CN115220133A - 一种多气象要素降雨预测方法、装置、设备及存储介质 - Google Patents
一种多气象要素降雨预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115220133A CN115220133A CN202210847719.3A CN202210847719A CN115220133A CN 115220133 A CN115220133 A CN 115220133A CN 202210847719 A CN202210847719 A CN 202210847719A CN 115220133 A CN115220133 A CN 115220133A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- neural network
- data
- network model
- meteorological element
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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"
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种多气象要素降雨预测方法、装置、设备及存储介质,涉及气象预测技术领域,包括:获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据;对初始气象要素数据进行预处理,得到目标气象要素数据;将目标气象要素数据输入至利用训练集对基于Swin‑Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的降雨预测神经网络模型中,输出小范围目标区域的降雨预测结果。本申请通过基于Swin‑Transformer机制、PredRNN网络和3DCNN网络构建的降雨预测神经网络模型能够对多种气象条件特征进行准确的提取,进而对小范围目标区域的降雨进行准确的预测,并且能够对目标区域边缘降雨的生消变化进行准确的预测。
Description
技术领域
本申请涉及气象预测技术领域,特别涉及一种多气象要素降雨预测方法、装置、设备及存储介质。
背景技术
随着气象预测技术的不断发展,可预测的天气现象也越来越多,降雨便是其中的一种常见的气象现象,是天气预报领域中的一个重要问题。通过对降雨进行预测,可以得到降雨的移动轨迹、发展趋势等降雨信息,从而为公众日常生活和专业生产活动提供天气指引,避免降雨威胁人身安全或者造成经济损失,因此对降雨预测的研究有着重要的现实意义。
目前主流的降雨预测方法大致分为两类:一种是数值天气预报方法,另一种是雷达回波外推方法。数值天气预报方法是将多种气象要素数值输入到特定的大气动力学物理方程组中进行求解,以此来推算未来一段时间包括降雨在内的多种气象要素变化情况。该方法的优势是使用了多种气象要素和物理方程,可解释能力强;缺点是计算复杂,需要使用大型计算机进行计算,并且对于目标区域降水预测准确率较低,难以满足社会需要。雷达回波外推方法是基于历史一段时间连续的雷达回波数据,分析这一段时间连续帧之间雷达回波强度的时间相关性,如回波的移速和移向等,从而得到雷达回波强度变化规律,以此来预测未来一段时间的雷达回波强度数据,再根据雷达回波强度和降雨强度之间的相关性公式得到未来的降雨值。常用的雷达回波外推方法有质心法、交叉相关法和光流法,随着机器学习的发展,ConvLSTM(Convolutional Long Short-Term Memory,卷积长短期记忆网络)、TrajGRU(trajectory Gated Recurrent Unit,轨迹门控循环单元)等神经网络模型也陆续被用于雷达回波外推任务。雷达回波外推方法的优势是计算量较小,在气象系统平稳变化的时候预测准确;缺点是只使用了雷达回波强度一个条件,在气象系统非平稳变化的时候会出现较大预测误差,也难以预测目标区域边缘降雨的生消变化情况。
因此,如何解决目标区域预测降雨准确率低、目标区域边缘降雨的生消变化难以预测这两个主要问题是目前还有待进一步解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种多气象要素降雨预测方法、装置、设备及存储介质,能够对目标区域的降雨进行准确的预测,同时,能够对目标区域边缘降雨的生消变化进行准确的预测。其具体方案如下:
第一方面,本申请公开了一种降雨预测方法,包括:
获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据;
对所述初始气象要素数据进行预处理,以得到目标气象要素数据;
将所述目标气象要素数据输入至训练后的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果;其中,所述降雨预测神经网络模型为利用训练集对基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的模型,所述训练集包括以所述目标区域为中心的大范围多种历史气象要素数据。
可选的,所述对所述初始气象要素数据进行预处理,以得到目标气象要素数据,包括:
对所述初始气象要素数据中的异常数据进行删除,并对缺失的数据进行补全,得到第一预处理数据;
按照预设尺寸大小对所述第一预处理数据进行数据切分,得到第二预处理数据;
对所述第二预处理数据进行数据变换,得到目标气象要素数据。
可选的,所述降雨预测方法,还包括:
从CLDAS数据、雷达数据、卫星数据中获取逐小时更新的与降雨相关的以所述目标区域为中心的大范围多种历史气象要素数据,得到历史气象要素数据;
对所述历史气象要素数据进行预处理,得到预处理后历史气象要素数据;
按照预设的比例对所述预处理后历史气象要素数据进行划分,得到所述训练集和测试集。
可选的,所述降雨预测神经网络模型的获取过程,包括:
将所述训练集输入至基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的所述初始神经网络模型中,以便利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练,得到训练神经网络模型;
利用所述测试集对所述训练神经网络模型进行降雨测试,得到降雨测试结果,并判断所述降雨测试结果是否满足预设降雨预设条件,若所述降雨测试结果满足所述预设降雨预设条件则将所述训练神经网络模型作为降雨预测神经网络模型。
可选的,所述利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练,得到训练神经网络模型,包括:
利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元进行训练,得到大范围降雨预测值,并计算所述大范围降雨预测值的损失值,得到第一损失值;
利用所述大范围降雨预测值对所述3DCNN网络进行训练,得到小范围降雨预测值,并计算所述小范围降雨预测值的损失值,得到第二损失值;
计算所述第一损失值和所述第二损失值之和,得到目标损失值,并利用所述目标损失值对所述初始神经网络模型进行训练,得到训练神经网络模型。
可选的,所述判断所述降雨测试结果是否满足预设降雨预设条件,若所述降雨测试结果满足所述预设降雨预设条件则将所述训练神经网络模型作为降雨预测神经网络模型,包括:
使用包含临界成功指数、探测率、错报率、海德克技能评分和结构相似性的评价指标对所述降雨测试结果与所述测试集中的真实降雨值进行对比分析,得到评价指标对比结果;
判断所述评价指标对比结果是否达到预设阈值,若所述评价指标对比结果达到所述预设阈值,则将所述训练神经网络模型作为降雨预测神经网络模型。
可选的,所述通过所述降雨预测神经网络模型输出以所述目标区域为中心的小范围降雨预测结果之后,还包括:
根据数值大小确定所述小范围降雨预测结果对应的降雨强度等级并进行实时预报;
按照预设的时间间隔利用新采集的大范围多种气象要素数据对所述降雨预测神经网络模型进行重新训练。
第二方面,本申请公开了一种降雨预测装置,包括:
数据获取模块,用于获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据;
数据预处理模块,用于对所述初始气象要素数据进行预处理,以得到目标气象要素数据;
降雨预测模块,用于将所述目标气象要素数据输入至训练后的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果;其中,所述降雨预测神经网络模型为利用训练集对基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的模型,所述训练集包括以所述目标区域为中心的大范围多种历史气象要素数据。
第三方面,本申请公开了一种电子设备,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序时实现前述的降雨预测方法。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述的降雨预测方法。
可见,本申请先获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据,然后对所述初始气象要素数据进行预处理得到目标气象要素数据,再将所述目标气象要素数据输入至基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果。本申请通过基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的降雨预测神经网络模型能够对多种气象条件特征进行准确的提取,进而对小范围目标区域的降雨进行准确的预测,同时,能够对目标区域边缘降雨的生消变化进行准确的预测。
附图说明
为了更清楚地说明本申请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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种降雨预测方法流程图;
图2为本申请公开的一种具体的降雨预测方法流程图;
图3为本申请公开的一种降雨预测神经网络模型结构图;
图4为本申请公开的一种具体的降雨预测神经网络模型结构图;
图5为本申请公开的一种未来6小时降雨预测对比图;
图6为本申请公开的一种降雨预测装置结构示意图;
图7为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开了一种多气象要素降雨预测方法,参见图1所示,该方法包括:
步骤S11:获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据。
本实施例中,先确定出待预测的目标区域,然后对以所述目标区域为中心的大范围多种历史气象要素数据进行数据采集,得到初始气象要素数据。其中,所述多种历史气象要素数据包括但不限于CLDAS(China Meteorological Administration Land DataAssimilation System,中国气象局陆面数据同化系统)数据、雷达数据、卫星数据等数据中的任意多种的组合。例如,通过预先建立的数据接口读取逐小时更新的CLDAS数据、雷达数据、葵花卫星数据,然后选择与降雨相关的历史气象要素数据,得到初始气象要素数据。
步骤S12:对所述初始气象要素数据进行预处理,以得到目标气象要素数据。
本实施例中,获取以目标区域为中心的大范围多种历史气象要素数据得到初始气象要素数据之后,进一步的,为了使所述初始气象要素数据满足模型输入的需求,需要对上述初始气象要素数据进行预处理,进而得到目标气象要素数据。
本实施例中,所述对所述初始气象要素数据进行预处理,以得到目标气象要素数据,具体可以包括:对所述初始气象要素数据中的异常数据进行删除,并对缺失的数据进行补全,得到第一预处理数据;按照预设尺寸大小对所述第一预处理数据进行数据切分,得到第二预处理数据;对所述第二预处理数据进行数据变换,得到目标气象要素数据。具体的,在获取到上述初始气象要素数据之后,可以先对上述初始气象要素数据中的无效数据和缺失数据进行处理,例如,将含有异常值的无效数据进行删除(如NAN、9999等),并将缺失的数据通过线性插值(Linear Interpolation)的方法进行补全,进而得到第一预处理数据,进一步的,为了满足模型的输入和输出需求,需要将上述第一预处理数据切分到合适的尺寸大小得到第二预处理数据,接着对上述第二预处理数据的数值进行变换,如利用对数变换(Log Transformation)对CLDAS数据中的降雨数据进行处理、利用z-score标准化(即z-score standardization,零均值标准化)对雷达数据、葵花卫星数据及CLDAS数据中除降雨之外的气象要素数据进行处理,得到预处理后的目标气象要素数据。
步骤S13:将所述目标气象要素数据输入至训练后的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果;其中,所述降雨预测神经网络模型为利用训练集对基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的模型,所述训练集包括以所述目标区域为中心的大范围多种历史气象要素数据。
本实施例中,对所述初始气象要素数据进行预处理得到目标气象要素数据之后,将上述目标气象要素数据输入至基于Swin-Transformer(一个层级结构)机制、PredRNN(Prediction Recurrent Neural Network,预测递归神经网络)网络和3DCNN(3DimensionConvolutionnal Neural Network,三维卷积神经网络)网络构建的初始神经网络模型进行训练后得到的降雨预测神经网络模型中,然后通过所述降雨预测神经网络模型输出以小范围上述目标区域为中心的降雨预测结果,也即,可以通过目标区域的大范围多气象要素数据预测出小范围目标区域的降雨值。例如,当输入的目标气象要素数据的尺寸即长和宽均为输出数据的N倍(N的取值与预测时长相关,预测时长越长则N的取值越大),若预测目标区域的长宽分别为H、W,则输入数据尺寸为以预测目标区域为中心的长宽分别为N*H、N*W的区域范围。例如,令模型输入数据的尺寸即长和宽均为输出数据的3倍,预测目标区域二维矩阵的长宽分别为64、64,则输入数据尺寸为以预测目标区域为中心且长宽分别为192、192的区域范围;其中,所述训练集包括以所述目标区域为中心的大范围多种历史气象要素数据。
另外,所述通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果之后,具体还包括:根据数值大小确定所述小范围降雨预测结果对应的降雨强度等级并进行实时预报;按照预设的时间间隔利用新采集的大范围多种气象要素数据对所述降雨预测神经网络模型进行重新训练。也即,在得到小范围降雨预测结果之后,可以根据数值的大小进一步的确定出待预测的目标区域的降雨强度等级。需要指出的是,在确定降雨强度等级之前,需要预先根据降雨值的大小划分相应的降雨强度等级,如根据降雨值的大小划分为无雨(降雨量为0mm/h)、小雨(降雨量为0-4mm/h)、中雨(降雨量为4-10mm/h)、大雨(降雨量为10-20mm/h)、暴雨(降雨量为20-40mm/h)、大暴雨(降雨量为40-100mm/h)、特大暴雨(降雨量为100mm/h及以上)共七个等级。在确定出上述小范围降雨预测结果对应的降雨强度等级之后,可以按不同降雨等级逐小时预报未来连续t小时的降雨强度,用来提醒用户未来连续t小时的目标区域的降雨情况,以便用户根据目标区域降雨值及降雨强度等级指引日常生活和专业生产活动,避免降雨威胁人身安全或者造成经济损失。进一步的,为了使所述降雨预测神经网络模型的准确率始终保持在较高的水平,可以设置定期更新所述降雨预测神经网络模型的时间,如每间隔1个月,在训练集中加入该月新采集的多种气象要素数据,然后重新训练和测试所述降雨预测神经网络模型,并投入到实际的业务应用中。通过定期更新所述降雨预测神经网络模型,可以学习到最新的目标区域及周围区域的气候变化规律,从而使预测降雨的准确率始终保持在较高的水平。
可见,本申请实施例先获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据,然后对所述初始气象要素数据进行预处理得到目标气象要素数据,再将所述目标气象要素数据输入至基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果。本申请实施例通过基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的降雨预测神经网络模型能够对多种气象条件特征进行准确的提取,进而对小范围目标区域的降雨进行准确的预测,同时,能够对目标区域边缘降雨的生消变化进行准确的预测。
本申请实施例公开了一种具体的降雨预测神经网络模型获取过程,参见图2所示,该方法包括:
步骤S21:从CLDAS数据、雷达数据、卫星数据中获取逐小时更新的与降雨相关的以所述目标区域为中心的大范围多种历史气象要素数据,得到历史气象要素数据。
在一种具体的实施方式中,可以通过预设的数据接口获取以上述目标区域为中心的大范围逐小时更新的CLDAS数据、雷达数据、葵花卫星数据,然后从上述数据中获取与降雨相关的多种气象要素数据,得到历史气象要素数据。
步骤S22:对所述历史气象要素数据进行预处理,得到预处理后历史气象要素数据。
本实施例中,从CLDAS数据、雷达数据、卫星数据中获取逐小时更新的与降雨相关的以所述目标区域为中心的大范围多种历史气象要素数据,得到历史气象要素数据之后,为了满足模型输入的需求,可以对上述历史气象要素数据进行相应的预处理操作,如对上述历史气象要素数据中的异常数据进行删除并对缺失的数据进行补全,然后按照预设的尺寸大小进行数据切分,再进行数据变换,得到预处理后历史气象要素数据。
在一种具体的实施方式中,所述数据变换具体可以包括:使用对数变换处理上述CLDAS数据中的降雨数据,并将其作为模型的预测标签数据;然后使用z-score标准化处理上述雷达数据、上述葵花卫星数据及上述CLDAS数据中除降雨之外的气象要素数据,并将处理后的数据作为模型的输入特征数据。具体的,所述对数变换的公式具体为:
y=ln(2+105*x);
其中,x为所述历史气象要素数据,y为对数变换之后的数值。对所述历史气象要素数据进行对数变换的目的是将降雨值为零的值变成非零值,增强对较小数值差异的敏感程度,从而更容易判断是否存在降雨。
所述z-score标准化的公式具体为:
其中,x为所述历史气象要素数据,z为z-score标准化之后的数值,μ为所有所述历史气象要素数据的均值,σ为所述历史气象要素数据的标准差。对所述历史气象要素数据做z-score标准化的目的是将不同量级的数据统一转化为同一个量级,保证数据之间的可比性。
步骤S23:按照预设的比例对所述预处理后历史气象要素数据进行划分,得到训练集和测试集。
本实施例中,对所述历史气象要素数据进行预处理得到预处理后历史气象要素数据之后,可以按照预设的比例将上述预处理后历史气象要素数据划分为训练集和测试集。例如,将连续6小时的预处理后历史气象要素数据中CLDAS数据中的降雨数据作为预测标签,并将CLDAS数据中的6个气象要素(2米气温、2米湿度、10米U风速、10米V风速、降雨值、短波辐射)、雷达数据、葵花卫星数据的3个红外通道共10种数据作为模型输入特征数据,然后取连续12小时预测标签和输入数据为一个样本,样本时间可部分重合,则3年数据共可以得到约20000个样本数据,然后按照8:2的比例将20000个样本数据分为训练集和测试集,其中,训练集有16000个样本数据,测试集有4000个样本数据。
步骤S24:将所述训练集输入至基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型中,以便利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练,得到训练神经网络模型。
本实施例中,按照预设的比例对所述预处理后历史气象要素数据进行划分得到训练集和测试集之后,将上述训练集输入到基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型中,然后利用上述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练,得到训练神经网络模型。
具体的,所述利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练,得到训练神经网络模型,可以包括:利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元进行训练,得到大范围降雨预测值,并计算所述大范围降雨预测值的损失值,得到第一损失值;利用所述大范围降雨预测值对所述3DCNN网络进行训练,得到小范围降雨预测值,并计算所述小范围降雨预测值的损失值,得到第二损失值;计算所述第一损失值和所述第二损失值之和,得到目标损失值,并利用所述目标损失值对所述初始神经网络模型进行训练,得到训练神经网络模型。需要指出的是,参见图3所示,本实施例中的初始神经网络模型具体包括模型输入、第一部分、第二部分、模型输出四个部分,其中,所述第一部分为经过基于Swin-Transformer机制和PredRNN网络构建的L1层神经网络单元(记为SwinRNN)后输出的大范围降雨预测值,接着计算所述大范围降雨预测值的损失值,得到第一损失值;进一步的,将经过第一部分得到的所述大范围降雨预测值输入至第二部分,然后经过第二部分的L2层3DCNN网络得到小范围降雨预测值,再计算小范围降雨预测值的损失值得到第二损失值,最后将第一损失值和第二损失值之和作为模型的损失值对初始神经网络模型进行训练,得到用于实际降雨业务的训练神经网络模型。其中,用于损失值计算的损失函数包括但不限于MSE(Mean SquaredError,均方误差)、MAE(Mean Absolute Error,平均绝对误差)等。
在一种具体的实施方式中,参见图4所示,可以使用4层的基于Swin-Transformer机制和PredRNN网络构建的神经网络单元,即SwinRNN,同时可以采用2层的3DCNN网络。在进行模型训练的过程中,先将连续t小时大范围多种气象要素数据输入至4层SwinRNN中,输出连续t小时相同区域的降雨预测值,并计算损失值得到损失值1,然后再经过2层的3DCNN网络,输出连续t小时小区域的降雨预测值,并计算损失值得到损失值2,将损失值1和损失值2之和作为模型的损失值对初始神经网络模型进行训练,得到用于实际降雨业务的训练神经网络模型。
具体的,上述基于Swin-Transformer机制和PredRNN网络构建的神经网络单元,即SwinRNN,的计算公式为:
其中,x为该神经网络单元的输入矩阵,H为该神经网络单元输出矩阵,tanh和σ为激活函数,w为权重矩阵,b为偏置矩阵,C为时间记忆状态矩阵,M为时空记忆状态矩阵,g、i、f、g'、i'、f'、o均为该神经网络单元的中间计算状态,*为卷积运算,⊙为矩阵乘法,Swin为Swin-Transformer注意力的计算。
步骤S25:利用所述测试集对所述训练神经网络模型进行降雨测试,得到降雨测试结果,并判断所述降雨测试结果是否满足预设降雨预设条件,若所述降雨测试结果满足所述预设降雨预设条件则将所述训练神经网络模型作为降雨预测神经网络模型。
本实施例中,利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练得到训练神经网络模型之后,便可以利用上述测试集对所述训练神经网络模型进行降雨测试,得到相应的降雨测试结果,然后判断上述降雨测试结果是否满足预设降雨预设条件,如果上述降雨测试结果满足所述预设降雨预设条件,则直接将上述训练神经网络模型作为用于实际业务的降雨预测神经网络模型。
具体的,所述判断所述降雨测试结果是否满足预设降雨预设条件,若所述降雨测试结果满足所述预设降雨预设条件则将所述训练神经网络模型作为降雨预测神经网络模型,可以包括:使用包含临界成功指数、探测率、错报率、海德克技能评分和结构相似性的评价指标对所述降雨测试结果与所述测试集中的真实降雨值进行对比分析,得到评价指标对比结果;判断所述评价指标对比结果是否达到预设阈值,若所述评价指标对比结果达到所述预设阈值,则将所述训练神经网络模型作为降雨预测神经网络模型。在一种具体的实施方式中,可以利用CSI(Critical Success Index,临界成功指数)、POD(Probability OfDetection,探测率)、FAR(False Alarm Rate,错报率)、HSS(Heidke Skill Score,海德克技能评分)、SSIM(Structural Similarity Index,结构相似性)五个评价指标对降雨测试结果和测试集中的真实降雨值进行对比分析,得到评价指标对比结果,然后根据预设阈值分别判断所述评价指标对比结果中CSI的值是否大于0.9、POD的值是否大于0.9、HSS的值是否大于0.9、SSIM的值是否大于0.9、FAR的值是否小于0.1,如果CSI的值大于0.9、POD的值大于0.9、HSS的值大于0.9、SSIM的值大于0.9、FAR的值小于0.1则直接将所述训练神经网络模型作为降雨预测神经网络模型。
在得到所述训练神经网络模型之后,可以利用测试集对模型进行测试,参见图5所示,通过对实际目标区域未来6小时降雨预测图与真实降雨图进行比对分析,可以看出该模型具有较好的预测降雨效果,准确率较高。
本申请实施例在搭建降雨预测神经网络模型的过程中,先将Swin-Transformer机制和PredRNN网络进行结合,得到新的网络单元(SwinRNN),然后连接多层3DCNN网络,并求两次损失值,得到降雨预测神经网络模型。由上可见,一方面,本申请在计算时空记忆状态时融合了Swin-Transformer机制,令输入矩阵除了进行自身的卷积运算外,也进行Swin-Transformer的计算,从而增强了PredRNN模型的空间特征提取和聚合能力,对于多种气象条件特征的提取更加准确,提高了多气象要素预测降雨的准确率;另一方面,通过将整体的降雨预测神经网络模型分为两部分并求两次损失值,相比于输入和输出范围相同的网络模型,该模型对于目标区域边缘降雨生消变化的预测更加准确;另外,相比于单一输入的雷达回波外推模型,通过使用多种气象要素数据更能考虑到多种气象条件的耦合作用对降雨产生的影响,进一步提高了预测降雨的准确率。
相应的,本申请实施例还公开了一种多气象要素降雨预测装置,参见图6所示,该装置包括:
数据获取模块11,用于获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据;
数据预处理模块12,用于对所述初始气象要素数据进行预处理,以得到目标气象要素数据;
降雨预测模块13,用于将所述目标气象要素数据输入至训练后的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果;其中,所述降雨预测神经网络模型为利用训练集对基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的模型,所述训练集包括以所述目标区域为中心的大范围多种历史气象要素数据。
其中,关于上述各个模块的具体工作流程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例中,先获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据,然后对所述初始气象要素数据进行预处理得到目标气象要素数据,再将所述目标气象要素数据输入至基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果。本申请实施例通过基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的降雨预测神经网络模型能够对多种气象条件特征进行准确的提取,进而对小范围目标区域的降雨进行准确的预测,同时,能够对目标区域边缘降雨的生消变化进行准确的预测。
在一些具体实施例中,所述数据预处理模块12,具体可以包括:
第一数据预处理单元,用于对所述初始气象要素数据中的异常数据进行删除,并对缺失的数据进行补全,得到第一预处理数据;
数据切分单元,用于按照预设尺寸大小对所述第一预处理数据进行数据切分,得到第二预处理数据;
数据变换单元,用于对所述第二预处理数据进行数据变换,得到目标气象要素数据。
在一些具体实施例中,所述降雨预测装置,还可以包括:
历史气象数据获取单元,用于从CLDAS数据、雷达数据、卫星数据中获取逐小时更新的与降雨相关的以所述目标区域为中心的大范围多种历史气象要素数据,得到历史气象要素数据;
第二数据预处理单元,用于对所述历史气象要素数据进行预处理,得到预处理后历史气象要素数据;
数据划分单元,用于按照预设的比例对所述预处理后历史气象要素数据进行划分,得到所述训练集和测试集。
在一些具体实施例中,所述降雨预测神经网络模型的获取过程,具体可以包括:
第一模型训练单元,用于将所述训练集输入至基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的所述初始神经网络模型中,以便利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练,得到训练神经网络模型;
降雨测试单元,用于利用所述测试集对所述训练神经网络模型进行降雨测试,得到降雨测试结果,并判断所述降雨测试结果是否满足预设降雨预设条件,若所述降雨测试结果满足所述预设降雨预设条件则将所述训练神经网络模型作为降雨预测神经网络模型。
在一些具体实施例中,所述第一模型训练单元,具体可以包括:
第二模型训练单元,用于利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元进行训练,得到大范围降雨预测值;
第一损失值计算单元,用于计算所述大范围降雨预测值的损失值,得到第一损失值;
第三模型训练单元,用于利用所述大范围降雨预测值对所述3DCNN网络进行训练,得到小范围降雨预测值;
第二损失值计算单元,用于计算所述小范围降雨预测值的损失值,得到第二损失值;
求和单元,用于计算所述第一损失值和所述第二损失值之和,得到目标损失值;
第四模型训练单元,用于利用所述目标损失值对所述初始神经网络模型进行训练,得到训练神经网络模型。
在一些具体实施例中,所述降雨测试,具体可以包括:
对比分析单元,用于使用包含临界成功指数、探测率、错报率、海德克技能评分和结构相似性的评价指标对所述降雨测试结果与所述测试集中的真实降雨值进行对比分析,得到评价指标对比结果;
阈值判断单元,用于判断所述评价指标对比结果是否达到预设阈值;
模型确定单元,用于如果所述评价指标对比结果达到所述预设阈值,则将所述训练神经网络模型作为降雨预测神经网络模型。
在一些具体实施例中,所述降雨预测模块13,还可以包括:
降雨强度等级单元,用于根据数值大小确定所述小范围降雨预测结果对应的降雨强度等级并进行实时预报;
模型更新单元,用于按照预设的时间间隔利用新采集的大范围多种气象要素数据对所述降雨预测神经网络模型进行重新训练。
进一步的,本申请实施例还公开了一种电子设备,图7是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的多气象要素降雨预测方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的多气象要素降雨预测方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的多气象要素降雨预测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种多气象要素降雨预测方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种多气象要素降雨预测方法,其特征在于,包括:
获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据;
对所述初始气象要素数据进行预处理,以得到目标气象要素数据;
将所述目标气象要素数据输入至训练后的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果;其中,所述降雨预测神经网络模型为利用训练集对基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的模型,所述训练集包括以所述目标区域为中心的大范围多种历史气象要素数据。
2.根据权利要求1所述的多气象要素降雨预测方法,其特征在于,所述对所述初始气象要素数据进行预处理,以得到目标气象要素数据,包括:
对所述初始气象要素数据中的异常数据进行删除,并对缺失的数据进行补全,得到第一预处理数据;
按照预设尺寸大小对所述第一预处理数据进行数据切分,得到第二预处理数据;
对所述第二预处理数据进行数据变换,得到目标气象要素数据。
3.根据权利要求1所述的多气象要素降雨预测方法,其特征在于,还包括:
从CLDAS数据、雷达数据、卫星数据中获取逐小时更新的与降雨相关的以所述目标区域为中心的大范围多种历史气象要素数据,得到历史气象要素数据;
对所述历史气象要素数据进行预处理,得到预处理后历史气象要素数据;
按照预设的比例对所述预处理后历史气象要素数据进行划分,得到所述训练集和测试集。
4.根据权利要求3所述的多气象要素降雨预测方法,其特征在于,所述降雨预测神经网络模型的获取过程,包括:
将所述训练集输入至基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的所述初始神经网络模型中,以便利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练,得到训练神经网络模型;
利用所述测试集对所述训练神经网络模型进行降雨测试,得到降雨测试结果,并判断所述降雨测试结果是否满足预设降雨预设条件,若所述降雨测试结果满足所述预设降雨预设条件则将所述训练神经网络模型作为降雨预测神经网络模型。
5.根据权利要求4所述的多气象要素降雨预测方法,其特征在于,所述利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元及所述3DCNN网络进行训练,得到训练神经网络模型,包括:
利用所述训练集对所述初始神经网络模型中基于所述Swin-Transformer机制和所述PredRNN网络构建的神经网络单元进行训练,得到大范围降雨预测值,并计算所述大范围降雨预测值的损失值,得到第一损失值;
利用所述大范围降雨预测值对所述3DCNN网络进行训练,得到小范围降雨预测值,并计算所述小范围降雨预测值的损失值,得到第二损失值;
计算所述第一损失值和所述第二损失值之和,得到目标损失值,并利用所述目标损失值对所述初始神经网络模型进行训练,得到训练神经网络模型。
6.根据权利要求4所述的多气象要素降雨预测方法,其特征在于,所述判断所述降雨测试结果是否满足预设降雨预设条件,若所述降雨测试结果满足所述预设降雨预设条件则将所述训练神经网络模型作为降雨预测神经网络模型,包括:
使用包含临界成功指数、探测率、错报率、海德克技能评分和结构相似性的评价指标对所述降雨测试结果与所述测试集中的真实降雨值进行对比分析,得到评价指标对比结果;
判断所述评价指标对比结果是否达到预设阈值,若所述评价指标对比结果达到所述预设阈值,则将所述训练神经网络模型作为降雨预测神经网络模型。
7.根据权利要求1至6任一项所述的多气象要素降雨预测方法,其特征在于,所述通过所述降雨预测神经网络模型输出以所述目标区域为中心的小范围降雨预测结果之后,还包括:
根据数值大小确定所述小范围降雨预测结果对应的降雨强度等级并进行实时预报;
按照预设的时间间隔利用新采集的大范围多种气象要素数据对所述降雨预测神经网络模型进行重新训练。
8.一种降雨预测装置,其特征在于,包括:
数据获取模块,用于获取以目标区域为中心的大范围多种历史气象要素数据,得到初始气象要素数据;
数据预处理模块,用于对所述初始气象要素数据进行预处理,以得到目标气象要素数据;
降雨预测模块,用于将所述目标气象要素数据输入至训练后的降雨预测神经网络模型中,以便通过所述降雨预测神经网络模型输出小范围所述目标区域的降雨预测结果;其中,所述降雨预测神经网络模型为利用训练集对基于Swin-Transformer机制、PredRNN网络和3DCNN网络构建的初始神经网络模型进行训练后得到的模型,所述训练集包括以所述目标区域为中心的大范围多种历史气象要素数据。
9.一种电子设备,其特征在于,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的多气象要素降雨预测方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的多气象要素降雨预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210847719.3A CN115220133B (zh) | 2022-07-19 | 2022-07-19 | 一种多气象要素降雨预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210847719.3A CN115220133B (zh) | 2022-07-19 | 2022-07-19 | 一种多气象要素降雨预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115220133A true CN115220133A (zh) | 2022-10-21 |
CN115220133B CN115220133B (zh) | 2023-05-26 |
Family
ID=83611958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210847719.3A Active CN115220133B (zh) | 2022-07-19 | 2022-07-19 | 一种多气象要素降雨预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115220133B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508917A (zh) * | 2022-11-22 | 2022-12-23 | 中国民用航空局空中交通管理局航空气象中心 | 机场气象要素预报方法、装置、设备和存储介质 |
CN116719002A (zh) * | 2023-08-08 | 2023-09-08 | 北京弘象科技有限公司 | 定量降水估计方法、装置、电子设备及计算机存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170357029A1 (en) * | 2016-06-14 | 2017-12-14 | The Climate Corporation | Supervised neural network to predict unlabeled rain rates |
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
US20200160535A1 (en) * | 2018-11-15 | 2020-05-21 | Qualcomm Incorporated | Predicting subject body poses and subject movement intent using probabilistic generative models |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112446419A (zh) * | 2020-10-29 | 2021-03-05 | 中山大学 | 基于注意力机制的时空神经网络雷达回波外推预报方法 |
CN112734017A (zh) * | 2021-04-01 | 2021-04-30 | 成都信息工程大学 | 一种降水量预测模型的建立方法 |
CN113705864A (zh) * | 2021-08-13 | 2021-11-26 | 华北水利水电大学 | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 |
CN114139690A (zh) * | 2021-12-09 | 2022-03-04 | 南京邮电大学 | 短临降水预测方法及装置 |
CN114239971A (zh) * | 2021-12-20 | 2022-03-25 | 浙江大学 | 基于Transformer注意力机制的日降水量预测方法 |
-
2022
- 2022-07-19 CN CN202210847719.3A patent/CN115220133B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170357029A1 (en) * | 2016-06-14 | 2017-12-14 | The Climate Corporation | Supervised neural network to predict unlabeled rain rates |
US20200160535A1 (en) * | 2018-11-15 | 2020-05-21 | Qualcomm Incorporated | Predicting subject body poses and subject movement intent using probabilistic generative models |
CN110363327A (zh) * | 2019-06-04 | 2019-10-22 | 东南大学 | 基于ConvLSTM和3D-CNN的短临降水预测方法 |
CN111126704A (zh) * | 2019-12-25 | 2020-05-08 | 河海大学常州校区 | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 |
CN112446419A (zh) * | 2020-10-29 | 2021-03-05 | 中山大学 | 基于注意力机制的时空神经网络雷达回波外推预报方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112734017A (zh) * | 2021-04-01 | 2021-04-30 | 成都信息工程大学 | 一种降水量预测模型的建立方法 |
CN113705864A (zh) * | 2021-08-13 | 2021-11-26 | 华北水利水电大学 | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 |
CN114139690A (zh) * | 2021-12-09 | 2022-03-04 | 南京邮电大学 | 短临降水预测方法及装置 |
CN114239971A (zh) * | 2021-12-20 | 2022-03-25 | 浙江大学 | 基于Transformer注意力机制的日降水量预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508917A (zh) * | 2022-11-22 | 2022-12-23 | 中国民用航空局空中交通管理局航空气象中心 | 机场气象要素预报方法、装置、设备和存储介质 |
CN116719002A (zh) * | 2023-08-08 | 2023-09-08 | 北京弘象科技有限公司 | 定量降水估计方法、装置、电子设备及计算机存储介质 |
CN116719002B (zh) * | 2023-08-08 | 2023-10-27 | 北京弘象科技有限公司 | 定量降水估计方法、装置、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115220133B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Hybrid forecasting model for non-stationary daily runoff series: a case study in the Han River Basin, China | |
Kankanala et al. | AdaBoost $^{+} $: An Ensemble Learning Approach for Estimating Weather-Related Outages in Distribution Systems | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
Sartini et al. | Comparing different extreme wave analysis models for wave climate assessment along the Italian coast | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN112699998B (zh) | 一种时间序列预测方法、装置、电子设备及可读存储介质 | |
Li et al. | Prediction of ship collision risk based on CART | |
CN114154619A (zh) | 一种基于cnn和bilstm的船舶轨迹预测方法 | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Peng et al. | CNGAT: A graph neural network model for radar quantitative precipitation estimation | |
Maddu et al. | Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks | |
Darmawan et al. | Realtime Weather Prediction System Using GRU with Daily Surface Observation Data from IoT Sensors | |
Han et al. | Short-term 4D trajectory prediction based on LSTM neural network | |
Cui et al. | Data-based windstorm type identification algorithm and extreme wind speed prediction | |
CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
Zhong et al. | Multi-factor intensity estimation for tropical cyclones in the western North Pacific based on the deviation angle variance technique | |
CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
Lu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
Reddy et al. | An intelligent optimized cyclone intensity prediction framework using satellite images | |
Porto et al. | Machine learning approaches to extreme weather events forecast in urban areas: Challenges and initial results | |
CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 |
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 |