CN115438841A - 基于人工智能精准预测降雨模型的训练方法及预测方法 - Google Patents

基于人工智能精准预测降雨模型的训练方法及预测方法 Download PDF

Info

Publication number
CN115438841A
CN115438841A CN202210976472.5A CN202210976472A CN115438841A CN 115438841 A CN115438841 A CN 115438841A CN 202210976472 A CN202210976472 A CN 202210976472A CN 115438841 A CN115438841 A CN 115438841A
Authority
CN
China
Prior art keywords
network
matrix
convolution
layer
rainfall
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210976472.5A
Other languages
English (en)
Inventor
李健
胡雅婷
王国伟
汪威
常晶
温长吉
于合龙
刘孔宇
任虹宾
周晶
熊琦
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.)
Jilin Agricultural University
Original Assignee
Jilin Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin Agricultural University filed Critical Jilin Agricultural University
Priority to CN202210976472.5A priority Critical patent/CN115438841A/zh
Publication of CN115438841A publication Critical patent/CN115438841A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及基于人工智能精准预测降雨模型的训练方法及预测方法。它主要包括准备训练数据集、预训练以及全网络训练等步骤。它借助空间推理的空间表示能力和机器学习的精准预测能力，完成对区域降雨的有效预测以及对区域降雨预测模型的训练；通过在预测过程中引入空间信息、温度、湿度以及风速风向等环境因素，并通过加权融合，权值自适应方式，使得降雨预测模型精度提升且复杂度得到优化，提升了降雨预测实时性。

Description

基于人工智能精准预测降雨模型的训练方法及预测方法
本申请是针对申请号为201911104132.8、发明名称为“一种空间推理与机器学习相结合的区域降雨预测方法”的分案申请。
技术领域
本发明涉及空间推理和机器学习，具体涉及基于人工智能精准预测降雨模型的训练方法及预测方法。
背景技术
降雨预测对人们的社会生活生产的影响不容忽视，其预测的实时性和精确度要求较高。但天气系统的形成和变化与地理环境、大气运动互相影响，目前降雨预测模型方程非常复杂，预测决策较困难、水平较低。
发明内容
本发明目的在于提供一种基于人工智能精准预测降雨的方法，用于对局部区域降雨的快速和精确监测。
为实现上述目的，本发明提供了如下技术方案：
一种基于人工智能精准预测降雨的方法，使用空间推理的方法和理论，对待监测区域的空间位置和气候状态信息进行描述；然后借助机器学习中的深度神经网络模型对其进行分析和降雨预测，具体实现步骤依次包含：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；
所述观测数据采集，利用分布于固定位置的n个无线电探空仪检测大气的状态，作为观测数据；所述观测数据包括温度值，湿度，是否降雨，以及风速和风向；
所述观测数据预处理，包括对空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理，得到预处理特征值；所述特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；其结果预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；
空间关系因子特征网络输入为基于空间信息的空间推理，(n+2)2交集矩阵，描述n+2个简单区域的空间位置关系，即为空间关系矩阵；具体为从空间划分看，假定每个固定位置的无线电探空仪的有效范围为一个简单区域，监测区域和观测区域内的降雨区域也为简单区域；其空间信息即为空间简单区域的空间推理；
所述空间关系因子特征网络由3个结构相同的卷积模块1级联而成；所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；所述三个卷积层的卷积核大小分别为1×1,3×3,5×5，填充分别为0,1,2，步进为1；第一个卷积模块1中卷积层输出通道数设置为4；第二个卷积模块1中卷积层输出通道数设置为16；第三个卷积模块1中卷积层输出通道数设置为32；空间关系因子特征网络输出为空间关系因子特征：通道数为32，宽高均为n+2；
风因子特征网络输入为风速矩阵和风向矩阵，由一个concat层和三个结构相同的卷积模块2级联而成；所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；所述concat层输入为风速矩阵和方向矩阵；采用第二维度拼接；所述风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；风因子特征网络输出为风因子特征，通道数为32，宽高均为n+2；
温度因子特征网络输入温度向量；由2个反池化层和2个结构相同的卷积模块3交替级联组成；所述温度向量由每个无线电探空仪的观测数据中的温度值依次排列；为n维行向量；所述2个反池化层分别完成输入特征在列方向和行方向上均扩展到n+2维；所述卷积模块3由一个卷积层和一个BN层级联而成；所述卷积层参数为，输出通道数依次为8和32；卷积核大小为3×3，填充为1，步进为1；温度因子特征网络输出为温度因子特征，通道数为32，宽高均为n+2；
湿度因子特征网络输入湿度向量；所述湿度向量由每个无线电探空仪的观测数据中的湿度值依次排列；为n维行向量；所述湿度因子特征网络结构与温度因子特征网络结构一致；湿度因子特征网络输出为湿度因子特征，通道数为32，宽高均为n+2；
所述观测数据预处理特征融合，使用合并网络结构完成对预处理特征值的融合，输出观测数据描述符；所述合并网络结构采用权重网络结构分别对输入特征的每一个通道学习一个权重值，然后使用Axpy层和Eltwise层进行加权合并，得到观测数据描述符；所述权重网络结构为globalpooling层和全链接层以及sigmoid层级联形成；输出各通道的加权权重值；所述观测数据描述符通道数为32，宽高均为n+2；
所述观测数据特征提取，为观测数据描述符经过多级级联的卷积网络，得到观测数据特征向量；所述观测数据特征提取采用的多级级联的卷积网络为VGG16网络结构；
所述观测数据特征向量时序融合，将多次采集的观测数据生成观测数据特征向量，并依次输入到LSTM网络中，输出观测数据特征时序向量；
所述降雨预测，将观测数据特征时序向量送入判决器中，输出降雨预测结果矩阵和降雨预测概率矩阵；所述判决器由一个卷积模块和两个全链接层组成；所述卷积模块包含一个卷积层和BN层；所述两个全链接层分别为卷积模块输出连接，分别输出降雨预测结果矩阵和降雨预测概率矩阵；所述降雨预测结果矩阵和降雨预测概率矩阵维度宽高均为n+2，表征(n+2)2交集矩阵对应元素区域的降雨预测结果及概率值。更优的，所有的网络模型参数均优选为线下训练完成。
本发明还提供了一种基于人工智能精准预测降雨模型的训练方法，可训练用于对局部区域降雨的快速和精确监测的人工智能精准预测降雨模型。
为实现上述另一目的，本发明还提供了如下技术方案：
一种基于人工智能精准预测降雨模型的训练方法，其特征在于：包括准备训练数据集、预训练以及全网络训练；
准备训练数据集：
获取长时间的n个无线电探空仪检测大气的状态的观测数据历史值，并记录其对应的降雨状态；
对于每次的观测数据，生成空间关系矩阵、风速矩阵和风向矩阵、温度向量及湿度向量，并依据各个简单区域的降雨状态，按照交集矩阵表示方法，生成其标签降雨矩阵，维度与宽高均为n+2；
上述空间关系矩阵、风速矩阵和风向矩阵、温度向量、湿度向量以及标签降雨矩阵为一组训练数据；
其中，所述空间关系矩阵为基于空间信息的空间推理，(n+2)2交集矩阵，描述n+2个简单区域的空间位置关系；具体为从空间划分看，假定每个固定位置的无线电探空仪的有效范围为一个简单区域，监测区域和观测区域内的降雨区域也为简单区域，其空间信息即为空间简单区域的空间推理；
所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；
所述温度向量由每个无线电探空仪的观测数据中的温度值依次排列，为n维行向量；
所述湿度向量由每个无线电探空仪的观测数据中的湿度值依次排列，为n维行向量；
观测数据历史值具有时间序列属性，即训练数据同样具有时间序列属性；由观测数据的历史值生成训练数据集合；
预训练：
数据预处理：包括对上述获得的训练数据集中空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理、得到预处理特征值；
所述特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；其结果预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；
空间关系因子特征网络输入为空间关系矩阵，输出为空间关系因子特征：其通道数为32、宽高均为n+2；空间关系因子特征网络由3个结构相同的卷积模块1级联而成；所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；所述三个卷积层的卷积核大小分别为1X1、3X3、5X5，填充分别为0、1、2，步进为1；
第一个卷积模块1中卷积层输出通道数设置为4；
第二个卷积模块1中卷积层输出通道数设置为16；
第三个卷积模块1中卷积层输出通道数设置为32；
风因子特征网络输入为风速矩阵和风向矩阵，输出为风因子特征：其通道数为32、宽高均为n+2；风因子特征网络由一个concat层和三个结构相同的卷积模块2级联而成；所述concat层输入为风速矩阵和方向矩阵，采用第二维度拼接；风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；
温度因子特征网络输入为温度向量，输出为温度因子特征：其通道数为32、宽高均为n+2；温度因子特征网络由两个反池化层和两个结构相同的卷积模块3交替级联组成；所述两个反池化层分别完成输入特征在列方向和行方向上均扩展到n+2维；所述卷积模块3由一个卷积层和一个BN层级联而成；所述卷积层参数为：输出通道数依次为8和32，卷积核大小为3X3，填充为1，步进为1；
湿度因子特征网络输入为湿度向量，输出为湿度因子特征：其通道数为32、宽高均为n+2；湿度因子特征网络与温度因子特征网络结构一致；
数据预处理特征融合：使用合并网络结构完成对预处理特征值的融合，输出数据描述符；
所述合并网络结构采用权重网络结构分别对输入特征的每一个通道学习一个权重值，然后使用Axpy层和Eltwise层进行加权合并，得到数据描述符；
所述权重网络结构为globalpooling层、全链接层以及sigmoid层级联形成，输出各通道的加权权重值；
所述数据描述符通道数为32，宽高均为n+2；
数据特征提取：为数据描述符经过多级级联的卷积网络，得到数据特征向量；
其中数据特征提取采用的多级级联的卷积网络为VGG16网络结构；
将上述数据特征提取之后接入卷积网络和全链接层，输出特征为通道数为1、宽高均为n+2；并使用softmaxloss函数，按照多标签属性计算loss；
具体为：使用训练数据进行前向计算并与标签降雨矩阵计算loss；使用得到的loss反向回传更新网络参数；在训练集上不断迭代更新网络参数，直至loss小于给定值或迭代次数大于给定值；
全网络训练：
搭建网络：
首先，依次进行上述数据预处理、数据预处理特征融合、数据特征提取的步骤；
然后，进行数据特征向量时序融合：将多次采集的训练数据生成训练数据特征向量，并依次输入到LSTM网络中，输出训练数据特征时序向量；
最后，进行降雨预测：将训练数据特征时序向量送入判决器中，输出降雨预测结果矩阵和降雨预测概率矩阵；
所述判决器由一个卷积模块和两个全链接层组成；所述卷积模块包含一个卷积层和BN层；所述两个全链接层分别为卷积模块输出连接，分别输出降雨预测结果矩阵和降雨预测概率矩阵；
所述降雨预测结果矩阵和降雨预测概率矩阵维度宽高均为n+2，表征(n+2)2交集矩阵对应元素区域的降雨预测结果及概率值；
按照上述步骤搭建的网络，使用上述步骤预训练结果作为网络初始化值；
其中预训练网络结构部分为已学习网络结构、上述步骤新加入LSTM网络和判决器为未学习网络结构；其学习率设定为已学习网络结构为未学习网络结构的0.1倍；
按照网络训练过程在训练集上进行迭代更新网络参数；直至迭代结束，选取性能最佳，获得降雨预测模型。
本发明具有如下有益效果：
本发明提供了一种基于人工智能精准预测降雨模型的训练方法，它借助空间推理的空间表示能力和机器学习的精准预测能力，完成对区域降雨的有效预测以及对区域降雨预测模型的训练；通过在预测过程中引入空间信息、温度、湿度以及风速风向等环境因素，并通过加权融合，权值自适应方式，使得降雨预测模型精度提升且复杂度得到优化，提升了降雨预测实时性；引入LSTM网络，从较长时间序列上进行考量，使得模型对降雨预测精度有较大提升。
附图说明
图1为基于人工智能精准预测降雨方法流程图。
图2为空间关系因子特征网络连接示意图。
图3为风因子特征网络连接示意图。
图4为温度因子特征网络连接示意图。
图5为合并网络结构连接示意图。
图6为权重结构网络连接示意图。
具体实施方式
实施例1
一种基于人工智能精准预测降雨的方法，使用空间推理的方法和理论，对待监测区域的空间位置和气候状态信息进行描述，然后借助机器学习中的深度神经网络模型对其进行分析和降雨预测；具体实施步骤如图1所示，包含如下6个步骤：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；
其中，步骤1：观测数据采集，利用分布于固定位置的n个无线电探空仪检测大气的状态，作为观测数据；所述观测数据包括温度值，湿度，是否降雨，以及风速和风向；
步骤2：观测数据预处理，包括对空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理，得到预处理特征值；其中特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；其结果预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；
上述空间关系因子特征网络输入为基于空间信息的空间推理，(n+2)2交集矩阵，描述n+2个简单区域的空间位置关系，即为空间关系矩阵；具体为从空间划分看，假定每个固定位置的无线电探空仪的有效范围为一个简单区域，监测区域和观测区域内的降雨区域也为简单区域；其空间信息即为空间简单区域的空间推理；所述空间关系因子特征网络如图2所示，由3个结构相同的卷积模块1级联而成；所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；所述三个卷积层的卷积核大小分别为1X1,3X3,5X5，填充分别为0,1,2，步进为1；第一个卷积模块1中卷积层输出通道数设置为4；第二个卷积模块1中卷积层输出通道数设置为16；第三个卷积模块1中卷积层输出通道数设置为32；所述空间关系因子特征网络输出为空间关系因子特征：通道数为32，宽高均为n+2；
风因子特征网络输入为风速矩阵和风向矩阵，如图3所示，由一个concat层和三个结构相同的卷积模块2级联而成；所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；所述concat层输入为风速矩阵和方向矩阵；采用第二维度拼接；所述风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；所述风因子特征网络输出为风因子特征，通道数为32，宽高均为n+2；
温度因子特征网络输入温度向量；如图4所示，由2个反池化层和2个结构相同的卷积模块3交替级联组成；上述温度向量由每个无线电探空仪的观测数据中的温度值依次排列；为n维行向量；上述2个反池化层分别完成输入特征在列方向和行方向上均扩展到n+2维；其中卷积模块3由一个卷积层和一个BN层级联而成；卷积层参数为，输出通道数依次为8和32；卷积核大小为3×3，填充为1，步进为1；所述温度因子特征网络输出为温度因子特征，通道数为32，宽高均为n+2；
湿度因子特征网络输入湿度向量；所述湿度向量由每个无线电探空仪的观测数据中的湿度值依次排列；为n维行向量；所述湿度因子特征网络结构与温度因子特征网络结构一致；所述湿度因子特征网络输出为湿度因子特征，通道数为32，宽高均为n+2；
步骤3：观测数据预处理特征融合，使用合并网络结构完成对预处理特征值的融合，输出观测数据描述符；其中合并网络结构如图5所示，采用权重网络结构分别对输入特征的每一个通道学习一个权重值，然后使用Axpy层和Eltwise层进行加权合并，得到观测数据描述符；上述权重网络结构如图6所示，为globalpooling层和全链接层以及sigmoid层级联形成；输出各通道的加权权重值；所述观测数据描述符通道数为32，宽高均为n+2；
步骤4：观测数据特征提取，为观测数据描述符经过多级级联的卷积网络，得到观测数据特征向量；其中观测数据特征提取采用的多级级联的卷积网络为VGG16网络结构；
步骤5：观测数据特征向量时序融合，将多次采集的观测数据生成观测数据特征向量，并依次输入到LSTM网络中，输出观测数据特征时序向量；
步骤6：降雨预测，将观测数据特征时序向量送入判决器中，输出降雨预测结果矩阵和降雨预测概率矩阵；上述判决器由一个卷积模块和两个全链接层组成；所述卷积模块包含一个卷积层和BN层；其中两个全链接层分别为卷积模块输出连接，分别输出降雨预测结果矩阵和降雨预测概率矩阵；降雨预测结果矩阵和降雨预测概率矩阵维度宽高均为n+2，表征(n+2)2交集矩阵对应元素区域的降雨预测结果及概率值。本方法中所有的网络模型参数均优选为线下训练完成。
实施例2
一种基于人工智能精准预测降雨模型的训练方法，其包括准备训练数据集、预训练以及全网络训练；
获取长时间的n个无线电探空仪检测大气的状态的观测数据历史值，并记录其对应的降雨状态；
对于每次的观测数据，按照实施例1中方法，生成空间关系矩阵、风速矩阵和风向矩阵、温度向量以及湿度向量，并依据各个简单区域的降雨状态，按照交集矩阵表示方法，生成其标签降雨矩阵，维度为宽高均为n+2；
上述空间关系矩阵、风速矩阵和风向矩阵、温度向量以及湿度向量以及标签降雨矩阵为一组训练数据；
其观测数据历史值具有时间序列属性，即训练数据同样具有时间序列属性；由观测数据的历史值生成训练数据集合；
在预训练阶段，将实施例1中的降雨模型祛除LSTM网络和判决器，在步骤4观测数据特征提取之后接入卷积网络和全链接层，输出特征为通道数为1，宽高均为n+2；并使用softmaxloss函数，按照多标签属性计算loss；
其具体为，使用训练数据进行前向计算并和标签降雨矩阵计算loss；使用得到的loss反向回传更新网络参数；在训练集上不断迭代更新网络参数；直至loss小于给定值或迭代次数大于给定值；
在全网络训练阶段，按照实施例1中过程搭建网络，使用预训练结果作为网络初始化值，
其中预训练网络结构部分为已学习网络结构，新加入LSTM网络和判决器为未学习网络结构；其学习率设定为已学习网络结构为为学习网络结构的0.1倍；
按照网络训练过程在训练集上进行迭代更新网络参数；至迭代结束，选取性能最佳，得到降雨预测模型。

Claims (2)

1.一种基于人工智能精准预测降雨模型的训练方法，其特征在于：包括准备训练数据集、预训练以及全网络训练；
准备训练数据集：
获取长时间的n个无线电探空仪检测大气的状态的观测数据历史值，并记录其对应的降雨状态；
对于每次的观测数据，生成空间关系矩阵、风速矩阵和风向矩阵、温度向量及湿度向量，并依据各个简单区域的降雨状态，按照交集矩阵表示方法，生成其标签降雨矩阵，维度与宽高均为n+2；
所述空间关系矩阵、风速矩阵和风向矩阵、温度向量、湿度向量以及标签降雨矩阵为一组训练数据；
其中，所述空间关系矩阵为基于空间信息的空间推理，(n+2)2交集矩阵，描述n+2个简单区域的空间位置关系；具体为从空间划分看，假定每个固定位置的无线电探空仪的有效范围为一个简单区域，监测区域和观测区域内的降雨区域也为简单区域，其空间信息即为空间简单区域的空间推理；
所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；
所述温度向量由每个无线电探空仪的观测数据中的温度值依次排列，为n维行向量；
所述湿度向量由每个无线电探空仪的观测数据中的湿度值依次排列，为n维行向量；
观测数据历史值具有时间序列属性，即训练数据同样具有时间序列属性；由观测数据的历史值生成训练数据集合；
预训练：
数据预处理：包括对上述获得的训练数据集中空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理、得到预处理特征值；
所述特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；其结果预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；
所述空间关系因子特征网络输入为空间关系矩阵，输出为空间关系因子特征：其通道数为32、宽高均为n+2；空间关系因子特征网络由3个结构相同的卷积模块1级联而成；所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；所述三个卷积层的卷积核大小分别为1X1、3X 3、5X 5，填充分别为0、1、2，步进为1；
第一个卷积模块1中卷积层输出通道数设置为4；
第二个卷积模块1中卷积层输出通道数设置为16；
第三个卷积模块1中卷积层输出通道数设置为32；
风因子特征网络输入为风速矩阵和风向矩阵，输出为风因子特征：其通道数为32、宽高均为n+2；风因子特征网络由一个concat层和三个结构相同的卷积模块2级联而成；所述concat层输入为风速矩阵和方向矩阵，采用第二维度拼接；风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；
温度因子特征网络输入为温度向量，输出为温度因子特征：其通道数为32、宽高均为n+2；温度因子特征网络由两个反池化层和两个结构相同的卷积模块3交替级联组成；所述两个反池化层分别完成输入特征在列方向和行方向上均扩展到n+2维；所述卷积模块3由一个卷积层和一个BN层级联而成；所述卷积层参数为：输出通道数依次为8和32，卷积核大小为3X 3，填充为1，步进为1；
湿度因子特征网络输入为湿度向量，输出为湿度因子特征：其通道数为32、宽高均为n+2；湿度因子特征网络与温度因子特征网络结构一致；
数据预处理特征融合：使用合并网络结构完成对预处理特征值的融合，输出数据描述符；
所述合并网络结构采用权重网络结构分别对输入特征的每一个通道学习一个权重值，然后使用Axpy层和Eltwise层进行加权合并，得到数据描述符；
所述权重网络结构为globalpooling层、全链接层以及sigmoid层级联形成，输出各通道的加权权重值；
所述数据描述符通道数为32，宽高均为n+2；
数据特征提取：为数据描述符经过多级级联的卷积网络，得到数据特征向量；
其中数据特征提取采用的多级级联的卷积网络为VGG16网络结构；
将上述数据特征提取之后接入卷积网络和全链接层，输出特征为通道数为1、宽高均为n+2；并使用softmaxloss函数，按照多标签属性计算loss；
具体为：使用训练数据进行前向计算并与标签降雨矩阵计算loss；使用得到的loss反向回传更新网络参数；在训练集上不断迭代更新网络参数，直至loss小于给定值或迭代次数大于给定值；
全网络训练：
搭建网络：
首先，依次进行所述数据预处理、数据预处理特征融合、数据特征提取的步骤；
然后，进行数据特征向量时序融合：将多次采集的训练数据生成训练数据特征向量，并依次输入到LSTM网络中，输出训练数据特征时序向量；
最后，进行降雨预测：将训练数据特征时序向量送入判决器中，输出降雨预测结果矩阵和降雨预测概率矩阵；
所述判决器由一个卷积模块和两个全链接层组成；所述卷积模块包含一个卷积层和BN层；所述两个全链接层分别为卷积模块输出连接，分别输出降雨预测结果矩阵和降雨预测概率矩阵；
所述降雨预测结果矩阵和降雨预测概率矩阵维度宽高均为n+2，表征(n+2)2交集矩阵对应元素区域的降雨预测结果及概率值；
按照上述搭建的网络，使用上述预训练结果作为网络初始化值；
其中预训练网络结构部分为已学习网络结构、上述新加入LSTM网络和判决器为未学习网络结构；其学习率设定为已学习网络结构为未学习网络结构的0.1倍；
按照网络训练过程在训练集上进行迭代更新网络参数；直至迭代结束，选取性能最佳，获得降雨预测模型。
2.一种基于人工智能精准预测降雨的方法，其特征在于，具体实施步骤包含如下步骤：观测数据采集、观测数据预处理、观测数据预处理特征融合、观测数据特征提取、观测数据特征向量时序融合、降雨预测；
所述观测数据采集，利用分布于固定位置的n个无线电探空仪检测大气的状态，作为观测数据；所述观测数据包括温度值，湿度，是否降雨，以及风速和风向；
所述观测数据预处理，包括对空间信息、风向与风速、温度值、湿度值分别采用特征网络进行预处理，得到预处理特征值；其中特征网络包括空间关系因子特征网络、风因子特征网络、温度因子特征网络以及湿度因子特征网络；其结果预处理特征值包括空间关系因子特征、风因子特征、温度因子特征以及湿度因子特征；
空间关系因子特征网络输入为基于空间信息的空间推理，(n+2)2交集矩阵，描述n+2个简单区域的空间位置关系，即为空间关系矩阵；具体为从空间划分看，假定每个固定位置的无线电探空仪的有效范围为一个简单区域，监测区域和观测区域内的降雨区域也为简单区域；其空间信息即为空间简单区域的空间推理；所述空间关系因子特征网络，由3个结构相同的卷积模块1级联而成；所述卷积模块1由三个卷积层并联，输出采用Eltwise层加法操作后输入BN层；所述三个卷积层的卷积核大小分别为1X1,3X3,5X5，填充分别为0,1,2，步进为1；第一个卷积模块1中卷积层输出通道数设置为4；第二个卷积模块1中卷积层输出通道数设置为16；第三个卷积模块1中卷积层输出通道数设置为32；空间关系因子特征网络输出为空间关系因子特征：通道数为32，宽高均为n+2；
风因子特征网络输入为风速矩阵和风向矩阵，由一个concat层和三个结构相同的卷积模块2级联而成；所述风速矩阵和风向矩阵由观测数据中的风速和风向生成；维度均与空间关系矩阵相同，对于每一个元素值，风速矩阵为空间关系矩阵中对应元素的简单区域的风速和风向的均值大小，方向矩阵为均值方向与降雨区域中心与监测区域中心的向量夹角；所述concat层输入为风速矩阵和方向矩阵；采用第二维度拼接；所述风因子特征网络的三个结构相同的卷积模块2结构和网络层参数设置均与空间关系因子特征网络中3个结构相同的卷积模块1一致；风因子特征网络输出为风因子特征，通道数为32，宽高均为n+2；
温度因子特征网络输入温度向量；由2个反池化层和2个结构相同的卷积模块3交替级联组成；所述温度向量由每个无线电探空仪的观测数据中的温度值依次排列；为n维行向量；所述2个反池化层分别完成输入特征在列方向和行方向上均扩展到n+2维；其中卷积模块3由一个卷积层和一个BN层级联而成；卷积层参数为，输出通道数依次为8和32；卷积核大小为3×3，填充为1，步进为1；温度因子特征网络输出为温度因子特征，通道数为32，宽高均为n+2；
湿度因子特征网络输入湿度向量；所述湿度向量由每个无线电探空仪的观测数据中的湿度值依次排列；为n维行向量；所述湿度因子特征网络结构与温度因子特征网络结构一致；湿度因子特征网络输出为湿度因子特征，通道数为32，宽高均为n+2；
所述观测数据预处理特征融合，使用合并网络结构完成对预处理特征值的融合，输出观测数据描述符；其中合并网络结构，采用权重网络结构分别对输入特征的每一个通道学习一个权重值，然后使用Axpy层和Eltwise层进行加权合并，得到观测数据描述符；所述权重网络结构，为globalpooling层和全链接层以及sigmoid层级联形成；输出各通道的加权权重值；所述观测数据描述符通道数为32，宽高均为n+2；
所述观测数据特征提取，为观测数据描述符经过多级级联的卷积网络，得到观测数据特征向量；其中观测数据特征提取采用的多级级联的卷积网络为VGG16网络结构；
所述观测数据特征向量时序融合，将多次采集的观测数据生成观测数据特征向量，并依次输入到LSTM网络中，输出观测数据特征时序向量；
所述降雨预测，将观测数据特征时序向量送入判决器中，输出降雨预测结果矩阵和降雨预测概率矩阵；所述判决器由一个卷积模块和两个全链接层组成；所述卷积模块包含一个卷积层和BN层；其中两个全链接层分别为卷积模块输出连接，分别输出降雨预测结果矩阵和降雨预测概率矩阵；降雨预测结果矩阵和降雨预测概率矩阵维度宽高均为n+2，表征(n+2)2交集矩阵对应元素区域的降雨预测结果及概率值；所有的网络模型参数均优选为线下训练完成。
CN202210976472.5A 2019-11-13 2019-11-13 基于人工智能精准预测降雨模型的训练方法及预测方法 Pending CN115438841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210976472.5A CN115438841A (zh) 2019-11-13 2019-11-13 基于人工智能精准预测降雨模型的训练方法及预测方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911104132.8A CN110826810B (zh) 2019-11-13 2019-11-13 一种空间推理与机器学习相结合的区域降雨预测方法
CN202210976472.5A CN115438841A (zh) 2019-11-13 2019-11-13 基于人工智能精准预测降雨模型的训练方法及预测方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201911104132.8A Division CN110826810B (zh) 2019-11-13 2019-11-13 一种空间推理与机器学习相结合的区域降雨预测方法

Publications (1)

Publication Number Publication Date
CN115438841A true CN115438841A (zh) 2022-12-06

Family

ID=69554492

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210976472.5A Pending CN115438841A (zh) 2019-11-13 2019-11-13 基于人工智能精准预测降雨模型的训练方法及预测方法
CN201911104132.8A Active CN110826810B (zh) 2019-11-13 2019-11-13 一种空间推理与机器学习相结合的区域降雨预测方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201911104132.8A Active CN110826810B (zh) 2019-11-13 2019-11-13 一种空间推理与机器学习相结合的区域降雨预测方法

Country Status (1)

Country Link
CN (2) CN115438841A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011106B (zh) * 2021-04-15 2021-12-03 中国气象局公共气象服务中心(国家预警信息发布中心) 一种多数值模式集成预报方法及装置
CN114429076A (zh) * 2021-12-01 2022-05-03 南京师范大学 一种基于Bayes网络的气候演化模拟方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3452777B2 (ja) * 1997-11-12 2003-09-29 株式会社東芝 降雨予測装置
CN106405682B (zh) * 2016-08-29 2019-04-26 深圳先进技术研究院 一种降雨预测方法及装置
CN107703564B (zh) * 2017-10-13 2020-04-14 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
CN109239807A (zh) * 2018-06-29 2019-01-18 平安科技（深圳）有限公司 降雨量评估方法及系统和终端
CN109376913A (zh) * 2018-09-30 2019-02-22 北京市天元网络技术股份有限公司 降水量的预测方法及装置
CN109508476B (zh) * 2018-10-17 2023-01-13 成都卡普数据服务有限责任公司 基于深度网络学习的山火预测建模方法
CN109447378B (zh) * 2018-12-26 2020-06-02 广东海洋大学 一种青藏高原降水预测方法
CN109946762B (zh) * 2019-03-06 2021-05-18 重庆邮电大学移通学院 一种基于概率分布短时预报降水的方法及系统

Also Published As

Publication number Publication date
CN110826810A (zh) 2020-02-21
CN110826810B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
Zhang et al. Temperature forecasting via convolutional recurrent neural networks based on time-series data
CN110245709B (zh) 基于深度学习和自注意力的3d点云数据语义分割方法
CN112561148B (zh) 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统
CN110070183A (zh) 一种弱标注数据的神经网络模型训练方法及装置
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN112308322B (zh) 一种多风场时空风速预测方法、装置及电子设备
CN111612051A (zh) 一种基于图卷积神经网络的弱监督目标检测方法
Narejo et al. Meteonowcasting using deep learning architecture
CN111967675A (zh) 光伏发电量的预测方法以及预测装置
Li et al. Deep spatio-temporal wind power forecasting
CN115438841A (zh) 基于人工智能精准预测降雨模型的训练方法及预测方法
Ashiquzzaman et al. Compacting deep neural networks for light weight iot & scada based applications with node pruning
CN114693064A (zh) 一种建筑群方案生成性能评价方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN114881286A (zh) 一种基于深度学习的短时降水预测方法
CN116541767A (zh) 一种基于图神经网络的多元温室环境参数预测方法及系统
CN116758349A (zh) 基于多尺度超像素节点聚合图卷积残差网络的高光谱图像分类方法
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN116187561A (zh) 一种基于空间时域卷积网络的pm10浓度精细化预测方法
CN115797557A (zh) 基于图注意力网络的自监督3d场景流估计方法
Bosma et al. Estimating solar and wind power production using computer vision deep learning techniques on weather maps
Li et al. Air temperature forecasting using traditional and deep learning algorithms
CN114723998A (zh) 基于大边界贝叶斯原型学习的小样本图像分类方法及装置
CN112784477A (zh) 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法
CN112818982A (zh) 基于深度特征自相关性激活的农业害虫图像检测方法

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