CN115390164B - 一种雷达回波外推预报方法及系统 - Google Patents

一种雷达回波外推预报方法及系统 Download PDF

Info

Publication number
CN115390164B
CN115390164B CN202211322018.4A CN202211322018A CN115390164B CN 115390164 B CN115390164 B CN 115390164B CN 202211322018 A CN202211322018 A CN 202211322018A CN 115390164 B CN115390164 B CN 115390164B
Authority
CN
China
Prior art keywords
prediction
output
gate
convolution kernel
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211322018.4A
Other languages
English (en)
Other versions
CN115390164A (zh
Inventor
程勇
渠海峰
李远禄
王军
许小龙
何光鑫
杨玲
钱坤
王伟
何佳信
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202211322018.4A priority Critical patent/CN115390164B/zh
Publication of CN115390164A publication Critical patent/CN115390164A/zh
Application granted granted Critical
Publication of CN115390164B publication Critical patent/CN115390164B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • 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
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Hydrology & Water Resources (AREA)
  • Electromagnetism (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种雷达回波外推预报方法及系统，本发明采用基于上下文信息融合及注意力机制的长短期记忆网络构建预测神经网络，通过上下文信息融合提高了输入数据之间的相关性和输入数据的时空细节特征，增强网络的短期依赖能力，通过注意力机制可拓宽预测单元的时间感受野来感知更多的时间动态，捕获更可靠的帧间运动信息，大大增强了降雨预测精准度。本发明克服了现有技术对上下文信息提取不足、预报时效短的缺点，实现了准确度更高的雷达回波外推预测。

Description

一种雷达回波外推预报方法及系统
技术领域
本发明涉及一种雷达回波外推预报方法及系统，属于降雨短临预报领域。
背景技术
降雨短临预报通常是指对某一地区未来短时间内的降雨量进行预测，在预防气象灾害中具有重要的地位，准确的降雨短临预测可以在洪涝、雷暴等天气来临时提前做好预防，减少人员伤亡和财产损失。
目前，基于雷达回波外推技术是预报天气的主要技术手段。因此，如何利用雷达回波外推技术获取精准、快速的天气临近预报，成为气象研究方面的难点和重点之一。
近年来，各种机器学习技术应用于解决短临预测等时空序列预测问题，在众多神经网络中，长短期记忆单元（Long-Short Term Memory，LSTM）是循环神经网络（RNN）的一种变体，它通过在RNN网络单元中引入记忆单元和门控单元来解决序列的长期依赖问题。在此基础上还衍生出许多改进的模型，如ConvLSTM（卷积长短期记忆单元）、PredRNN（预测性递归神经网络）、ConvGRU（卷积门控递归单元）、TrajGRU（轨迹门控递归单元）等。然而，这些网络没有考虑网络输入数据之间的上下文相关性，并且存在预测单元的时间感受野狭窄的问题，影响对未来时刻的降雨预测精度。
发明内容
本发明提供了一种雷达回波外推预报方法及系统，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种雷达回波外推预报方法，包括：
获取雷达回波图像序列；
将雷达回波图像序列输入预先训练的预测神经网络，获得雷达回波外推预测图像；其中，预测神经网络包括从输入到输出依次连接的编码器、预测网络和译码器，预测网络包括若干层依次连接的预测单元，预测单元采用基于上下文信息融合及注意力机制的长短期记忆网络。
预测单元的工作过程为：
对
Figure 997928DEST_PATH_IMAGE001
和
Figure 231463DEST_PATH_IMAGE002
进行信息融合，获得
Figure 530857DEST_PATH_IMAGE003
和
Figure 508041DEST_PATH_IMAGE004
；其中，若当前时刻当前预测单元层 数l>1，
Figure 340605DEST_PATH_IMAGE001
为当前时刻第l-1层预测单元输出的隐藏状态，
Figure 745042DEST_PATH_IMAGE002
为前一时刻第l层预测单元 输出的隐藏状态；若当前时刻当前预测单元层数l=1，
Figure 531732DEST_PATH_IMAGE005
，
Figure 250289DEST_PATH_IMAGE006
为当前时刻编码器的输 出；
Figure 501142DEST_PATH_IMAGE003
为
Figure 14163DEST_PATH_IMAGE001
对应的新隐藏状态，
Figure 84887DEST_PATH_IMAGE004
为
Figure 341556DEST_PATH_IMAGE002
对应的新隐藏状态；
基于注意力机制，根据
Figure 446916DEST_PATH_IMAGE001
、
Figure 396417DEST_PATH_IMAGE007
、
Figure 157700DEST_PATH_IMAGE008
和
Figure 14797DEST_PATH_IMAGE009
，获得
Figure 177925DEST_PATH_IMAGE010
；其中，
Figure 95066DEST_PATH_IMAGE007
为前一 时刻第l层预测单元输出的记忆单元，
Figure 576600DEST_PATH_IMAGE008
为前τ个时刻第l层预测单元输出的记忆单元 集，
Figure 237389DEST_PATH_IMAGE009
为前τ个时刻第l-1层预测单元输出的隐藏状态集，若当前时刻当前预测单元层 数l=1，
Figure 255023DEST_PATH_IMAGE011
，
Figure 343065DEST_PATH_IMAGE010
为带有多个时间步信息的增强记忆单元；
根据
Figure 813361DEST_PATH_IMAGE003
、
Figure 481102DEST_PATH_IMAGE004
、
Figure 415560DEST_PATH_IMAGE010
和
Figure 612187DEST_PATH_IMAGE012
，获得当前时刻当前预测单元输出的隐藏状态
Figure 632095DEST_PATH_IMAGE013
、 时空单元
Figure 103528DEST_PATH_IMAGE014
和记忆单元
Figure 830175DEST_PATH_IMAGE015
；其中，若当前时刻当前预测单元层数l=1，
Figure 260020DEST_PATH_IMAGE012
为前一时刻 最后一层预测单元输出的时空单元，若当前时刻当前预测单元层数l>1，
Figure 704907DEST_PATH_IMAGE012
为当前时刻 第l-1层预测单元输出的时空单元；最后一层预测单元输出的隐藏状态作为译码器的输入。
获得
Figure 511189DEST_PATH_IMAGE016
和
Figure 590879DEST_PATH_IMAGE017
的公式为：
Figure 457204DEST_PATH_IMAGE018
其中，*表示二维卷积，
Figure 123808DEST_PATH_IMAGE019
表示矩阵的点乘运算，
Figure 937043DEST_PATH_IMAGE020
为Sigmoid激活函数，Concat表 示通道拼接，
Figure 435021DEST_PATH_IMAGE021
为
Figure 409930DEST_PATH_IMAGE022
的卷积核，
Figure 626148DEST_PATH_IMAGE023
为
Figure 711915DEST_PATH_IMAGE024
的卷积核，
Figure 329979DEST_PATH_IMAGE025
表示卷积核的大小，
Figure 741368DEST_PATH_IMAGE026
为
Figure 382565DEST_PATH_IMAGE027
依次经过不同尺寸卷积提取、进行通道拼接后的量，
Figure 334341DEST_PATH_IMAGE028
为
Figure 744594DEST_PATH_IMAGE029
依次经过不 同尺寸卷积提取、进行通道拼接后的量，
Figure 123622DEST_PATH_IMAGE030
均为
Figure 750650DEST_PATH_IMAGE031
的卷积核，
Figure 443800DEST_PATH_IMAGE032
均为
Figure 36455DEST_PATH_IMAGE033
的卷积核，
Figure 258489DEST_PATH_IMAGE034
为用于更新
Figure 936595DEST_PATH_IMAGE035
的融合门，
Figure 167856DEST_PATH_IMAGE036
为用于更新
Figure 615018DEST_PATH_IMAGE037
的融合门。
基于注意力机制，根据
Figure 273533DEST_PATH_IMAGE038
和
Figure 173356DEST_PATH_IMAGE039
，获得
Figure 208308DEST_PATH_IMAGE040
，包括：
对
Figure 713238DEST_PATH_IMAGE041
进行卷积运算；
将卷积运算后的结果与
Figure 604971DEST_PATH_IMAGE042
分别进行点乘，获得
Figure 929773DEST_PATH_IMAGE043
；其中，
Figure 565154DEST_PATH_IMAGE043
为相关性系数；
根据
Figure 423126DEST_PATH_IMAGE043
，获得
Figure 485760DEST_PATH_IMAGE044
；其中，
Figure 563438DEST_PATH_IMAGE044
为注意力得分；
将
Figure 674613DEST_PATH_IMAGE044
和
Figure 950874DEST_PATH_IMAGE045
分别相乘后进行聚合，获得
Figure 122092DEST_PATH_IMAGE046
；其中，
Figure 483803DEST_PATH_IMAGE046
为长期运动信息；
采用
Figure 398669DEST_PATH_IMAGE047
构建的融合门
Figure 732699DEST_PATH_IMAGE048
，根据
Figure 137135DEST_PATH_IMAGE049
、融合门
Figure 923826DEST_PATH_IMAGE048
和
Figure 704700DEST_PATH_IMAGE046
，获得
Figure 627657DEST_PATH_IMAGE040
。
获得
Figure 202994DEST_PATH_IMAGE040
的公式为：
Figure 998954DEST_PATH_IMAGE050
其中，*表示二维卷积，
Figure 317940DEST_PATH_IMAGE019
表示矩阵的点乘运算，
Figure 360982DEST_PATH_IMAGE051
为
Figure 310483DEST_PATH_IMAGE041
卷积运算后的结果，
Figure 134083DEST_PATH_IMAGE052
为
Figure 928864DEST_PATH_IMAGE053
中第i个元素，为前i个时刻l-1层预测单元输出的隐藏状态，
Figure 888729DEST_PATH_IMAGE054
为
Figure 9132DEST_PATH_IMAGE055
中第j个元素，为前j个时刻第l层预测单元输出的记忆单元，
Figure 54448DEST_PATH_IMAGE056
为
Figure 652920DEST_PATH_IMAGE057
的卷积核，
Figure 732871DEST_PATH_IMAGE058
为
Figure 758596DEST_PATH_IMAGE059
的卷积核，
Figure 494471DEST_PATH_IMAGE020
为Sigmoid激活函数。
根据
Figure 958951DEST_PATH_IMAGE060
和
Figure 329627DEST_PATH_IMAGE061
，获得当前时刻当前预测单元输出的隐藏状态
Figure 588570DEST_PATH_IMAGE062
、时空单元
Figure 546161DEST_PATH_IMAGE063
和记忆单元
Figure 548753DEST_PATH_IMAGE064
，包括：
根据
Figure 275400DEST_PATH_IMAGE065
和
Figure 970824DEST_PATH_IMAGE010
，获得当前时刻当前预测单元输出的记忆单元
Figure 415711DEST_PATH_IMAGE064
；
根据
Figure 956414DEST_PATH_IMAGE066
和
Figure 68727DEST_PATH_IMAGE067
，获得当前时刻当前预测单元输出的时空单元
Figure 607155DEST_PATH_IMAGE063
；
根据
Figure 601656DEST_PATH_IMAGE068
和
Figure 883733DEST_PATH_IMAGE063
，获得当前时刻当前预测单元输出的隐藏状态
Figure 647290DEST_PATH_IMAGE062
。
获得当前时刻当前预测单元输出的记忆单元
Figure 622199DEST_PATH_IMAGE069
的公式为：
Figure 838417DEST_PATH_IMAGE070
其中，
Figure 688299DEST_PATH_IMAGE020
为Sigmoid激活函数，
Figure 712887DEST_PATH_IMAGE071
为当前时刻
Figure 921014DEST_PATH_IMAGE072
用于输入门的卷积核，
Figure 562211DEST_PATH_IMAGE073
为 前一时刻
Figure 248407DEST_PATH_IMAGE074
用于输入门的卷积核，
Figure 924239DEST_PATH_IMAGE075
为当前时刻
Figure 303268DEST_PATH_IMAGE076
用于输入调制门的卷积核，
Figure 431761DEST_PATH_IMAGE077
为前一时刻
Figure 124910DEST_PATH_IMAGE078
用于输入调制门的卷积核，
Figure 451986DEST_PATH_IMAGE079
表示当前时刻
Figure 939600DEST_PATH_IMAGE080
用于遗忘门的卷积核，
Figure 617706DEST_PATH_IMAGE081
表示前一时刻
Figure 347502DEST_PATH_IMAGE082
用于遗忘门的卷积核，
Figure 794664DEST_PATH_IMAGE083
为第一输入门，
Figure 453178DEST_PATH_IMAGE084
为第一输入调制门，
Figure 556264DEST_PATH_IMAGE085
为第一遗忘门，
Figure 387953DEST_PATH_IMAGE086
为
Figure 892884DEST_PATH_IMAGE083
对应的偏差，
Figure 519037DEST_PATH_IMAGE087
为
Figure 109419DEST_PATH_IMAGE084
对应的偏差，
Figure 744799DEST_PATH_IMAGE088
为
Figure 104237DEST_PATH_IMAGE085
对应的偏差，*表示二维 卷积，
Figure 104554DEST_PATH_IMAGE019
表示矩阵的点乘运算。
获得当前时刻当前预测单元输出的时空单元
Figure 978969DEST_PATH_IMAGE089
的公式为：
Figure 355723DEST_PATH_IMAGE090
其中，
Figure 631984DEST_PATH_IMAGE091
为第二输入门，
Figure 301737DEST_PATH_IMAGE092
为第二输入调制门，
Figure 663449DEST_PATH_IMAGE093
为第二遗忘门，
Figure 843894DEST_PATH_IMAGE094
为
Figure 912344DEST_PATH_IMAGE091
对应的 偏差，
Figure 316781DEST_PATH_IMAGE095
为
Figure 103471DEST_PATH_IMAGE092
对应的偏差，
Figure 618766DEST_PATH_IMAGE096
为
Figure 807302DEST_PATH_IMAGE093
对应的偏差，*表示二维卷积，
Figure 382640DEST_PATH_IMAGE019
表示矩阵的点乘运算， tanh表示双曲正切激活函数，
Figure 656627DEST_PATH_IMAGE097
表示当前时刻
Figure 975612DEST_PATH_IMAGE098
用于输入门的卷积核，
Figure 18655DEST_PATH_IMAGE099
表示当前 时刻
Figure 764894DEST_PATH_IMAGE100
用于输入门的卷积核，
Figure 526177DEST_PATH_IMAGE101
表示当前时刻
Figure 85072DEST_PATH_IMAGE102
用于输入调制门的卷积核，
Figure 44937DEST_PATH_IMAGE103
表 示当前时刻
Figure 899761DEST_PATH_IMAGE104
用于输入调制门的卷积核，
Figure 210656DEST_PATH_IMAGE105
表示当前时刻
Figure 74707DEST_PATH_IMAGE106
用于遗忘门的卷积核，
Figure 92342DEST_PATH_IMAGE107
表示当前时刻
Figure 383646DEST_PATH_IMAGE108
用于遗忘门的卷积核。
获得当前时刻当前预测单元输出的隐藏状态
Figure 916258DEST_PATH_IMAGE109
的公式为：
Figure 318421DEST_PATH_IMAGE110
其中，*表示二维卷积，
Figure 987300DEST_PATH_IMAGE019
表示矩阵的点乘运算，
Figure 449505DEST_PATH_IMAGE111
为输出门，
Figure 469414DEST_PATH_IMAGE112
为
Figure 409688DEST_PATH_IMAGE111
对应的偏 差，tanh表示双曲正切激活函数，
Figure 198652DEST_PATH_IMAGE113
表示
Figure 595873DEST_PATH_IMAGE114
和
Figure 775182DEST_PATH_IMAGE115
按列拼接并保持行不变，
Figure 581464DEST_PATH_IMAGE116
表 示当前时刻
Figure 428197DEST_PATH_IMAGE117
用于输出门的卷积核，
Figure 28943DEST_PATH_IMAGE118
表示前一时刻
Figure 961127DEST_PATH_IMAGE119
用于输出门的卷积核，
Figure 305520DEST_PATH_IMAGE120
表示
Figure 6760DEST_PATH_IMAGE121
用于输出门的卷积核，
Figure 778407DEST_PATH_IMAGE122
表示
Figure 197887DEST_PATH_IMAGE123
用于输出门的卷积核，
Figure 345972DEST_PATH_IMAGE124
表示用于
Figure 901718DEST_PATH_IMAGE125
的大小为
Figure 313108DEST_PATH_IMAGE126
的卷积核。一种雷达回波外推预报系统，包括：
获取模块，获取雷达回波图像序列；
预测模块，将雷达回波图像序列输入预先训练的预测神经网络，获得雷达回波外推预测图像；其中，预测神经网络包括从输入到输出依次连接的编码器、预测网络和译码器，预测网络包括若干层依次连接的预测单元，预测单元采用基于上下文信息融合及注意力机制的长短期记忆网络。
本发明所达到的有益效果：本发明采用基于上下文信息融合及注意力机制的长短期记忆网络构建预测神经网络，通过上下文信息融合提高了输入数据之间的相关性和输入数据的时空细节特征，增强网络的短期依赖能力，通过注意力机制可拓宽预测单元的时间感受野来感知更多的时间动态，捕获更可靠的帧间运动信息，大大增强了降雨预测精度。
附图说明
图1为本发明方法的流程图；
图2为预测单元的结构示意图；
图3为细节上下文融合示意图；
图4为注意力机制示意图；
图5为预测网络的结构示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种雷达回波外推预报方法，包括以下步骤：
步骤1，获取雷达回波图像序列；
步骤2，将雷达回波图像序列输入预先训练的预测神经网络，获得雷达回波外推预测图像；其中，预测神经网络包括从输入到输出依次连接的编码器Encoder、预测网络和译码器Decoder，预测网络包括若干层依次连接的预测单元CA-LSTM，预测单元CA-LSTM采用基于上下文信息融合及注意力机制的长短期记忆网络。
上述方法采用基于上下文信息融合及注意力机制的长短期记忆网络构建预测神经网络，通过上下文信息融合提高了输入数据之间的相关性和输入数据的时空细节特征，增强网络的短期依赖能力，通过注意力机制可拓宽预测单元的时间感受野来感知更多的时间动态，捕获更可靠的帧间运动信息，大大增强了降雨预测精准度。
在实施上述方法之前，需要先构建预测神经网络，并对网络进行训练，具体可以如下：
获取雷达回波图像序列，去除没有降雨或降雨量极少的无效数据，通过数据插值得到等高平面位置显示（Constant Altitude Plan Position Indicator，CAPPI） 数据，将CAPPI数据转化为归一化灰度数据集，最后将数据集划分为训练样本集和测试样本集。
具体将三维极坐标下的数据转换到三维笛卡尔直角坐标系中，采用反距离加权法进行数据插值，得到三维笛卡尔直角坐标系下的规整网格数据，然后将数据进行水平采样，提取某一高度下的二维平面数据，将数据映射到0~255，便得到回波强度CAPPI灰度图像，再通过归一化将反射率数据转化为归一化灰度数据；其中，数据映射公式为：
Figure 16621DEST_PATH_IMAGE127
其中，P为灰度像素，Z为数据的强度值，
Figure 139036DEST_PATH_IMAGE128
为数值向下取整；
数据归一化公式为：
Figure 877185DEST_PATH_IMAGE129
通过数据归一化，可获得归一化灰度数据的值在[0，1]。
进一步对数据集进行划分：设置total_length为20，即每20个数据划分为一个序列，其中前10个数据为输入序列，后10个为对照序列。将数据集中各个月份所有序列按3:1随机划分为训练序列样本子集和测试序列样本子集，合并各个月份的训练序列样本子集和测试序列样本子集，得到训练序列样本集train_data和测试序列样本集test_data。
预测神经网络包括从输入到输出依次连接的编码器、预测网络和译码器，预测网络包括若干层依次连接的预测单元，预测单元采用基于上下文信息融合及注意力机制的长短期记忆网络。
可先对预测神经网络的训练参数初始化，具体设置输入图像的高度height、宽度width和通道channel、卷积核filter_size、卷积步长stride、预测单元堆叠层数num_layers、卷积核数量num_hidden、训练阶段每次输入的样本数量batch_size、训练最大轮数max_epoch、学习率λ、输入序列长度input_length和外推序列长度output_length等。
具体可将输入图像高度设置为height=480，宽度设置为width=560，通道数设置为channel=1， 预测单元堆叠层数设置为num_layers＝4，卷积核大小设置为filter_size＝5，步长设置为stride＝1，卷积核数量设置为hidden_num＝64，学习率设置为λ＝0.001，输入序列长度设置为input_length＝10，外推序列长度设置为output_length＝10，训练阶段每次输入的样本数量设置为batch_size＝4，训练最大轮次设置为max_epoch＝80。
在构建预测神经网络时，首先构建编码器，编码器包含三层卷积层：第1层卷积层输入通道为1，输出通道为64，卷积核为1，步长为1；第2层卷积层输入通道为64，输出通道为64，卷积核为3，步长为2，padding为1；第3层卷积层输入通道为64，输出通道为64，卷积核为3，步长为2，padding为1，每层卷积后进行依次非线性激活。
其次，根据设置的预测单元堆叠层数、卷积核大小、步长、卷积核数量，构建4层预测单元，并按顺序依次堆叠在编码器之后。
最后构建译码器，包含三层卷积层：第1层卷积层输入通道为64，输出通道为64，卷积核为3，步长为2，padding为1；第2层卷积层输入通道为64，输出通道为64，卷积核为3，步长为2，padding为1；第3层卷积层，输入通道为64，输出通道为1，卷积核为1，步长为1。
在一开始时，预测神经网络中的隐藏状态、记忆单元、时空单元初始化为全零张量，大小为（4，64，120，140），前τ个时刻的隐藏状态和记忆单元集同样初始化为全零张量，大小为（τ，4，64，120，140），每经过一个时刻后将各层的输出进行更新，其中，τ取值为5。
如图2和5，预测网络的工作过程为：
1）对
Figure 928317DEST_PATH_IMAGE130
和
Figure 119127DEST_PATH_IMAGE131
进行信息融合，获得
Figure 546698DEST_PATH_IMAGE132
和
Figure 139353DEST_PATH_IMAGE133
；其中，若当前时刻当前预 测单元层数l>1，
Figure 626966DEST_PATH_IMAGE130
为当前时刻第l-1层预测单元输出的隐藏状态，
Figure 508334DEST_PATH_IMAGE131
为前一时刻第l 层预测单元输出的隐藏状态；若当前时刻当前预测单元层数l=1，
Figure 536333DEST_PATH_IMAGE134
，
Figure 921178DEST_PATH_IMAGE135
为当前时 刻编码器的输出；
Figure 642010DEST_PATH_IMAGE132
为
Figure 745095DEST_PATH_IMAGE130
对应的新隐藏状态，
Figure 780047DEST_PATH_IMAGE133
为
Figure 81715DEST_PATH_IMAGE131
对应的新隐藏状态。
见图3，图中Conv表示进行卷积运算，Channel Concat表示进行通道拼接，获得
Figure 409666DEST_PATH_IMAGE132
和
Figure 265627DEST_PATH_IMAGE133
的过程用公式可表示为：
Figure 635428DEST_PATH_IMAGE136
其中，*表示二维卷积，
Figure 994865DEST_PATH_IMAGE137
表示矩阵的点乘运算，
Figure 57499DEST_PATH_IMAGE138
为Sigmoid激活函数，Concat表 示通道拼接，
Figure 869597DEST_PATH_IMAGE139
为
Figure 308669DEST_PATH_IMAGE140
的卷积核，
Figure 788192DEST_PATH_IMAGE141
为
Figure 959410DEST_PATH_IMAGE142
的卷积核，
Figure 321122DEST_PATH_IMAGE143
表示卷积核的大小，
Figure 970409DEST_PATH_IMAGE144
为
Figure 366755DEST_PATH_IMAGE145
依次经过不同尺寸卷积提取、进行通道拼接后的量，
Figure 708875DEST_PATH_IMAGE146
为
Figure 557882DEST_PATH_IMAGE147
依次经过 不同尺寸卷积提取、进行通道拼接后的量，
Figure 509395DEST_PATH_IMAGE148
均为
Figure 760248DEST_PATH_IMAGE149
的卷积核，
Figure 538848DEST_PATH_IMAGE150
均为
Figure 812835DEST_PATH_IMAGE151
的卷积核，
Figure 131820DEST_PATH_IMAGE152
为用于更新
Figure 174863DEST_PATH_IMAGE149
的融合门，
Figure 921102DEST_PATH_IMAGE153
为用于更新
Figure 416805DEST_PATH_IMAGE151
的融合门。
从上述等式可以看出，对
Figure 742744DEST_PATH_IMAGE154
和
Figure 702610DEST_PATH_IMAGE155
分别进行卷积核为
Figure 557434DEST_PATH_IMAGE156
的卷 积操作，对卷积后的图像进行通道拼接得到
Figure 868329DEST_PATH_IMAGE157
和
Figure 466801DEST_PATH_IMAGE158
，然后对
Figure 281173DEST_PATH_IMAGE157
和
Figure 336592DEST_PATH_IMAGE158
再进行 卷积操作，使得通道还原并对其进行Sigmoid操作，控制上下文信息的融合率。可以看到对 输入进行不同尺寸的卷积以提取更精细的时空特征，同时更新
Figure 806887DEST_PATH_IMAGE154
都会使用
Figure 5787DEST_PATH_IMAGE155
的信 息，这意味着它融合了
Figure 877928DEST_PATH_IMAGE155
的时空信息；同样在更新
Figure 402451DEST_PATH_IMAGE155
时，它从
Figure 94463DEST_PATH_IMAGE154
中收集信息。通过 这个过程，提高了输入和隐藏状态的上下文信息相关性。
2）基于注意力机制，根据
Figure 362633DEST_PATH_IMAGE159
和
Figure 89281DEST_PATH_IMAGE160
，获得
Figure 519125DEST_PATH_IMAGE161
；其中，
Figure 229592DEST_PATH_IMAGE162
为前一时刻第l层预测单元输出的记忆单元，
Figure 973557DEST_PATH_IMAGE163
为前τ个时刻第l层预测单元输出 的记忆单元集，
Figure 617028DEST_PATH_IMAGE164
为前τ个时刻第l-1层预测单元输出的隐藏状态集，若当前时刻当前 预测单元层数l=1，
Figure 421036DEST_PATH_IMAGE165
，
Figure 149958DEST_PATH_IMAGE161
为带有多个时间步信息的增强记忆单元。
具体过程如下：
21）对
Figure 461728DEST_PATH_IMAGE166
进行卷积运算；
22）将卷积运算后的结果与
Figure 162968DEST_PATH_IMAGE167
分别进行点乘，获得
Figure 934615DEST_PATH_IMAGE168
；其中，
Figure 354095DEST_PATH_IMAGE168
为相关性系 数；
23）根据
Figure 502180DEST_PATH_IMAGE168
，通过softmax函数获得
Figure 57926DEST_PATH_IMAGE169
；其中，
Figure 203736DEST_PATH_IMAGE169
为注意力得分；
24）将
Figure 907250DEST_PATH_IMAGE169
和
Figure 796709DEST_PATH_IMAGE170
分别相乘后进行聚合，获得
Figure 269278DEST_PATH_IMAGE171
；其中，
Figure 585990DEST_PATH_IMAGE171
为长期运动信息；
25）采用
Figure 776800DEST_PATH_IMAGE172
构建的融合门
Figure 204370DEST_PATH_IMAGE173
，根据
Figure 498823DEST_PATH_IMAGE174
、融合门
Figure 48753DEST_PATH_IMAGE173
和
Figure 398963DEST_PATH_IMAGE171
，获得
Figure 692541DEST_PATH_IMAGE175
。
见图4，图中Softmax表示非线性激活函数，MUL表示乘法（multiplication），获得
Figure 77386DEST_PATH_IMAGE175
的过程用公式可表示为：
Figure 798218DEST_PATH_IMAGE176
其中，
Figure 901303DEST_PATH_IMAGE177
为
Figure 936255DEST_PATH_IMAGE178
卷积运算后的结果，
Figure 237923DEST_PATH_IMAGE179
为
Figure 67339DEST_PATH_IMAGE180
中第i个元素，为前i个时刻l-1层预测单元输出的隐藏状态，
Figure 454458DEST_PATH_IMAGE181
为
Figure 27522DEST_PATH_IMAGE182
中第j个元素，为前j个时刻第l层预测单元 输出的记忆单元，
Figure 652538DEST_PATH_IMAGE183
为
Figure 715172DEST_PATH_IMAGE184
的卷积核，
Figure 25806DEST_PATH_IMAGE185
为
Figure 199298DEST_PATH_IMAGE186
的卷积核。
3）根据
Figure 413242DEST_PATH_IMAGE187
和
Figure 646777DEST_PATH_IMAGE188
，获得当前时刻当前预测单元输出的隐藏 状态
Figure 946171DEST_PATH_IMAGE189
、时空单元
Figure 126617DEST_PATH_IMAGE190
和记忆单元
Figure 522963DEST_PATH_IMAGE191
；其中，若当前时刻当前预测单元层数l=1，
Figure 865083DEST_PATH_IMAGE192
为 前一时刻最后一层预测单元输出的时空单元，若当前时刻当前预测单元层数l>1，
Figure 448511DEST_PATH_IMAGE193
为 当前时刻第l-1层预测单元输出的时空单元；最后一层预测单元输出的隐藏状态为译码器 的输入。
具体过程如下：
31）根据
Figure 167068DEST_PATH_IMAGE194
和
Figure 417921DEST_PATH_IMAGE195
，获得当前时刻当前预测单元输出的记忆单元
Figure 930942DEST_PATH_IMAGE196
。
获得
Figure 204928DEST_PATH_IMAGE196
的过程用公式可以表示为：
Figure 523914DEST_PATH_IMAGE197
其中，
Figure 65492DEST_PATH_IMAGE198
为当前时刻
Figure 811731DEST_PATH_IMAGE199
用于输入门的卷积核，
Figure 573013DEST_PATH_IMAGE200
为前一时刻
Figure 430111DEST_PATH_IMAGE201
用于输入 门的卷积核，
Figure 593239DEST_PATH_IMAGE202
为当前时刻
Figure 713642DEST_PATH_IMAGE203
用于输入调制门的卷积核，
Figure 758958DEST_PATH_IMAGE204
为前一时刻
Figure 357430DEST_PATH_IMAGE205
用于输 入调制门的卷积核，
Figure 437381DEST_PATH_IMAGE206
表示当前时刻
Figure 463106DEST_PATH_IMAGE207
用于遗忘门的卷积核，
Figure 995719DEST_PATH_IMAGE208
表示前一时刻
Figure 397881DEST_PATH_IMAGE209
用于遗忘门的卷积核，
Figure 535601DEST_PATH_IMAGE210
为第一输入门，
Figure 794544DEST_PATH_IMAGE211
为第一输入调制门，
Figure 250671DEST_PATH_IMAGE212
为第一遗忘门，
Figure 518842DEST_PATH_IMAGE213
为
Figure 245489DEST_PATH_IMAGE210
对应的偏差，
Figure 675333DEST_PATH_IMAGE214
为
Figure 120221DEST_PATH_IMAGE211
对应的偏差，
Figure 129766DEST_PATH_IMAGE215
为
Figure 773236DEST_PATH_IMAGE212
对应的偏差。
32）根据
Figure 577244DEST_PATH_IMAGE216
和
Figure 306166DEST_PATH_IMAGE217
，获得当前时刻当前预测单元输出的时空单元
Figure 853822DEST_PATH_IMAGE218
。
获得
Figure 555062DEST_PATH_IMAGE218
的过程用公式可以表示为：
Figure 592288DEST_PATH_IMAGE219
其中，
Figure 746189DEST_PATH_IMAGE220
为第二输入门，
Figure 894273DEST_PATH_IMAGE221
为第二输入调制门，
Figure 971992DEST_PATH_IMAGE222
为第二遗忘门，
Figure 180120DEST_PATH_IMAGE223
为
Figure 86896DEST_PATH_IMAGE220
对应 的偏差，
Figure 976354DEST_PATH_IMAGE224
为
Figure 448924DEST_PATH_IMAGE221
对应的偏差，
Figure 765636DEST_PATH_IMAGE225
为
Figure 159708DEST_PATH_IMAGE222
对应的偏差，tanh表示双曲正切激活函数，
Figure 649595DEST_PATH_IMAGE226
表 示当前时刻
Figure 179934DEST_PATH_IMAGE227
用于输入门的卷积核，
Figure 464285DEST_PATH_IMAGE228
表示当前时刻
Figure 345653DEST_PATH_IMAGE229
用于输入门的卷积核，
Figure 576914DEST_PATH_IMAGE230
表示当前时刻
Figure 24076DEST_PATH_IMAGE231
用于输入调制门的卷积核，
Figure 181126DEST_PATH_IMAGE232
表示当前时刻
Figure 80948DEST_PATH_IMAGE233
用于输入调 制门的卷积核，
Figure 115901DEST_PATH_IMAGE234
表示当前时刻
Figure 620831DEST_PATH_IMAGE235
用于遗忘门的卷积核，
Figure 512564DEST_PATH_IMAGE236
表示当前时刻
Figure 837366DEST_PATH_IMAGE237
用 于遗忘门的卷积核。
33）根据
Figure 676009DEST_PATH_IMAGE238
和
Figure 97763DEST_PATH_IMAGE239
，获得当前时刻当前预测单元输出的隐藏状态
Figure 98080DEST_PATH_IMAGE240
。
获得
Figure 972495DEST_PATH_IMAGE240
的过程用公式可以表示为：
Figure 349250DEST_PATH_IMAGE241
其中，
Figure 563194DEST_PATH_IMAGE242
为输出门，
Figure 796729DEST_PATH_IMAGE243
为
Figure 594658DEST_PATH_IMAGE242
对应的偏差，tanh表示双曲正切激活函数，
Figure 509525DEST_PATH_IMAGE244
表示
Figure 577975DEST_PATH_IMAGE245
和
Figure 982411DEST_PATH_IMAGE246
按列拼接并保持行不变，
Figure 769102DEST_PATH_IMAGE247
表示当前时刻
Figure 753238DEST_PATH_IMAGE248
用于输出门的卷积核，
Figure 738512DEST_PATH_IMAGE249
表示前一时刻
Figure 251533DEST_PATH_IMAGE250
用于输出门的卷积核，
Figure 587836DEST_PATH_IMAGE251
表示
Figure 844505DEST_PATH_IMAGE252
用于输出门的卷积核，
Figure 949864DEST_PATH_IMAGE253
表 示
Figure 132322DEST_PATH_IMAGE254
用于输出门的卷积核，
Figure 159184DEST_PATH_IMAGE255
表示用于
Figure 16281DEST_PATH_IMAGE244
的大小为
Figure 913830DEST_PATH_IMAGE126
的卷积核。
上述网络训练过程如下：
S1）训练样本读取。每次训练时从训练样本集中读取batch_size=4个序列样本作 为网络的输入
Figure 96550DEST_PATH_IMAGE256
。
S2）假设某一时刻的输入
Figure 79549DEST_PATH_IMAGE257
，
Figure 740338DEST_PATH_IMAGE256
的大小为（4,1,480,560），将
Figure 23551DEST_PATH_IMAGE256
输入编码器，提取样本的深度特征，经过编码器的三层卷积后输出为
Figure 49276DEST_PATH_IMAGE258
，公式如下：
Figure 581889DEST_PATH_IMAGE259
其中，
Figure 984051DEST_PATH_IMAGE260
表示用于从输入中提取深层特征的编码器。
S3）根据上述1）~3）的过程，预测网络最后一层预测单元输出隐藏状态
Figure 918509DEST_PATH_IMAGE261
，并将
Figure 115135DEST_PATH_IMAGE262
输入译码器，对隐藏状态进行解码输出，获得下一时刻的预测结果图像
Figure 135044DEST_PATH_IMAGE263
，大小为（4， 1，480，560），完成从输入
Figure 573853DEST_PATH_IMAGE264
到
Figure 566080DEST_PATH_IMAGE263
的雷达回波外推；用公式可表示为：
Figure 261504DEST_PATH_IMAGE265
其中，
Figure 706391DEST_PATH_IMAGE266
表示用于将预测特征映射到帧的译码器。
S4）当t≥10时，将
Figure 247094DEST_PATH_IMAGE267
作为输入，重复步骤S2）至S3），直至t = 19，依次得到预测的 未来时刻的图像序列
Figure 93827DEST_PATH_IMAGE268
，完成雷达回波序列外推。
S5）计算损失函数值。对步骤S2）至步骤S4）前向传播得到的预测序列
Figure 694573DEST_PATH_IMAGE269
和外推参照序列
Figure 626757DEST_PATH_IMAGE270
以均方 误差作为损失函数，根据损失函数所得数值计算网络参数梯度，并更新网络参数，完成反向 传播。
S6）训练集中所有数据都完成一次计算为一轮，重复执行步骤S2）至步骤S5），直至完成训练最大轮数或者达到收敛条件，完成网络训练。
上述训练过程以图5为例，S2）~ S4）的过程可以为：
A1）样本
Figure 971151DEST_PATH_IMAGE271
输入编码器，提取样本的深度特征
Figure 672390DEST_PATH_IMAGE272
。
A2）
Figure 912879DEST_PATH_IMAGE272
、一开始初始化的隐藏状态
Figure 129097DEST_PATH_IMAGE273
、记忆单元
Figure 214864DEST_PATH_IMAGE274
、时空单元
Figure 832927DEST_PATH_IMAGE275
、前τ个时刻的 输入
Figure 477273DEST_PATH_IMAGE276
和记忆单元
Figure 180787DEST_PATH_IMAGE277
输入到第1层长短期记忆网络中，经过前向传播后输出隐藏状 态
Figure 804666DEST_PATH_IMAGE278
、记忆单元
Figure 542815DEST_PATH_IMAGE279
、时空单元
Figure 859527DEST_PATH_IMAGE280
。
A3）步骤A2）输出的隐藏状态
Figure 253599DEST_PATH_IMAGE278
和时空单元
Figure 743486DEST_PATH_IMAGE280
、初始化的隐藏状态
Figure 8246DEST_PATH_IMAGE281
、记忆单 元
Figure 558176DEST_PATH_IMAGE282
、前τ个时刻的隐藏状态
Figure 173965DEST_PATH_IMAGE283
和记忆单元
Figure 670805DEST_PATH_IMAGE284
输入到第2层长短期记忆网络中，经 前向传播后得到该层输出的隐藏状态
Figure 117967DEST_PATH_IMAGE285
、记忆单元
Figure 510902DEST_PATH_IMAGE286
和时空单元
Figure 676304DEST_PATH_IMAGE287
。
A4）同步骤A3）类似，将
Figure 944212DEST_PATH_IMAGE285
和
Figure 511460DEST_PATH_IMAGE287
、初始化的隐藏状态
Figure 75297DEST_PATH_IMAGE288
、记忆单元
Figure 727995DEST_PATH_IMAGE289
、前τ个时 刻的隐藏状态
Figure 301059DEST_PATH_IMAGE290
和记忆单元
Figure 457233DEST_PATH_IMAGE291
输入第3层长短期记忆网络中，经前向传播后得到该 层输出的隐藏状态
Figure 723130DEST_PATH_IMAGE292
、记忆单元
Figure 535228DEST_PATH_IMAGE293
和时空单元
Figure 974299DEST_PATH_IMAGE294
。
A5）同步骤A3）类似，将
Figure 188243DEST_PATH_IMAGE292
和
Figure 625041DEST_PATH_IMAGE294
、初始化的隐藏状态
Figure 986752DEST_PATH_IMAGE295
、记忆单元
Figure 167197DEST_PATH_IMAGE296
、前τ个时 刻的隐藏状态
Figure 734183DEST_PATH_IMAGE297
和记忆单元
Figure 138619DEST_PATH_IMAGE298
输入第4层长短期记忆网络中，经前向传播后得到该 层输出的隐藏状态
Figure 925310DEST_PATH_IMAGE299
、记忆单元
Figure 440605DEST_PATH_IMAGE300
和时空单元
Figure 629141DEST_PATH_IMAGE301
。
A6）将
Figure 407741DEST_PATH_IMAGE301
输入译码器，获得下一时刻的预测结果图像
Figure 744044DEST_PATH_IMAGE302
，完成从输入
Figure 713DEST_PATH_IMAGE303
到
Figure 106072DEST_PATH_IMAGE304
的 雷达回波外推。
A7）将样本
Figure 789995DEST_PATH_IMAGE305
输入编码器，提取样本的深度特征
Figure 348015DEST_PATH_IMAGE306
。
A8）
Figure 408375DEST_PATH_IMAGE306
、隐藏状态
Figure 368241DEST_PATH_IMAGE307
、记忆单元
Figure 223064DEST_PATH_IMAGE308
、时空单元
Figure 533960DEST_PATH_IMAGE309
、前τ个时刻的输入
Figure 896546DEST_PATH_IMAGE310
和记忆单元
Figure 648601DEST_PATH_IMAGE311
输入到第1层长短期记忆网络中，经过前向传播后输出隐藏状态
Figure 2222DEST_PATH_IMAGE312
、记 忆单元
Figure 472518DEST_PATH_IMAGE313
、时空单元
Figure 936997DEST_PATH_IMAGE314
。
A9）将
Figure 543559DEST_PATH_IMAGE312
和
Figure 68081DEST_PATH_IMAGE314
、隐藏状态
Figure 291252DEST_PATH_IMAGE315
、记忆单元
Figure 231526DEST_PATH_IMAGE316
、前τ个时刻的输入
Figure 20491DEST_PATH_IMAGE317
和记忆 单元
Figure 653597DEST_PATH_IMAGE318
输入到第2层长短期记忆网络中，经前向传播后得到该层输出的隐藏状态
Figure 895223DEST_PATH_IMAGE319
、 记忆单元
Figure 639188DEST_PATH_IMAGE320
和时空记忆
Figure 548238DEST_PATH_IMAGE321
。
A10）将
Figure 585202DEST_PATH_IMAGE319
和
Figure 782965DEST_PATH_IMAGE321
、隐藏状态
Figure 127359DEST_PATH_IMAGE322
、记忆单元
Figure 828598DEST_PATH_IMAGE323
、前τ个时刻的输入
Figure 600245DEST_PATH_IMAGE324
和记忆 单元
Figure 19725DEST_PATH_IMAGE325
输入到第3层长短期记忆网络中，经前向传播后得到该层输出的隐藏状态
Figure 167810DEST_PATH_IMAGE326
、 记忆单元
Figure 989135DEST_PATH_IMAGE327
和时空记忆
Figure 134946DEST_PATH_IMAGE328
。
A11）将
Figure 838460DEST_PATH_IMAGE326
和
Figure 462339DEST_PATH_IMAGE328
、隐藏状态
Figure 200488DEST_PATH_IMAGE329
、记忆单元
Figure 251621DEST_PATH_IMAGE330
、前τ个时刻的输入
Figure 442431DEST_PATH_IMAGE331
和记 忆单元
Figure 634115DEST_PATH_IMAGE332
输入到第4层长短期记忆网络中，经前向传播后得到该层输出的隐藏状态
Figure 164454DEST_PATH_IMAGE333
、记忆单元
Figure 714384DEST_PATH_IMAGE334
和时空记忆
Figure 330173DEST_PATH_IMAGE335
。
A12）将
Figure 358172DEST_PATH_IMAGE333
输入译码器，获得下一时刻的预测结果图像
Figure 743017DEST_PATH_IMAGE336
，完成从输入
Figure 463848DEST_PATH_IMAGE337
到
Figure 832512DEST_PATH_IMAGE338
的雷达回波外推。
A13）当t=11,12,…,19时，将前一时刻经过预测输出的
Figure 601885DEST_PATH_IMAGE339
作为网络的输入，重复执 行A7）~ A12），直至t=19，依次得到预测的未来时刻的图像序列
Figure 903554DEST_PATH_IMAGE340
，完成雷达回波序列外推。
利用训练好的网络实施雷达回波外推预报时，先获取雷达回波图像序列，可以对获取的雷达回波图像序列进行预处理，如插值、归一化等（和处理样本数据类似），将雷达回波图像序列输入预测神经网络，即可获得雷达回波外推预测图像。
上述方法采用基于上下文信息融合及注意力机制的长短期记忆网络构建预测神经网络，通过上下文信息融合提高了输入数据之间的相关性和输入数据的时空细节特征，增强网络的短期依赖能力，通过注意力机制可拓宽预测单元的时间感受野来感知更多的时间动态，捕获更可靠的帧间运动信息，大大增强了降雨预测精准度。上述方法克服了现有技术对上下文信息提取不足、预报时效短的缺点，实现了准确度更高的雷达回波外推预测。
基于相同的技术方案，本发明还公开了上述方法的软件系统，一种雷达回波外推预报系统，包括：
获取模块，获取雷达回波图像序列；
预测模块，将雷达回波图像序列输入预先训练的预测神经网络，获得雷达回波外推预测图像；其中，预测神经网络包括从输入到输出依次连接的编码器、预测网络和译码器，预测网络包括若干层依次连接的预测单元，预测单元采用基于上下文信息融合及注意力机制的长短期记忆网络。
上述系统中模块的数据处理流程与方法的一致，这里不重复描述了。
基于相同的技术方案，本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行雷达回波外推预报方法。
基于相同的技术方案，本发明还公开了一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行雷达回波外推预报方法的指令。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (9)

1.一种雷达回波外推预报方法，其特征在于，包括：
获取雷达回波图像序列；
将雷达回波图像序列输入预先训练的预测神经网络，获得雷达回波外推预测图像；其中，预测神经网络包括从输入到输出依次连接的编码器、预测网络和译码器，预测网络包括若干层依次连接的预测单元，预测单元采用基于上下文信息融合及注意力机制的长短期记忆网络；
其中，预测单元的工作过程为：
对
Figure DEST_PATH_IMAGE001
和
Figure 176990DEST_PATH_IMAGE002
进行信息融合，获得
Figure DEST_PATH_IMAGE003
和
Figure 567520DEST_PATH_IMAGE004
；其中，若当前时刻当前预测单元层数l> 1，
Figure 645198DEST_PATH_IMAGE001
为当前时刻第l-1层预测单元输出的隐藏状态，
Figure 553111DEST_PATH_IMAGE002
为前一时刻第l层预测单元输出 的隐藏状态；若当前时刻当前预测单元层数l=1，
Figure DEST_PATH_IMAGE005
，
Figure 891689DEST_PATH_IMAGE006
为当前时刻编码器的输出；
Figure 594065DEST_PATH_IMAGE003
为
Figure 785137DEST_PATH_IMAGE001
对应的新隐藏状态，
Figure 231162DEST_PATH_IMAGE004
为
Figure 830771DEST_PATH_IMAGE002
对应的新隐藏状态；
基于注意力机制，根据
Figure 828683DEST_PATH_IMAGE001
、
Figure DEST_PATH_IMAGE007
、
Figure 615373DEST_PATH_IMAGE008
和
Figure DEST_PATH_IMAGE009
，获得
Figure 192985DEST_PATH_IMAGE010
；其中，
Figure 912679DEST_PATH_IMAGE007
为前一时刻 第l层预测单元输出的记忆单元，
Figure 81493DEST_PATH_IMAGE008
为前τ个时刻第l层预测单元输出的记忆单元集，
Figure 621058DEST_PATH_IMAGE009
为前τ个时刻第l-1层预测单元输出的隐藏状态集，若当前时刻当前预测单元层数l =1，
Figure DEST_PATH_IMAGE011
，
Figure 503826DEST_PATH_IMAGE010
为带有多个时间步信息的增强记忆单元；
根据
Figure 78027DEST_PATH_IMAGE003
、
Figure 152162DEST_PATH_IMAGE004
、
Figure 179024DEST_PATH_IMAGE010
和
Figure 770542DEST_PATH_IMAGE012
，获得当前时刻当前预测单元输出的隐藏状态
Figure DEST_PATH_IMAGE013
、时空 单元
Figure 792725DEST_PATH_IMAGE014
和记忆单元
Figure DEST_PATH_IMAGE015
；其中，若当前时刻当前预测单元层数l=1，
Figure 772182DEST_PATH_IMAGE012
为前一时刻最后 一层预测单元输出的时空单元，若当前时刻当前预测单元层数l>1，
Figure 551919DEST_PATH_IMAGE012
为当前时刻第l-1 层预测单元输出的时空单元；最后一层预测单元输出的隐藏状态作为译码器的输入。
2.根据权利要求1所述的一种雷达回波外推预报方法，其特征在于，获得
Figure 415970DEST_PATH_IMAGE016
和
Figure DEST_PATH_IMAGE017
的 公式为：
Figure 59703DEST_PATH_IMAGE018
其中，*表示二维卷积，
Figure DEST_PATH_IMAGE019
表示矩阵的点乘运算，
Figure 475641DEST_PATH_IMAGE020
为Sigmoid激活函数，Concat表示通 道拼接，
Figure DEST_PATH_IMAGE021
为
Figure 211516DEST_PATH_IMAGE022
的卷积核，
Figure DEST_PATH_IMAGE023
为
Figure 738312DEST_PATH_IMAGE024
的卷积核，
Figure DEST_PATH_IMAGE025
表示卷积核的大小，
Figure 469508DEST_PATH_IMAGE026
为
Figure DEST_PATH_IMAGE027
依次经过不同尺寸卷积提取、进行通道拼接后的量，
Figure 197292DEST_PATH_IMAGE028
为
Figure DEST_PATH_IMAGE029
依次经过不同尺寸卷 积提取、进行通道拼接后的量，
Figure 780983DEST_PATH_IMAGE030
均为
Figure DEST_PATH_IMAGE031
的卷积核，
Figure 986836DEST_PATH_IMAGE032
均 为
Figure DEST_PATH_IMAGE033
的卷积核，
Figure 103697DEST_PATH_IMAGE034
为用于更新
Figure DEST_PATH_IMAGE035
的融合门，
Figure 861437DEST_PATH_IMAGE036
为用于更新
Figure DEST_PATH_IMAGE037
的融合门。
3.根据权利要求1所述的一种雷达回波外推预报方法，其特征在于，基于注意力机制， 根据
Figure 306325DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE039
，获得
Figure 174924DEST_PATH_IMAGE040
，包括：
对
Figure DEST_PATH_IMAGE041
进行卷积运算；
将卷积运算后的结果与
Figure 647756DEST_PATH_IMAGE042
分别进行点乘，获得
Figure DEST_PATH_IMAGE043
；其中，
Figure 451764DEST_PATH_IMAGE043
为相关性系数；
根据
Figure 915106DEST_PATH_IMAGE043
，获得
Figure 852975DEST_PATH_IMAGE044
；其中，
Figure 819794DEST_PATH_IMAGE044
为注意力得分；
将
Figure 60283DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
分别相乘后进行聚合，获得
Figure 604396DEST_PATH_IMAGE046
；其中，
Figure 221323DEST_PATH_IMAGE046
为长期运动信息；
采用
Figure DEST_PATH_IMAGE047
构建的融合门
Figure 901703DEST_PATH_IMAGE048
，根据
Figure DEST_PATH_IMAGE049
、融合门
Figure 661893DEST_PATH_IMAGE048
和
Figure 568669DEST_PATH_IMAGE046
，获得
Figure 848341DEST_PATH_IMAGE040
。
4.根据权利要求3所述的一种雷达回波外推预报方法，其特征在于，获得
Figure 55331DEST_PATH_IMAGE040
的公式 为：
Figure 372043DEST_PATH_IMAGE050
其中，*表示二维卷积，
Figure 156328DEST_PATH_IMAGE019
表示矩阵的点乘运算，
Figure DEST_PATH_IMAGE051
为
Figure 849478DEST_PATH_IMAGE041
卷积运算后的结果，
Figure 770029DEST_PATH_IMAGE052
为
Figure DEST_PATH_IMAGE053
中第i个元素，为前i个时刻l-1层预测单元输出的隐藏状态，
Figure 257642DEST_PATH_IMAGE054
为
Figure DEST_PATH_IMAGE055
中第j个 元素，为前j个时刻第l层预测单元输出的记忆单元，
Figure 499530DEST_PATH_IMAGE056
为
Figure DEST_PATH_IMAGE057
的卷积核，
Figure 855425DEST_PATH_IMAGE058
为
Figure DEST_PATH_IMAGE059
的卷 积核，
Figure 240270DEST_PATH_IMAGE020
为Sigmoid激活函数。
5.根据权利要求1所述的一种雷达回波外推预报方法，其特征在于，根据
Figure 554577DEST_PATH_IMAGE060
和
Figure DEST_PATH_IMAGE061
，获得当前时刻当前预测单元输出的隐藏状态
Figure 923241DEST_PATH_IMAGE062
、时空单元
Figure DEST_PATH_IMAGE063
和记忆单元
Figure 817248DEST_PATH_IMAGE064
，包括：
根据
Figure DEST_PATH_IMAGE065
和
Figure 682698DEST_PATH_IMAGE010
，获得当前时刻当前预测单元输出的记忆单元
Figure 43272DEST_PATH_IMAGE064
；
根据
Figure 899233DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE067
，获得当前时刻当前预测单元输出的时空单元
Figure 596930DEST_PATH_IMAGE063
；
根据
Figure 221947DEST_PATH_IMAGE068
和
Figure 878056DEST_PATH_IMAGE063
，获得当前时刻当前预测单元输出的隐藏状态
Figure 221313DEST_PATH_IMAGE062
。
6.根据权利要求5所述的一种雷达回波外推预报方法，其特征在于，获得当前时刻当前 预测单元输出的记忆单元
Figure DEST_PATH_IMAGE069
的公式为：
Figure 722701DEST_PATH_IMAGE070
其中，
Figure 467803DEST_PATH_IMAGE020
为Sigmoid激活函数，
Figure DEST_PATH_IMAGE071
为当前时刻
Figure 265120DEST_PATH_IMAGE072
用于输入门的卷积核，
Figure DEST_PATH_IMAGE073
为前一 时刻
Figure 564514DEST_PATH_IMAGE074
用于输入门的卷积核，
Figure DEST_PATH_IMAGE075
为当前时刻
Figure 338435DEST_PATH_IMAGE076
用于输入调制门的卷积核，
Figure DEST_PATH_IMAGE077
为前 一时刻
Figure 797099DEST_PATH_IMAGE078
用于输入调制门的卷积核，
Figure DEST_PATH_IMAGE079
表示当前时刻
Figure 263852DEST_PATH_IMAGE080
用于遗忘门的卷积核，
Figure DEST_PATH_IMAGE081
表示前一时刻
Figure 50542DEST_PATH_IMAGE082
用于遗忘门的卷积核，
Figure DEST_PATH_IMAGE083
为第一输入门，
Figure 129619DEST_PATH_IMAGE084
为第一输入调制门，
Figure DEST_PATH_IMAGE085
为第 一遗忘门，
Figure 442789DEST_PATH_IMAGE086
为
Figure 486968DEST_PATH_IMAGE083
对应的偏差，
Figure DEST_PATH_IMAGE087
为
Figure 151168DEST_PATH_IMAGE084
对应的偏差，
Figure 673416DEST_PATH_IMAGE088
为
Figure 247617DEST_PATH_IMAGE085
对应的偏差，*表示二维卷积，
Figure 587331DEST_PATH_IMAGE019
表示矩阵的点乘运算。
7.根据权利要求5所述的一种雷达回波外推预报方法，其特征在于，获得当前时刻当前 预测单元输出的时空单元
Figure DEST_PATH_IMAGE089
的公式为：
Figure 83035DEST_PATH_IMAGE090
其中，
Figure DEST_PATH_IMAGE091
为第二输入门，
Figure DEST_PATH_IMAGE093
为第二输入调制门，
Figure 503914DEST_PATH_IMAGE094
为第二遗忘门，
Figure DEST_PATH_IMAGE095
为
Figure 791676DEST_PATH_IMAGE091
对应的偏差，
Figure 177658DEST_PATH_IMAGE096
为
Figure 816449DEST_PATH_IMAGE093
对应的偏差，
Figure DEST_PATH_IMAGE097
为
Figure 680500DEST_PATH_IMAGE094
对应的偏差，*表示二维卷积，
Figure 963714DEST_PATH_IMAGE019
表示矩阵的点乘运算，tanh 表示双曲正切激活函数，
Figure 645231DEST_PATH_IMAGE098
表示当前时刻
Figure DEST_PATH_IMAGE099
用于输入门的卷积核，
Figure 476046DEST_PATH_IMAGE100
表示当前时刻
Figure DEST_PATH_IMAGE101
用于输入门的卷积核，
Figure 878209DEST_PATH_IMAGE102
表示当前时刻
Figure DEST_PATH_IMAGE103
用于输入调制门的卷积核，
Figure 609404DEST_PATH_IMAGE104
表示当 前时刻
Figure DEST_PATH_IMAGE105
用于输入调制门的卷积核，
Figure 461823DEST_PATH_IMAGE106
表示当前时刻
Figure DEST_PATH_IMAGE107
用于遗忘门的卷积核，
Figure 278469DEST_PATH_IMAGE108
表示当前时刻
Figure DEST_PATH_IMAGE109
用于遗忘门的卷积核，
Figure 484322DEST_PATH_IMAGE020
为Sigmoid激活函数。
8.根据权利要求5所述的一种雷达回波外推预报方法，其特征在于，获得当前时刻当前 预测单元输出的隐藏状态
Figure 368227DEST_PATH_IMAGE110
的公式为：
Figure DEST_PATH_IMAGE111
其中，*表示二维卷积，
Figure 735754DEST_PATH_IMAGE019
表示矩阵的点乘运算，
Figure DEST_PATH_IMAGE113
为输出门，
Figure 305276DEST_PATH_IMAGE114
为
Figure 580400DEST_PATH_IMAGE113
对应的偏差，tanh 表示双曲正切激活函数，
Figure DEST_PATH_IMAGE115
表示
Figure 286187DEST_PATH_IMAGE116
和
Figure DEST_PATH_IMAGE117
按列拼接并保持行不变，
Figure 214829DEST_PATH_IMAGE118
表示当前时 刻
Figure DEST_PATH_IMAGE119
用于输出门的卷积核，
Figure 147013DEST_PATH_IMAGE120
表示前一时刻
Figure DEST_PATH_IMAGE121
用于输出门的卷积核，
Figure 332486DEST_PATH_IMAGE122
表示
Figure DEST_PATH_IMAGE123
用 于输出门的卷积核，
Figure 158360DEST_PATH_IMAGE124
表示
Figure DEST_PATH_IMAGE125
用于输出门的卷积核，
Figure 133269DEST_PATH_IMAGE126
表示用于
Figure DEST_PATH_IMAGE127
的大小为
Figure DEST_PATH_IMAGE129
的卷积核。
9.一种雷达回波外推预报系统，其特征在于，采用权利要求1~8中任一项所述的雷达回波外推预报方法，包括：
获取模块，获取雷达回波图像序列；
预测模块，将雷达回波图像序列输入预先训练的预测神经网络，获得雷达回波外推预测图像；其中，预测神经网络包括从输入到输出依次连接的编码器、预测网络和译码器，预测网络包括若干层依次连接的预测单元，预测单元采用基于上下文信息融合及注意力机制的长短期记忆网络。
CN202211322018.4A 2022-10-27 2022-10-27 一种雷达回波外推预报方法及系统 Active CN115390164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211322018.4A CN115390164B (zh) 2022-10-27 2022-10-27 一种雷达回波外推预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211322018.4A CN115390164B (zh) 2022-10-27 2022-10-27 一种雷达回波外推预报方法及系统

Publications (2)

Publication Number Publication Date
CN115390164A CN115390164A (zh) 2022-11-25
CN115390164B true CN115390164B (zh) 2023-01-31

Family

ID=84128993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211322018.4A Active CN115390164B (zh) 2022-10-27 2022-10-27 一种雷达回波外推预报方法及系统

Country Status (1)

Country Link
CN (1) CN115390164B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116307283B (zh) * 2023-05-19 2023-08-18 青岛科技大学 基于mim模型和时空交互记忆的降水预测系统及方法
CN116953653B (zh) * 2023-09-19 2023-12-26 成都远望科技有限责任公司 一种基于多波段天气雷达组网回波外推方法
CN117665825B (zh) * 2024-01-31 2024-05-14 南京信息工程大学 一种雷达回波外推预报方法、系统及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886023B (zh) * 2017-02-27 2019-04-02 中国人民解放军理工大学 一种基于动态卷积神经网络的雷达回波外推方法
CN107121679A (zh) * 2017-06-08 2017-09-01 湖南师范大学 用于雷达回波外推的循环神经网络预测法及记忆单元结构
CN108427989B (zh) * 2018-06-12 2019-10-11 中国人民解放军国防科技大学 一种用于雷达回波外推的深度时空预测神经网络训练方法
CN108732550B (zh) * 2018-08-01 2021-06-29 北京百度网讯科技有限公司 用于预测雷达回波的方法和装置
US11726184B2 (en) * 2019-03-08 2023-08-15 Leddartech Inc. Component for a LIDAR sensor system, LIDAR sensor system, LIDAR sensor device, method for a LIDAR sensor system and method for a LIDAR sensor device
CN111158068B (zh) * 2019-12-31 2022-09-23 哈尔滨工业大学（深圳） 一种基于简单卷积循环神经网络的短临预报方法及系统

Also Published As

Publication number Publication date
CN115390164A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN115390164B (zh) 一种雷达回波外推预报方法及系统
CN111563508B (zh) 一种基于空间信息融合的语义分割方法
CN110555523B (zh) 一种基于脉冲神经网络的短程跟踪方法及系统
CN109241972B (zh) 基于深度学习的图像语义分割方法
CN110298387A (zh) 融入像素级attention机制的深度神经网络目标检测方法
US20230049089A1 (en) Method and Apparatus For Predicting Power Consumption, Device and Readiable Storage Medium
CN110111366A (zh) 一种基于多级损失量的端到端光流估计方法
CN112508125A (zh) 一种图像检测模型的高效全整数量化方法
CN110930378B (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN112883227B (zh) 一种基于多尺度时序特征的视频摘要生成方法和装置
CN116071650A (zh) 一种融合卷积神经网络与Transformer的遥感影像建筑物提取方法
CN117665825B (zh) 一种雷达回波外推预报方法、系统及存储介质
CN112084911A (zh) 一种基于全局注意力的人脸特征点定位方法及系统
CN115933010A (zh) 一种雷达回波外推临近天气预测方法
CN114283352A (zh) 一种视频语义分割装置、训练方法以及视频语义分割方法
CN116844041A (zh) 一种基于双向卷积时间自注意力机制的耕地提取方法
CN115113165A (zh) 雷达回波外推方法、装置及系统
CN114529793A (zh) 一种基于门控循环特征融合的深度图像修复系统及方法
CN114550014A (zh) 道路分割方法及计算机装置
CN114491289A (zh) 一种双向门控卷积网络的社交内容抑郁检测方法
CN116519106B (zh) 一种用于测定生猪体重的方法、装置、存储介质和设备
CN110648030A (zh) 海水温度的预测方法及装置
CN116106909A (zh) 一种雷达回波外推方法、系统及存储介质
CN114385619A (zh) 一种多通道海洋观测时序标量数据缺失值预测方法及系统
CN114140524A (zh) 一种多尺度特征融合的闭环检测系统及方法

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