CN115438590A - 一种基于bp神经网络的降水预报订正方法及系统 - Google Patents

一种基于bp神经网络的降水预报订正方法及系统 Download PDF

Info

Publication number
CN115438590A
CN115438590A CN202211322373.1A CN202211322373A CN115438590A CN 115438590 A CN115438590 A CN 115438590A CN 202211322373 A CN202211322373 A CN 202211322373A CN 115438590 A CN115438590 A CN 115438590A
Authority
CN
China
Prior art keywords
monitoring points
history sequence
precipitation
sub
historical
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
Application number
CN202211322373.1A
Other languages
English (en)
Other versions
CN115438590B (zh
Inventor
陈媛
牟时宇
周子祺
朱阳
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.)
Guoneng Daduhe Big Data Service Co ltd
Original Assignee
Guoneng Daduhe Big Data Service Co ltd
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 Guoneng Daduhe Big Data Service Co ltd filed Critical Guoneng Daduhe Big Data Service Co ltd
Priority to CN202211322373.1A priority Critical patent/CN115438590B/zh
Publication of CN115438590A publication Critical patent/CN115438590A/zh
Application granted granted Critical
Publication of CN115438590B publication Critical patent/CN115438590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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"
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种基于BP神经网络的降水预报订正方法及系统，属于降水预报技术领域，包括：获取目标区域的多个监测点的相关信息；基于相关信息，对多个监测点进行聚类，将目标区域分为多个子区域；获取目标区域在未来目标时间段的初始预测降水数据；对于每个子区域，基于子区域包含的监测点的相关信息，对初始预测降水数据进行修正，获取子区域的降水预报订正数据，具有提高降水预测的准确度的优点。

Description

一种基于BP神经网络的降水预报订正方法及系统
技术领域
本发明主要涉及降水预报技术领域，具体地说，涉及一种基于BP神经网络的降水预报订正方法及系统。
背景技术
在近几十年来国内外已经对气候变化(包括降水)开展了广泛的研究，其已经成为全球性的问题，并成为国内外最为关注的研究热点。全球气候模式(GCMs)，是研究气候变化机理和预测未来气候变化趋势的重要工具，但由于GCM空间分辨率较为粗糙，为了获得更加精细化的区域气候变化情况，需要对其进行降尺度处理，从而更加精确的预测区域降水变化情况。
目前主要有3种方式，分别为(1)提高GCM模型输出结果精度；(2)将GCM与高分辨率的区域气候模式(RCM)进行嵌套，即动力降尺度方法；(3)建立GCM输出大尺度气象变量与区域气象因子间的统计关系，即统计降尺度方法。
提高GCM模型精度将导致模型计算量呈指数增长，模型计算及运行需要通过超级计算机来进行相关操作。同时动力降尺度方法计算量大，模拟受收入的边界条件影响，会继承GCMs的误差和不足，同样受局地特征的异质性强迫。此外，动力降尺度模型在不同地区应用过程中，还存在着模拟结果与实测值间表现不稳定、数据化结果不能很好反映实际情况等问题。
因此，需要一种基于BP神经网络的降水预报订正方法及系统，用于提高降水预测的准确度。
发明内容
本说明书实施例之一提供一种基于BP神经网络的降水预报订正方法，所述方法包括获取目标区域的多个监测点的相关信息；基于所述相关信息，对所述多个监测点进行聚类，将所述目标区域分为多个子区域；获取所述目标区域在未来目标时间段的初始预测降水数据；对于每个所述子区域，基于所述子区域包含的监测点的相关信息，对所述初始预测降水数据进行修正，获取所述子区域的降水预报订正数据。
在一些实施例中，所述相关信息至少包括所述监测点的位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵，其中，所述历史降水序列包括所述监测点在多个历史时间点的降水量，所述历史动力热物理因子矩阵由多个历史动力热物理因子序列组成，其中，一个所述历史动力热物理因子序列包括所述监测点的一种动力热物理因子在所述多个历史时间点的值。
在一些实施例中，所述基于所述相关信息，对所述多个监测点进行聚类，将所述目标区域分为多个子区域，包括：对于任意两个监测点，基于所述两个监测点的相关信息，确定所述两个监测点之间的相似度；基于所述相似度，对所述多个监测点进行聚类，将所述目标区域分为多个子区域。
在一些实施例中，所述多个历史动力热物理因子序列至少包括广义位温历史序列、广义位涡历史序列、力管涡度历史序列、二阶位涡历史序列、二阶湿位涡历史序列、湿热力平流参数历史序列、螺旋度历史序列、热力垂直通量散度历史序列、Q矢量历史序列、位势变形历史序列、对流涡度矢量历史序列、波作用密度历史序列、广义湿位涡历史序列、热力螺旋度历史序列、Q矢量散度历史序列、位势切变形变历史序列、位势伸展形变历史序列、热力散度垂直通量历史序列及涡度散度梯度历史序列。
在一些实施例中，所述基于所述子区域包含的监测点的相关信息，对所述初始预测降水数据进行修正，获取所述子区域的降水预报订正数据，包括：通过BP神经网络基于所述子区域包含的监测点的相关信息及所述初始预测降水数据，生成第一预报订正数据；通过卷积神经网络基于所述子区域包含的监测点的相关信息及所述初始预测降水数据，生成第二预报订正数据；基于所述第一预报订正数据和所述第二预报订正数据，生成所述子区域的降水预报订正数据。
本说明书实施例之一提供一种基于BP神经网络的降水预报订正系统，所述系统包括：信息获取模块，用于获取目标区域的多个监测点的相关信息；区域分割模块，用于基于所述相关信息，对所述多个监测点进行聚类，将所述目标区域分为多个子区域；数据获取模块，用于获取所述目标区域在未来目标时间段的初始预测降水数据；降水订正模块，用于对于每个所述子区域，基于所述子区域包含的监测点的相关信息，对所述初始预测降水数据进行修正，获取所述子区域的降水预报订正数据。
在一些实施例中，所述相关信息至少包括所述监测点的位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵，其中，所述历史降水序列包括所述监测点在多个历史时间点的降水量，所述历史动力热物理因子矩阵由多个历史动力热物理因子序列组成，其中，一个所述历史动力热物理因子序列包括所述监测点的一种动力热物理因子在所述多个历史时间点的值。
在一些实施例中，所述区域分割模块还用于：对于任意两个监测点，基于所述两个监测点的相关信息，确定所述两个监测点之间的相似度；基于所述相似度，对所述多个监测点进行聚类，将所述目标区域分为多个子区域。
在一些实施例中，所述多个历史动力热物理因子序列至少包括广义位温历史序列、广义位涡历史序列、力管涡度历史序列、二阶位涡历史序列、二阶湿位涡历史序列、湿热力平流参数历史序列、螺旋度历史序列、热力垂直通量散度历史序列、Q矢量历史序列、位势变形历史序列、对流涡度矢量历史序列、波作用密度历史序列、广义湿位涡历史序列、热力螺旋度历史序列、Q矢量散度历史序列、位势切变形变历史序列、位势伸展形变历史序列、热力散度垂直通量历史序列及涡度散度梯度历史序列。
在一些实施例中，所述降水订正模块还用于：通过BP神经网络基于所述子区域包含的监测点的相关信息及所述初始预测降水数据，生成第一预报订正数据；通过卷积神经网络基于所述子区域包含的监测点的相关信息及所述初始预测降水数据，生成第二预报订正数据；基于所述第一预报订正数据和所述第二预报订正数据，生成所述子区域的降水预报订正数据。
本说明书提供的一种基于BP神经网络的降水预报订正方法及系统，至少具有以下有益效果：
1、通过基于相关信息，对多个监测点进行聚类，将目标区域分为多个子区域，对于每个子区域，基于子区域包含的监测点的相关信息，对初始预测降水数据进行修正，获取子区域的降水预报订正数据，将目标区域分为多个子区域，进行更加细化地订正，提高降水预报订正数据精准度；
2、相关信息至少包括监测点的位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵，通过该相关信息，可以实现对多个监测点更加精准地聚类。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请一些实施例所示的一种基于BP神经网络的降水预报订正系统的应用场景示意图；
图2是根据本申请一些实施例所示的一种基于BP神经网络的降水预报订正系统的模块示意图；
图3是根据本申请一些实施例所示的一种基于BP神经网络的降水预报订正方法的示例性流程图。
图中，100、应用场景；110、处理设备；120、网络；130、用户终端；140、存储设备。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。应当理解，给出这些示例性的实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本申请一些实施例所示的一种基于BP神经网络的降水预报订正系统的应用场景100示意图。
如图1所示，应用场景100可以包括处理设备110、网络120、用户终端130和存储设备140。
在一些实施例中，处理设备110可以用于处理与降水预报订正相关的信息和/或数据。例如，处理设备110可以获取目标区域的多个监测点的相关信息，基于相关信息，对多个监测点进行聚类，将目标区域分为多个子区域，获取目标区域在未来目标时间段的初始预测降水数据，对于每个子区域，基于子区域包含的监测点的相关信息，对初始预测降水数据进行修正，获取子区域的降水预报订正数据。
在一些实施例中，处理设备110可以是区域的或者远程的。例如，处理设备110可以通过网络120访问存储于用户终端130和存储设备140中的信息和/或资料。在一些实施例中，处理设备110可以直接与用户终端130和存储设备140连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可以在云平台上执行。例如，该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。在一些实施例中，处理设备110可以包含处理器，处理器可以包含一个或多个子处理器（例如，单芯处理设备或多核多芯处理设备）。仅仅作为范例，处理器可包含中央处理器（CPU）、专用集成电路（ASIC）、专用指令处理器（ASIP）、图形处理器（GPU）、物理处理器（PPU）、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、可编辑逻辑电路（PLD）、控制器、微控制器单元、精简指令集电脑（RISC）、微处理器等或以上任意组合。
网络120可促进应用场景100中数据和/或信息的交换。在一些实施例中，应用场景100中的一个或多个组件（例如，处理设备110、用户终端130和存储设备140）可以通过网络120发送数据和/或信息给应用场景100中的其他组件。例如，处理设备110可以通过网络120从存储设备140获取目标排水系统的历史运行数据。在一些实施例中，网络120可以是任意类型的有线或无线网络。例如，网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络、广域网络、无线区域网络、都会区域网络、公共电话交换网络、蓝牙网络、ZigBee网络、近场通讯网络等或以上任意组合。
用户终端130可以获取应用场景100中的信息或数据，用户可以是用户终端130的使用者。在一些实施例中，用户终端130可以通过网络120与应用场景100中的一个或多个组件（例如，处理设备110或存储设备140）进行数据和/或信息的交换。例如，用户终端130可以通过网络120从处理设备110获取子区域的降水预报订正数据。在一些实施例中，用户终端130可以包括移动装置、平板电脑、笔记本电脑等中的一种或其任意组合。在一些实施例中，移动装置可以包括可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。
在一些实施例中，存储设备140可以与网络120连接以实现与应用场景100的一个或多个组件（例如，处理设备110、用户终端130等）通讯。应用场景100的一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中，存储设备140可以直接与应用场景100中的一个或多个组件（如，处理设备110、用户终端130）连接或通讯。
应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，在本申请内容的指导下，可做出多种变化和修改。可以以各种方式组合本申请描述的示例性的实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性的实施例。例如，存储设备140可以是包括云计算平台的数据存储设备，例如公共云、私有云、社区和混合云等。然而，这些变化与修改不会背离本申请的范围。
图2是根据本申请一些实施例所示的一种基于BP神经网络的降水预报订正系统的模块示意图。如图2所示，基于BP神经网络的降水预报订正系统可以包括信息获取模块、区域分割模块、数据获取模块及降水订正模块。
信息获取模块可以用于获取目标区域的多个监测点的相关信息。
区域分割模块可以用于基于相关信息，对多个监测点进行聚类，将目标区域分为多个子区域。在一些实施例中，区域分割模块还可以用于：对于任意两个监测点，基于两个监测点的相关信息，确定两个监测点之间的相似度，基于相似度，对多个监测点进行聚类，将目标区域分为多个子区域。
数据获取模块可以用于获取目标区域在未来目标时间段的初始预测降水数据。
降水订正模块可以用于对于每个子区域，基于子区域包含的监测点的相关信息，对初始预测降水数据进行修正，获取子区域的降水预报订正数据。在一些实施例中，降水订正模块还可以用于：通过BP神经网络基于子区域包含的监测点的相关信息及初始预测降水数据，生成第一预报订正数据；通过卷积神经网络基于子区域包含的监测点的相关信息及初始预测降水数据，生成第二预报订正数据；基于第一预报订正数据和第二预报订正数据，生成子区域的降水预报订正数据。
关于信息获取模块、区域分割模块、数据获取模块及降水订正模块的更多描述可以参见图3及其相关描述，此处不再赘述。
图3是根据本申请一些实施例所示的一种基于BP神经网络的降水预报订正方法的示例性流程图。在一些实施例中，基于BP神经网络的降水预报订正方法可以由基于BP神经网络的降水预报订正系统执行。如图3所示，基于BP神经网络的降水预报订正方法可以包括如下步骤。
步骤310，获取目标区域的多个监测点的相关信息。在一些实施例中，步骤310可以由信息获取模块执行。
相关信息至少包括监测点的位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵，其中，历史降水序列包括监测点在多个历史时间点的降水量，历史动力热物理因子矩阵由多个历史动力热物理因子序列组成，其中，一个历史动力热物理因子序列包括监测点的一种动力热物理因子在多个历史时间点的值。
地形信息可以至少包括高程、坡度及坡向。
多个历史动力热物理因子序列至少包括广义位温历史序列、广义位涡历史序列、力管涡度历史序列、二阶位涡历史序列、二阶湿位涡历史序列、湿热力平流参数历史序列、螺旋度历史序列、热力垂直通量散度历史序列、Q矢量历史序列、位势变形历史序列、对流涡度矢量历史序列、波作用密度历史序列、广义湿位涡历史序列、热力螺旋度历史序列、Q矢量散度历史序列、位势切变形变历史序列、位势伸展形变历史序列、热力散度垂直通量历史序列及涡度散度梯度历史序列。
一种动力热物理因子的历史序列可以包括监测点的一种动力热物理因子在多个历史时间点的值，例如，广义位温历史序列可以包括监测点的广义位温在多个历史时间点的值。又例如，二阶位涡历史序列可以包括监测点的二阶位涡在多个历史时间点的值。
在一些实施例中，信息获取模块可以从处理设备110、用户终端130、存储设备140和/或外部数据源获取监测点的相关信息。
步骤320，基于相关信息，对多个监测点进行聚类，将目标区域分为多个子区域。在一些实施例中，步骤320可以由区域分割模块执行。
在一些实施例中，区域分割模块基于相关信息，对多个监测点进行聚类，将目标区域分为多个子区域，可以包括：
对于任意两个监测点，基于两个监测点的相关信息，确定两个监测点之间的相似度，即基于两个监测点的位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵，确定两个监测点之间的相似度；
基于相似度，对多个监测点进行聚类，将目标区域分为多个子区域。
在一些实施例中，区域分割模块可以通过相似度确定模型确定两个监测点的相关信息，相似度确定模型的输入为两个监测点的位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵，相似度确定模型的输出为两个监测点之间的相似度，其中，相似度确定模型可以为卷积神经网络（CNN）、深度神经网络（DNN）、循环神经网络（RNN）、多层神经网络（MLP）、对抗神经网络（GAN）等一种或其任意组合。例如，相似度确定模型可以为卷积神经网络和深度神经网络组合形成的模型。
在一些实施例中，区域分割模块可以通过K-means算法基于相似度，对多个监测点进行聚类，将目标区域分为多个子区域。可以理解的，聚类后生成的每个簇中包括的所有的监测点组成一个子区域。
步骤330，获取目标区域在未来目标时间段的初始预测降水数据。在一些实施例中，步骤330可以由数据获取模块执行。
未来目标时间段可以为未来的某个时间段。
在一些实施例中，预测数据获取模块可以从用户终端130、存储设备140或外部数据源（例如，多卫星降水联合反演IMERG卫星降水系统、GRAPES全球预报系统、中国气象局等）获取目标区域在未来目标时间段的初始预测降水数据。
步骤340，对于每个子区域，基于子区域包含的监测点的相关信息，对初始预测降水数据进行修正，获取子区域的降水预报订正数据。在一些实施例中，步骤340可以由降水订正模块执行。
在一些实施例中，降水订正模块可以通过任意方式基于子区域包含的监测点的相关信息，对初始预测降水数据进行修正，获取子区域的降水预报订正数据。例如，降水订正模块可以通过降水订正模型确定两个监测点的相关信息，降水订正模型的输入为子区域包括的多个监测点的相关信息（例如，位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵）及初始预测降水数据，降水订正模型的输出为子区域的降水预报订正数据，其中，降水订正模型可以为卷积神经网络（CNN）、深度神经网络（DNN）、循环神经网络（RNN）、多层神经网络（MLP）、对抗神经网络（GAN）等一种或其任意组合。例如，降水订正模型可以为卷积神经网络和深度神经网络组合形成的模型。
在一些实施例中，为了提高确定的子区域的降水预报订正数据的精度，降水订正模块基于子区域包含的监测点的相关信息，对初始预测降水数据进行修正，获取子区域的降水预报订正数据，可以包括：
通过BP神经网络基于子区域包含的监测点的相关信息及初始预测降水数据，生成第一预报订正数据；
通过卷积神经网络基于子区域包含的监测点的相关信息及初始预测降水数据，生成第二预报订正数据；
基于第一预报订正数据和第二预报订正数据，生成子区域的降水预报订正数据。
可以理解的，BP 神经网络的核心L-M（Levenberg-Marquardt）算法，是一种非线性规划方法，主要用于无约束的多维非线性规划问题，也是一阶牛顿法的一种改进，目的是为了更快地收敛。输入一个初始值
Figure DEST_PATH_IMAGE002
，在
Figure 676678DEST_PATH_IMAGE002
的基础上，我们去寻找比
Figure 531501DEST_PATH_IMAGE002
更靠谱的估计值。既然我们已经认为
Figure 262304DEST_PATH_IMAGE002
可以令人接受，那么更好更精确的估计值应该在
Figure 595196DEST_PATH_IMAGE002
的附近，在距离
Figure 596519DEST_PATH_IMAGE002
长度为
Figure DEST_PATH_IMAGE004
的地方，利用一阶泰勒展开式不断逼近
Figure 622244DEST_PATH_IMAGE002
附近点的估计值，当
Figure DEST_PATH_IMAGE006
时，就认为算法收敛，循环迭代结束，其中，
Figure DEST_PATH_IMAGE008
为函数
Figure DEST_PATH_IMAGE010
（例如，BP 神经网络的目标函数）在
Figure DEST_PATH_IMAGE012
的函数值，
Figure DEST_PATH_IMAGE014
为函数
Figure 21037DEST_PATH_IMAGE010
在
Figure 485516DEST_PATH_IMAGE002
的函数值，
Figure DEST_PATH_IMAGE016
为预设的阈值。改进后的L-M算法采用增量正规化方程，加快这种迭代逼近方式。标准的BP神经网络是由3个神经元层次组成，即输入层、隐含层和输出层，L-M算法对输入的初始值无约束，但为了方便迭代时的数据收敛，前期进行归一化带入，但计算效果很差，最终决定用未处理的原始数据带入。设置最大迭代次数为100次，阈值
Figure DEST_PATH_IMAGE018
为0.1，满足任意一个条件，迭代停止。增加隐层数可以降低神经网络误差，提高精度，但也会使网络复杂化，从而增加网络的训练时间和出现过拟合的倾向。在双隐层基础上，逐步增加隐层数，效果也随之提高，但时间成本也随之增加。综合考虑，在一些实施例中，用于生成第一预报订正数据的BP神经网络使用3个隐层，第1隐层采用S型对数激活函数，剩下2隐层采用线性激活函数。
在一些实施例中，降水订正模块可以通过任意方式基于第一预报订正数据和第二预报订正数据，生成子区域的降水预报订正数据。
例如，降水订正模块可以对第一预报订正数据和第二预报订正数据求均值，以生成子区域的降水预报订正数据。
又例如，降水订正模块可以获取多组历史样本数据，计算修订允许范围，其中，历史样本数据可以包括样本区域的原始预测降水数据和修正预测降水数据，其中，修正预测降水数据可以基于真实的降水数据生成。对于每一组历史样本数据，降水订正模块可以计算该组历史样本数据中，原始预测降水数据和修正预测降水数据之间的相似度，修订允许范围即允许的原始预测降水数据和修正预测降水数据之间的相似度的范围。
降水订正模块可以计算第一预报订正数据和原始预测降水数据相似度，并计算第二预报订正数据和原始预测降水数据相似度。若第一预报订正数据和原始预测降水数据相似度位于修订允许范围内，则可将第一预报订正数据作为降水预报订正数据；若第二预报订正数据和原始预测降水数据相似度位于修订允许范围内，则可将第二预报订正数据作为降水预报订正数据；若第一预报订正数据和原始预测降水数据相似度及第二预报订正数据和原始预测降水数据相似度均位于修订允许范围内，则可以对第一预报订正数据和第二预报订正数据求均值，以生成子区域的降水预报订正数据。
在本申请的另一些实施例中，提供了一种基于BP神经网络的降水预报订正装置，包括至少一个处理设备以及至少一个存储设备；至少一个存储设备用于存储计算机指令，至少一个处理设备用于执行计算机指令中的至少部分指令以实现如上的一种基于BP神经网络的降水预报订正方法。
在本申请的又一些实施例中，提供了一种计算机可读存储介质，存储介质存储计算机指令，当计算机指令被处理设备执行时实现如上的基于BP神经网络的降水预报订正方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行，也可以完全由软件（包括固件、常驻软件、微码等）执行，也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行，或作为独立的软件包在用户计算机上运行，或部分在用户计算机上运行部分在远程计算机运行，或完全在远程计算机或服务器上运行。在远程计算机或服务器上运行时，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种基于BP神经网络的降水预报订正方法，其特征在于，包括：
获取目标区域的多个监测点的相关信息；
基于所述相关信息，对所述多个监测点进行聚类，将所述目标区域分为多个子区域；
获取所述目标区域在未来目标时间段的初始预测降水数据；
对于每个所述子区域，
基于所述子区域包含的监测点的相关信息，对所述初始预测降水数据进行修正，获取所述子区域的降水预报订正数据。
2.根据权利要求1所述的一种基于BP神经网络的降水预报订正方法，其特征在于，所述相关信息至少包括所述监测点的位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵，其中，所述历史降水序列包括所述监测点在多个历史时间点的降水量，所述历史动力热物理因子矩阵由多个历史动力热物理因子序列组成，其中，一个所述历史动力热物理因子序列包括所述监测点的一种动力热物理因子在所述多个历史时间点的值。
3.根据权利要求1所述的一种基于BP神经网络的降水预报订正方法，其特征在于，所述基于所述相关信息，对所述多个监测点进行聚类，将所述目标区域分为多个子区域，包括：
对于任意两个监测点，基于所述两个监测点的相关信息，确定所述两个监测点之间的相似度；
基于所述相似度，对所述多个监测点进行聚类，将所述目标区域分为多个子区域。
4.根据权利要求2所述的一种基于BP神经网络的降水预报订正方法，其特征在于，所述多个历史动力热物理因子序列至少包括广义位温历史序列、广义位涡历史序列、力管涡度历史序列、二阶位涡历史序列、二阶湿位涡历史序列、湿热力平流参数历史序列、螺旋度历史序列、热力垂直通量散度历史序列、Q矢量历史序列、位势变形历史序列、对流涡度矢量历史序列、波作用密度历史序列、广义湿位涡历史序列、热力螺旋度历史序列、Q矢量散度历史序列、位势切变形变历史序列、位势伸展形变历史序列、热力散度垂直通量历史序列及涡度散度梯度历史序列。
5.根据权利要求1-4任意一项所述的一种基于BP神经网络的降水预报订正方法，其特征在于，所述基于所述子区域包含的监测点的相关信息，对所述初始预测降水数据进行修正，获取所述子区域的降水预报订正数据，包括：
通过BP神经网络基于所述子区域包含的监测点的相关信息及所述初始预测降水数据，生成第一预报订正数据；
通过卷积神经网络基于所述子区域包含的监测点的相关信息及所述初始预测降水数据，生成第二预报订正数据；
基于所述第一预报订正数据和所述第二预报订正数据，生成所述子区域的降水预报订正数据。
6.一种基于BP神经网络的降水预报订正系统，其特征在于，包括：
信息获取模块，用于获取目标区域的多个监测点的相关信息；
区域分割模块，用于基于所述相关信息，对所述多个监测点进行聚类，将所述目标区域分为多个子区域；
数据获取模块，用于获取所述目标区域在未来目标时间段的初始预测降水数据；
降水订正模块，用于对于每个所述子区域，基于所述子区域包含的监测点的相关信息，对所述初始预测降水数据进行修正，获取所述子区域的降水预报订正数据。
7.根据权利要求6所述的一种基于BP神经网络的降水预报订正系统，其特征在于，所述相关信息至少包括所述监测点的位置信息、地形信息、历史降水序列及历史动力热物理因子矩阵，其中，所述历史降水序列包括所述监测点在多个历史时间点的降水量，所述历史动力热物理因子矩阵由多个历史动力热物理因子序列组成，其中，一个所述历史动力热物理因子序列包括所述监测点的一种动力热物理因子在所述多个历史时间点的值。
8.根据权利要求6所述的一种基于BP神经网络的降水预报订正系统，其特征在于，所述区域分割模块还用于：
对于任意两个监测点，基于所述两个监测点的相关信息，确定所述两个监测点之间的相似度；
基于所述相似度，对所述多个监测点进行聚类，将所述目标区域分为多个子区域。
9.根据权利要求7所述的一种基于BP神经网络的降水预报订正系统，其特征在于，所述多个历史动力热物理因子序列至少包括广义位温历史序列、广义位涡历史序列、力管涡度历史序列、二阶位涡历史序列、二阶湿位涡历史序列、湿热力平流参数历史序列、螺旋度历史序列、热力垂直通量散度历史序列、Q矢量历史序列、位势变形历史序列、对流涡度矢量历史序列、波作用密度历史序列、广义湿位涡历史序列、热力螺旋度历史序列、Q矢量散度历史序列、位势切变形变历史序列、位势伸展形变历史序列、热力散度垂直通量历史序列及涡度散度梯度历史序列。
10.根据权利要求6-9任意一项所述的一种基于BP神经网络的降水预报订正系统，其特征在于，所述降水订正模块还用于：
通过BP神经网络基于所述子区域包含的监测点的相关信息及所述初始预测降水数据，生成第一预报订正数据；
通过卷积神经网络基于所述子区域包含的监测点的相关信息及所述初始预测降水数据，生成第二预报订正数据；
基于所述第一预报订正数据和所述第二预报订正数据，生成所述子区域的降水预报订正数据。
CN202211322373.1A 2022-10-27 2022-10-27 一种基于bp神经网络的降水预报订正方法及系统 Active CN115438590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211322373.1A CN115438590B (zh) 2022-10-27 2022-10-27 一种基于bp神经网络的降水预报订正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211322373.1A CN115438590B (zh) 2022-10-27 2022-10-27 一种基于bp神经网络的降水预报订正方法及系统

Publications (2)

Publication Number Publication Date
CN115438590A true CN115438590A (zh) 2022-12-06
CN115438590B CN115438590B (zh) 2023-05-02

Family

ID=84253011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211322373.1A Active CN115438590B (zh) 2022-10-27 2022-10-27 一种基于bp神经网络的降水预报订正方法及系统

Country Status (1)

Country Link
CN (1) CN115438590B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115827918A (zh) * 2023-02-13 2023-03-21 支付宝(杭州)信息技术有限公司 一种执行业务的方法、装置、存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107430388A (zh) * 2015-02-27 2017-12-01 能源技术研究所有限责任公司 用于控制建筑物内的环境管理系统的方法和装置
CN111931983A (zh) * 2020-07-07 2020-11-13 湖南大学 一种降水量预测方法及系统
CN114330110A (zh) * 2021-12-14 2022-04-12 上海电气集团股份有限公司 模型训练方法、光伏发电功率预测方法及系统
CN114648181A (zh) * 2022-05-24 2022-06-21 国能大渡河大数据服务有限公司 一种基于机器学习的降水预报修正方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107430388A (zh) * 2015-02-27 2017-12-01 能源技术研究所有限责任公司 用于控制建筑物内的环境管理系统的方法和装置
CN111931983A (zh) * 2020-07-07 2020-11-13 湖南大学 一种降水量预测方法及系统
CN114330110A (zh) * 2021-12-14 2022-04-12 上海电气集团股份有限公司 模型训练方法、光伏发电功率预测方法及系统
CN114648181A (zh) * 2022-05-24 2022-06-21 国能大渡河大数据服务有限公司 一种基于机器学习的降水预报修正方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨杰等: "动态最优多因子组合的华北汛期降水模式误差估计及预报", 《物理学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115827918A (zh) * 2023-02-13 2023-03-21 支付宝(杭州)信息技术有限公司 一种执行业务的方法、装置、存储介质及电子设备
CN115827918B (zh) * 2023-02-13 2023-05-05 支付宝(杭州)信息技术有限公司 一种执行业务的方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN115438590B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
US10439594B2 (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
CN114254561A (zh) 一种内涝预测方法、系统及存储介质
Liu et al. Sequential optimization using multi-level cokriging and extended expected improvement criterion
CN111027732B (zh) 一种多风电场出力场景的生成方法及系统
CN105868853B (zh) 一种短期风电功率组合概率预测方法
CN108074015B (zh) 一种风电功率超短期预测方法及系统
CN112418482A (zh) 一种基于时间序列聚类的云计算能耗预测方法
CN114648181B (zh) 一种基于机器学习的降水预报修正方法及系统
CN114970302B (zh) 一种基于地下水监测系统的区域地下水情预测方法
CN115438590A (zh) 一种基于bp神经网络的降水预报订正方法及系统
CN111339724A (zh) 用于生成数据处理模型和版图的方法、设备和存储介质
CN115391745B (zh) 一种基于概率匹配平均法的降水预报订正方法及系统
CN112949944A (zh) 一种基于时空特征的地下水位智能预测方法及系统
CN109460608A (zh) 一种基于模糊时间序列的高陡边坡形变预测的方法
CN114692488A (zh) 一种超临界翼型的生成方法、装置、电子设备及存储介质
Surendran et al. Wind Speed Prediction Using Chicken Swarm Optimization with Deep Learning Model.
CN108022005A (zh) 一种高效的全离散最优传输方法
CN111323847A (zh) 用于为模拟集成算法确定权重比的方法和设备
CN113609097A (zh) 指纹库的生成方法、装置、计算机设备和存储介质
CN114118508A (zh) 一种基于时空卷积网络的od市场航空客流量预测方法
Xu et al. Extremecast: Boosting extreme value prediction for global weather forecast
CN113723006B (zh) 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统
CN111366989A (zh) 天气预报方法、装置、计算机设备及存储介质
CN117390364B (zh) 一种用于运营状态下桥梁响应的时空域建模拟合方法

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