Ct与该前时刻前的所有历史记录进行交互，能有效地跨多个时间戳回忆存储的记忆，即使在长时间的扰动之后也依旧保持长时记忆，从而加强时间状态C的时序关联特征学习。在引入RECALL机制后的时间信息传递过程中，遗忘门ft首先与一系列历史时刻的记忆状态相乘，通过Softmax函数输出一个等维度矩阵，矩阵中的数值为0～1之间的概率，其对应维度中数值之和为1，每个维度矩阵值相当于一组权重，再将该权重与之前的一系列时刻的记忆状态相乘。该过程过滤了值为0的信息，获取了值为1的全部信息以及0-1间的次要信息，即利用Softmax给予过去时间记忆一个影响权重来描述其影响程度，这在加强长时记忆传递的同时，也突出了该部分信息的重要特征。通过对过去总体信息进行选择后与短期依赖Ct1结合，利用LayerNorm把信息整合，进一步保证数据特征分布的稳定性。
以加强长时相关性建模能力，获取长时信息中的重要特征进行记忆传递，以及进一步避免梯度消失为出发点，设计了加强长时记忆传递的循环时空记忆单元Attention-CLSTM。该单元是对传统时空序列网络中Causal LSTM记忆单元的改进，在其时间记忆模块中加入了RECALL机制，该机制的作用与attention机制类似，用以唤醒较远时间戳的信息，继而从感知到的信息中提取有用的信息记忆。又因为传统时空序列网络中常选择tanh 函数和sigmoid函数作为激活函数，二者对于较深的网络训练，反向传播的梯度值会在饱和区非常平缓，接近于0，容易产生梯度消失问题，而Relu 函数梯度值只有0和1，不存在饱和问题，能有效抑制梯度消失问题，且计算速度相对更快。因此记忆单元最后输出结果时选择Relu作为激活函数。
图4为t时刻第k隐藏层的Attention-CLSTM单元，部分信息流为时间记忆状态Ct k的更新过程。其中信息传递部分为加强长时记忆注意力的 RECALL机制，输入为t时刻前所有历史时间记忆状态Ct-n：t-1以回溯历史记忆，加强长时记忆的重要特征学习。部分信息流为时空记忆模块记录时空记忆状态Mt k，该状态与时间记忆状态Ct k以串联方式连接(图上同心圆表示串联)。两个模块都包含了三个门控装置，其中遗忘门ft和ft′控制模块对记忆信息筛选过滤，加强重要记忆特征的描述，输入门it和i′决定t时刻输入信息需要被模块内部状态记忆的内容，输入调制门gt，g′作用同输入门类似，进行非线性运算时使用tanh为激活函数。每个门都由t时刻输入X前一时刻隐藏层输出H以及时间记忆状态C作为输入信息，除了权重参数W不同，计算方式类似。
其中当前时刻时间信息流状态Ct k利用门控和该时刻前总体历史记忆信息流进行更新，而时空记忆状态Mt k通过当前时刻已更新的时间记忆Ct k和上一层的时空记忆状态Mt k-1进行更新。该层最终输出结果Htk由输出门ot 和时间、时空记忆状态决定。而该单元中所有的输入状态X，时间记忆状态 C，时空记忆状态M，以及各门控信号ft，ft′，it，i′，gt，g′都表现为三维张量形式(RPLN)。其中，第一个维度是输入数据转换为图像数据后的通道数或隐藏状态特征的通道数，后两个维度是隐状态在空间尺度上的行数L 和列数N。
该单元块内主要计算过程如公式(3-3)，公式(3-4)，公式(3-5)，公式(3-6)和公式(3-7)所示。其中*是卷积运算，
是同型矩阵对应元素相乘，δ是Sigmoid函数，方括号表示张量的串联，圆括号表示方程组。W1～5 是卷积滤波器，其中W3和W5是用于改变滤波器数量的1×1卷积滤波器：
第k隐藏层t时刻的时间记忆模块的三个门控计算过程如公式(3-3)所示。
加入RECALL机制后的第k隐藏层t时刻的时间记忆存储器状态Ctk 的计算过程如公式(3-4)所示。
第k隐藏层t时刻的时空记忆模块的三个门控计算过程如公式(3-5) 所示。
第k隐藏层t时刻的时空记忆状态ktM计算过程如公式(3-6)所示。
第k隐藏层t时刻的输出门t o和最终输出结果kt H计算过程如公式 (3-7)所示。
基于该循环时空记忆单元结构对选取的雷暴时空特征数据进行时空特征提取，而该结构加强长时记忆特征传递后，数据的时空特征关联性大大增强，继而网络进行雷暴识别的精度将有所提升。
特征融合方法是模式识别领域的一种重要方法，计算机视觉领域的图像识别问题作为一种特殊的模式分类问题，仍然存在诸多挑战，它一般用于图像识别问题中对多尺度图像特征进行融合，综合多特征的重要信息，实现特征互补，进一步提升识别的准确性。
按照融合和预测的先后顺序，可将特征融合分为两种类型，分别为早融合和晚融合，早融合指在输入分类器之前先融合不同特征；晚融合也称结果融合，是指将不同特征输入网络生成的分类或序列结果进行融合，如投票、加权平均等等。
为提高特征识别精度，本申请实施例选用早融合类型，对加强后的特空特征进行融合绑定后，再输入解码器。
早融合有以下几种常见实现算法：拼接融合特征、加权求和融合特征、双线性池化融合特征。在上述常见的三种早融合方法中，第一种拼接融合特征方法操作过于简单，各时序的时空特征无法进一步突出重要信息；第二种特征加权需构建合适的权重值进行加权融合，才能优化时空特征信息。实际应用中，很难确定普适性较好的权重值，拼接融合效果往往不如人意。第三种双线性池融合特征方法融合效果较好，被广泛的运用于分类领域、三维物品识别领域、动作识别领域等等，但该方法通常结合线性分类器分类，且存在数据处理大、融合时间长、融合效率低等问题。
本申请提供的算法对前两种融合方法进行改进，在拼接融合特征后搭建了时序注意力机制，获取了合适的加权系数，与提取出的特征进行加权计算，突出时空重要信息。改进后的算法融合效果优于拼接融合特征和特征加权求和方法。
在具体进行融合时，通过特征提取器进行特征提取后获取了一组时序张量数据，本申请在对其进行解码分类前，将改组时序特征整合为一个综合的时空特征，为此申请实施例设计了融合架构，以综合各时序的时空特征互补，突出重要时空特征为出发点，搭建了时序注意力机制Time-attention，对时空特征融合进行优化。
融合架构首先对各时序张量数据在通道维度进行拼接，利用平均池化与最大池化结合的注意力模型进一步聚合数据拼接信息。注意力模块的输入F 表示编码器输出的各张量数据的拼接矩阵，Favg和Fmax分别表示平均池化操作和最大池化操作，F分别经过平均池化和最大池化得到两个注意力描述数据。接着将两组注意力描述数据分别输入一个两层卷积神经网络结构，两层结构中激活函数为Relu。随后得到的两个特征相加并融入sigmoid函数中得到权重系数Q(和为1的向量)，总体流程如图4所示。
其Q具体的计算公式如式(3-8)所示。
Q(F)
＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))
＝σ(W1(W0(Favg(F))+W1(W0(Fmax(F))) (3-8)
式中W0和W1是卷积滤波器,对特征进行提取。最后将权重系数Q与原时空特征矩阵F相乘即可得到重要时空特征Z。对应计算公式如式(3-9) 所示。
Z＝Q·F (3-9)
时空特征融合后，下一步则是利用该特征识别雷暴是否存在，或雷暴无弱强的三个等级强度。目前图像数据分类问题中，卷积神经网络是最佳深度学习方法选择之一。DenseNet网络脱离了加深网络层数和加宽网络结构来提升网络性能的定式思维，从特征的角度考虑,通过特征重用和旁路(Bypass) 设置，提升网络分类效果。
它在网络中任何两层之间都有直接连接，即网络每一层的输入都是前面所有层输出的并集，且该层所学习的特征图亦会被直接传至其后面所有层作为输入，密集链接结构如图6所示。
为了将每一层特征图传递保持在统一尺寸，在每一网络层中对不同特征图在通道维度进行拼接，该操作过程位于密集块(Denseblock)中，以便于前面网络层学习到的完整信息整体做到下采样。而DenseNet设置了多个密集块，如图7所示，图中每一层都接受它前面所有层的输出，再通过过渡层 (Transition Layer)的1×1卷积，和2×2平均池化，对特征进一步下采样，该过程在融合各通道特征性质的同时减少了网络参数，最后将获取的特征图由全连接映射至分类器获取分类结果。
其对应网络层数n的输出为xn，其中x0、x1、x2、x n-1为第0层到第n-1层的特征图，H n(*)表示非线性转换函数，由组合函数BN-RELU -Conv构成，对应表达式如公式(3-10)所示。
xn＝Hn([x0，x1，...xn-1]) (3-10)
特征解码结构选择了稠密连接网络DenseNet121作为基础模型进行时空特征识别。此处121对应的是卷积层和全连接层共121层。DenseNet121 总体网络结构如表3-1所示。
表3-1 DtnseNet121网络结构
该结构第一层进行了7×7卷积和最大池化，之后搭建了4个密集块(DenseBlock)，各模块里分别包含6、12、24、16次的BNRELU Conv的操作运算，模块中各网络层的增长率k(通道数)为32，即每层输出的特征图数为32。密集块后都连接了过渡块，此处共3个过渡块(Transition layers)，由BN-RELU-Conv-avgPool组成。最终输出的特征图数量为1024张，通过全连接映射到Softmax分类器进行特征识别，输出是否存在雷暴，或雷暴强度等级。
详细介绍了雷暴识别流程中的每个步骤，包括时空序列数据获取、时空特征提取、时空特征融合和时空特征识别。在进行时空特征提取时，为加强长时记忆注意力，传递长时中重要特征，搭建了带有RECALL机制的Attention-C LSTM循环记忆单元作为时空特征提取器。而该特征提取器输出的各时序时空特征在解码分类前，本申请为了综合改组特征信息，进一步突出重要的时空特征，搭建了Timeattention机制，通过该机制获取改组时空特征的权重系数，对时空特征进行加权融合。最后将获取到的重要特征输入解码结构DenseNet121网络以识别是否存在雷暴，以及区分雷暴无弱强三个等级的强度。
本文使用在循环神经网络引入卷积，使得每个记忆单元在传递时序特征同时能获取空间特征的时空序列网络作为基本模型，改进设计了时空特征编码结构，并使用卷积神经网络作为特征解码结构，最终构建了编解码结构的强化长时记忆网络(Strengthenlong-term memory network，SLTMNet)模型，对某时间段内的多普勒雷达基数据识别是否有雷暴，以及雷暴无弱强的三个强度等级。而在网络训练过程中，损失函数和优化器的选择直接关乎模型训练效果。雷暴的时空序列数据在输入网络模型训练后被全连接神经节点映射为预测值，损失函数将该值与目标值进行比较得到两者误差值，该误差值用于衡量网络预测值与预期结果的匹配程度，而优化器根据其损失值更新网络权重，两者配合使损失尽可能最小化，提升模型训练效果。本章通过对分类常用损失函数和优化器进行分析，并选择与本申请模型最适配的损失函数和优化器进行网络训练。
以最适配的损失函数和优化器进行网络训练为目的，对分类常用损失函数和优化器进行分析，最终选择类间区分较好的交叉熵损失函数，以及能自适应调整学习率的Adam优化器，对网络进行优化。其中，CrossEntropyLoss 考量两概率间分布距离，擅长于学习类间信息。且它采用类间竞争机制，更关心对于正确标签预测概率的准确性，更能提升各类别间的置信度，因而能提升识别雷暴无弱强三等级强度的精确度。
如图8所示，本申请实施例提供了一种雷暴识别系统，该系统包括：信息采集单元10，用于获取具有时间连续性的雷达基数据；数据处理单元20，用于根据所述雷达基数据构建雷暴的时空序列数据；从所述时空序列数据中，提取时空特征；将时空特征进行融合；通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。在上述技术方案中，通过采用时空序列数据用于对雷暴天气进行判断，并基于对时空序列数据进行特征提取、融合，根据特征识别算法对融合后的特征进行识别，从而提高对雷暴天气识别的准确度。
具体的，所述数据处理单元20还用于将时空序列数据通过算法编码后得到对应描述时空特征的张量数据。具体参考上文中的方面描述。
具体的，所述数据处理单元20还用于通过加强长时记忆编码的时空特征提取算法提取时空特征。具体参考上文中的方面描述。
具体的，所述数据处理单元20还用于利用RECALL机制加强长时中重要记忆传递的循环时空记忆单元Attention-C LSTM构建时空特征的提取器；通过所述提取器提取所述时空特征。具体参考上文中的方面描述。
具体的，所述数据处理单元20还用于通过卷积神经网络进行特征解码，识别出是否存在雷暴，以及雷暴的强度等级。具体参考上文中的方面描述。
图9示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit， ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM (Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等) 实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器 1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出基于 Linux环境的内存防崩溃装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图基于Linux环境的内存防崩溃装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种雷暴识别方法，其特征在于，包括以下步骤：
获取具有时间连续性的雷达基数据；
根据所述雷达基数据构建雷暴的时空序列数据；
从所述时空序列数据中，提取时空特征；
将时空特征进行融合；
通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。
2.根据权利要求1所述的雷暴识别方法，其特征在于，所述根据所述雷达基数据构建雷暴的时空序列数据；具体为：
通过时空序列网络从所述雷达基数据获取与雷暴相关的空间序列和时间序列；
通过所述雷暴相关的空间序列与时间序列对应得到雷暴的时空序列数据。
3.根据权利要求2所述的雷暴识别方法，其特征在于，所述从所述时空序列数据中，提取时空特征；具体为：
将时空序列数据通过算法编码后得到对应描述时空特征的张量数据。
4.根据权利要求3所述的雷暴识别方法，其特征在于，所述将时空序列数据通过算法编码后得到对应描述时空特征的张量数据，具体为：
通过加强长时记忆编码的时空特征提取算法提取时空特征。
5.根据权利要求4所述的雷暴识别方法，其特征在于，所述通过加强长时记忆编码的时空特征提取算法提取时空特征，具体为：
利用RECALL机制加强长时中重要记忆传递的循环时空记忆单元Attention-C LSTM构建时空特征的提取器；
通过所述提取器提取所述时空特征。
6.根据权利要求5所述的雷暴识别方法，其特征在于，所述通过所述提取器提取所述时空特征中包括：
利用Softmax函数对重要的时空特征增加影响权重。
7.根据权利要求1～6任一项所述的雷暴识别方法，其特征在于，所述将时空特征进行融合，具体为：
通过时序注意力机制Time-attention，对时空特征融合进行优化。
8.根据权利要求7所述的雷暴识别方法，其特征在于，所述通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级，具体为：
通过卷积神经网络进行特征解码，识别出是否存在雷暴，以及雷暴的强度等级。
9.一种雷暴识别系统，其特征在于，包括：
信息采集单元，用于获取具有时间连续性的雷达基数据；
数据处理单元，用于根据所述雷达基数据构建雷暴的时空序列数据；
从所述时空序列数据中，提取时空特征；将时空特征进行融合；通过特征识别算法识别融合后的特征，并判断有无雷暴，以及雷暴强度等级。
10.根据权利要求9所述的雷暴识别系统，其特征在于，所述数据处理单元还用于将时空序列数据通过算法编码后得到对应描述时空特征的张量数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210531063.4A CN115169431A (zh) | 2022-05-16 | 2022-05-16 | 一种雷暴识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210531063.4A CN115169431A (zh) | 2022-05-16 | 2022-05-16 | 一种雷暴识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169431A true CN115169431A (zh) | 2022-10-11 |
Family
ID=83482808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210531063.4A Pending CN115169431A (zh) | 2022-05-16 | 2022-05-16 | 一种雷暴识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169431A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116106856A (zh) * | 2023-04-13 | 2023-05-12 | 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) | 雷暴大风的识别模型建立方法、识别方法及计算设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104345312A (zh) * | 2014-10-27 | 2015-02-11 | 北京无线电测量研究所 | 一种毫米波云雷达的数据融合方法及系统 |
| KR102001594B1 (ko) * | 2018-10-11 | 2019-07-17 | (주)와이즈콘 | 비가시공간 투시 레이더-카메라 융합형 재난 추적 시스템 및 방법 |
| CN112255611A (zh) * | 2020-10-28 | 2021-01-22 | 南京信大气象科学技术研究院有限公司 | 一种基于雷达探测数据的下击暴流智能识别方法 |
| CN113204903A (zh) * | 2021-04-29 | 2021-08-03 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
| CN114219979A (zh) * | 2021-11-29 | 2022-03-22 | 深圳市气象局(深圳市气象台) | 一种基于多尺度时空融合的降水临近预测模型 |
-
2022
- 2022-05-16 CN CN202210531063.4A patent/CN115169431A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104345312A (zh) * | 2014-10-27 | 2015-02-11 | 北京无线电测量研究所 | 一种毫米波云雷达的数据融合方法及系统 |
| KR102001594B1 (ko) * | 2018-10-11 | 2019-07-17 | (주)와이즈콘 | 비가시공간 투시 레이더-카메라 융합형 재난 추적 시스템 및 방법 |
| CN112255611A (zh) * | 2020-10-28 | 2021-01-22 | 南京信大气象科学技术研究院有限公司 | 一种基于雷达探测数据的下击暴流智能识别方法 |
| CN113204903A (zh) * | 2021-04-29 | 2021-08-03 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种预测雷电的方法 |
| CN114219979A (zh) * | 2021-11-29 | 2022-03-22 | 深圳市气象局(深圳市气象台) | 一种基于多尺度时空融合的降水临近预测模型 |
Non-Patent Citations (4)
| Title |
|---|
| AI蜗牛车: "【时空序列预测第六篇】时空序列预测模型之EIDETIC 3D LSTM（结合3DConv与RNN，E3D-LSTM）", pages 1 - 3, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/111800002> * |
| SHENGCHUN WANG等: "Thunderstorm Recognition Based on Neural Network PRDsNET Models", 《SMART COMPUTING AND COMMUNICATION，6TH INTERNATIONAL CONFERENCE, SMARTCOM 2021》, pages 2 - 4 * |
| 徐月飞等: "基于深度卷积神经网络的阵风锋识别算法", 《暴雨灾害》, no. 01 * |
| 杨璐等: "基于支持向量机的雷暴大风识别方法", 《应用气象学报》, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116106856A (zh) * | 2023-04-13 | 2023-05-12 | 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) | 雷暴大风的识别模型建立方法、识别方法及计算设备 |
| CN116106856B (zh) * | 2023-04-13 | 2023-08-18 | 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) | 雷暴大风的识别模型建立方法、识别方法及计算设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6873519B1 (ja) | 軌跡予測方法及びシステム | |
| CN111310672A (zh) | 基于时序多模型融合建模的视频情感识别方法、装置及介质 | |
| CN110047291B (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
| CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
| CN111382686B (zh) | 一种基于半监督生成对抗网络的车道线检测方法 | |
| CN110599234A (zh) | 一种产品销售预测方法 | |
| CN115792913B (zh) | 一种基于时空网络的雷达回波外推方法及系统 | |
| CN114519932A (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
| CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
| CN113705915A (zh) | 一种基于cnn-lstm-arima组合短期电力负荷预测方法 | |
| CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN115169431A (zh) | 一种雷暴识别方法及系统 | |
| CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
| CN114757441A (zh) | 一种负荷预测方法及相关装置 | |
| CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
| CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN110826810B (zh) | 一种空间推理与机器学习相结合的区域降雨预测方法 | |
| Zhang et al. | Spatiotemporal networks for ENSO forecasting with LICOM3 and remote sensing data | |
| CN116824133A (zh) | 一种遥感图像智能解译方法 | |
| CN116152206A (zh) | 一种光伏输出功率预测方法、终端设备及存储介质 | |
| Shterev et al. | Time series prediction with neural networks: a review | |
| CN114862049A (zh) | 基于图卷积的多海洋物理场融合表示的预警方法及装置 | |
| CN114970336A (zh) | 一种基于改进GCN-attention算法的交通流预测方法 | |
| CN113011674A (zh) | 一种光伏发电预测方法、装置、电子设备及存储介质 | |
| CN115630687B (zh) | 模型训练方法、交通流量预测方法和装置 |
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 |