CN115936196A - 基于时序卷积网络的月降水模型预测方法 - Google Patents
基于时序卷积网络的月降水模型预测方法 Download PDFInfo
- Publication number
- CN115936196A CN115936196A CN202211476547.XA CN202211476547A CN115936196A CN 115936196 A CN115936196 A CN 115936196A CN 202211476547 A CN202211476547 A CN 202211476547A CN 115936196 A CN115936196 A CN 115936196A
- Authority
- CN
- China
- Prior art keywords
- prediction
- monthly rainfall
- component
- monthly
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000001556 precipitation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000010187 selection method Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了基于时序卷积网络的月降水模型预测方法，包括以下步骤：收集并整理月降水量和候选预测因子，将所述月降水量和候选预测因子分别分为训练期和预测期；对所述训练期和预测期的数据进行分解，分别得到不同分解尺度的分量；基于候选预测因子的分量对降水分量的重要性，为降水分量挑选重要预测因子；基于所述月降水分量及其重要预测因子，构建月降水分量预测模型；基于所述月降水分量预测模型，对月降水分量进行预测，并将预测值相加得到最终的月降水预测值。本申请通过离散小波分解和Boruta特征选择方法分别有效提取了隐藏在数据中不同时间尺度的有用信息和识别了影响月降水的重要因子，从而提高模型预测精度。
Description
技术领域
本申请属于计算机领域和气象预测技术领域，具体涉及基于时序卷积网络的月降水模型预测方法。
背景技术
降水是一种可以直观描述气候变化的指标之一，也是人类生活中的必不可少的自然资源。降水的时空分布不均匀往往会导致干旱、洪涝等自然灾害的发生，给人类生活、经济发展和生态环境造成严重的影响和破坏。因此，准确预测降水可以为水资源管理、防灾减灾等方面提供有用信息。随着人工智能技术的发展，深度学习方法也越来越多地用于月降水预测领域。虽然在现有的循环神经网络体系结构中，例如长短期记忆网络和门控循环网络可以缓解梯度爆炸的问题，但是长短期记忆网络和门控循环网络具有复杂的门控机制和高内存的要求。与循环神经网络相比，卷积神经网络，特别是时序卷积网络，对内存的要求更低，结构更简单，训练方案更稳定。
降水受到许多因素的影响，导致其具有非线性和非平稳性。现有的月降水预测方法通常是直接对非线性、非平稳的序列进行预测，这样会导致预测精度不高。在预测模型中引入如离散小波分解的信号处理方法，可以有效的将月降水序列分解到不同时间尺度上，减少时间序列数据的非平稳特征，提取隐藏在数据中的有效信息，从而提高预测精度。采用Boruta特征选取方法可以从大量的候选预测因子中挑选出月降水的重要预测因子，提高模型预测性能。
发明内容
本申请提出了基于时序卷积网络的月降水模型预测方法，通过耦合时序卷积网络、离散小波分解和Boruta特征选择方法构建月降水预测模型，能够从而获得月降水预测值。
为实现上述目的，本申请提供了如下方案：
基于时序卷积网络的月降水模型预测方法，包括以下步骤：
收集并整理月降水量和候选预测因子，将所述月降水量和候选预测因子分别分为训练期和预测期；
对所述训练期和预测期的数据进行分解，分别得到不同分解尺度的分量；
基于候选预测因子的分量对降水分量的重要性，为降水分量挑选重要预测因子；
基于所述月降水分量及其重要预测因子，构建月降水分量预测模型；
基于所述月降水分量预测模型，对月降水分量进行预测，并将预测值相加得到最终的月降水预测值。
优选的，所述候选预测因子包括：历史月降水和气候指数。
优选的，对所述训练期和预测期的数据进行分解的方法包括：离散小波分解。
优选的，所述离散小波分解的方法包括：用不同频率的滤波器分析不同频率的信号，包括高通滤波器和低通滤波器。
优选的，所述高通滤波器包括：将输入信号的高频部分滤掉输出低频部分，得到近似分量。
优选的，所述低通滤波器包括：滤掉低频部分输出高频部分，得到细节分量。
优选的，得到所述重要预测因子的方法包括：采用Boruta特征选择方法。
优选的，构建所述月降水分量预测模型的方法包括：构建时序卷积神经网络。
优选的，时序卷积神经网络包括:因果卷积、膨胀卷积和残差链接。
本申请的有益效果为：
本申请公开了基于时序卷积网络的月降水模型预测方法，本申请方法首先对模型输入进行预处理，利用离散小波变换将模型输入分解为不同时间尺度的细节分量和近似分量，有效提取隐藏在原始月降水数据中的有用信息，从而提高预测模型的准确性。采用Boruta特征选择方法从众多候选预测因子中挑选重要预测因子，有效减少了模型输入，提高了预测性能。此外，采用时序卷积网络技术对分解后的月降水分别进行训练和预测，实施者可以有效地控制时序卷积网络模型视野域的大小，避免了传统循环神经网络中出现的梯度爆炸或梯度消失问题，使得模型更加稳健。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例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是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的基于时序卷积网络的月降水模型预测方法示意图；
图2为本申请实施例的离散小波分解示意图。
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。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
如图1所示，为本申请实施例的基于时序卷积网络的月降水模型预测方法示意图；
步骤一：收集并整理月降水量和候选预测因子，将月降水量和候选预测因子分别分为训练期和预测期；
如表1所示，候选预测因子包括历史月降水和气候指数；
表1
步骤二：对训练期和预测期的数据进行分解，分别得到不同分解尺度的分量，分量包括近似分量和细节分量；
采用离散小波的方法进行分解，离散小波分解的意义就在于能够在不同尺度上对信号进行分解，而且对不同尺度的选择可以根据不同的目标来确定。用不同频率的滤波器分析不同频率的信号，主要包括高通滤波器和低通滤波器。高通滤波器包括将输入信号的高频部分滤掉输出低频部分，即近似分量。低通滤波器包括：滤掉低频部分输出高频部分，即细节分量。
先将原始信号对半分解成“低频近似”与“高频细节”2个部分；同样的操作每次将上一次的“低频近似”部分再分成低频近似和高频细节部分，逐次细分(最多分解到每个部分只有1个点)。每次分出的高频细节部分不做分解。因此，每次分出低频近似部分相当于对本次信号做“低通滤波”，分出的高频细节部分相当于对本次信号做“高通滤波”。所以，每次离散小波分解就是用1个低通滤波器和1个高通滤波器对本次信号做1次低通滤波和1次高通滤波而已。小波分解的关键在于2个(一组)滤波器。因此，预测期和训练期信号通过两个互补滤波器产生两个信号，通过计算离散小波系数可以得到原始信号的近似细节，这就是分解，其逆过程就是重构。首先将需要处理的不同地区降水量信号离散采样，得到x(z)，则信号的小波分解和重构可通过子带滤波的形式实现，其分解和重构结构如图2所示。图中F0(z)、F1(z)分别为低通滤波器和高通滤波器对应的滤波系数，H0(z)、H1(z)分别为低通滤波器和高通滤波器的镜像滤波器对应的滤波系数，满足H0(z)＝F0(-z),H1(z)＝F1(-z)。
信号的分解过程为：一方面，信号x(z)经过低通滤波器后进行“下采样”(↓2)，得到尺度和分辨率均减半的平均信号c(z)，即低频成分；另一方面，信号x(z)经过高通滤波器后进行“下采样”(↓2)，得到尺度和分辨率均减半的细节信号d(z)，即高频成分。
采用离散小波分解对训练期的月降水量和候选预测因子进行分解，得到不同时间尺度的高频成分即细节信息(D1，D2,..,DJ)和低频成分即近似信息(AJ)。
步骤三：基于候选预测因子的分量对于降水分量的重要性，为降水分量挑选重要预测因子；
对于每一个分解尺度，采用Boruta特征选择方法从候选预测因子分量中挑选出月降水分量的重要预测因子；将月降水分量和挑选的重要预测因子作为时序卷积网络的模型输入。
Boruta方法是一个基于随机森林分类方法的包装器。首先，对于每一个月降水候选预测因子都创建一份副本；将特征副本和原始特征拼接构成新的特征矩阵；随机打乱添加的属性，以消除它们与响应的相关性；在扩展的特征矩阵上运行一个随机森林分类器，并收集计算出的Z-Score；找到阴影属性之间的最大Z-Score(MZSA)，然后为每个得分高于MZSA的属性标记为重要；对于未确定重要性的每个属性执行一个与MZSA相等的双侧检验；将重要程度显著低于MZSA的属性视为“不重要”，并将其永久从特征集合中删除；认为重要性显著高于MZSA的属性为“重要”；删除所有阴影属性；重复此过程，直到为所有属性分配重要性，或者该方法已经达到先前设置的随机森林运行的次数。
步骤四：基于月降水分量及其重要预测因子，构建月降水分量预测模型；
将月降水分量及其对应尺度的重要预测因子分量代入时序卷积网络模型进行训练，得到各月降水分量的预测模型。时序卷积网络有两种具体的设计:因果卷积和一维全卷积网络(FCN)体系结构。通过使用因果卷积，模型的输出仅受当前和过去输入的影响。时序卷积网络采用1D-FCN架构，使网络输出与输入序列的长度保持一致。此外，膨胀卷积也被引入时序卷积网络以增加模型的感受野。利用残差连接将之前的输入和卷积的结果结合起来，以确保加法操作得到相同的张量。
步骤五：基于月降水分量预测模型，对月降水分量进行预测，并将预测值相加得到最终的月降水预测值。
将离散小波分解和Boruta特征选择处理之后的月降水重要预测因子分量作为输入，输入到相应分量的时序卷积网络月降水预测模型，获得各月降水分量的预测值，然后将各分量的预测值累加得到最终的月降水预测值。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
Claims (9)
1.基于时序卷积网络的月降水模型预测方法，其特征在于，包括以下步骤：
收集并整理月降水量和候选预测因子，将所述月降水量和候选预测因子分别分为训练期和预测期；
对所述训练期和预测期的数据进行分解，分别得到不同分解尺度的分量；
基于候选预测因子的分量对降水分量的重要性，为降水分量挑选重要预测因子；
基于所述月降水分量及其重要预测因子，构建月降水分量预测模型；
基于所述月降水分量预测模型，对月降水分量进行预测，并将预测值相加得到最终的月降水预测值。
2.根据权利要求1所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述候选预测因子包括：历史月降水和气候指数。
3.根据权利要求1所述的基于时序卷积网络的月降水模型预测方法，其特征在于，对所述训练期和预测期的数据进行分解的方法包括：离散小波分解。
4.根据权利要求3所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述离散小波分解的方法包括：用不同频率的滤波器分析不同频率的信号，包括高通滤波器和低通滤波器。
5.根据权利要求4所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述高通滤波器包括：将输入信号的高频部分滤掉输出低频部分，得到近似分量。
6.根据权利要求4所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述低通滤波器包括：滤掉低频部分输出高频部分，得到细节分量。
7.根据权利要求1所述的基于时序卷积网络的月降水模型预测方法，其特征在于，得到所述重要预测因子的方法包括：采用Boruta特征选择方法。
8.根据权利要求1所述的基于时序卷积网络的月降水模型预测方法，其特征在于，构建所述月降水分量预测模型的方法包括：构建时序卷积神经网络。
9.根据权利要求8所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述时序卷积神经网络包括:因果卷积、膨胀卷积和残差链接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211476547.XA CN115936196A (zh) | 2022-11-23 | 2022-11-23 | 基于时序卷积网络的月降水模型预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211476547.XA CN115936196A (zh) | 2022-11-23 | 2022-11-23 | 基于时序卷积网络的月降水模型预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115936196A true CN115936196A (zh) | 2023-04-07 |
Family
ID=86650036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211476547.XA Pending CN115936196A (zh) | 2022-11-23 | 2022-11-23 | 基于时序卷积网络的月降水模型预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936196A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116449460A (zh) * | 2023-04-23 | 2023-07-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于卷积UNet和迁移学习的区域月降水预测方法及系统 |
-
2022
- 2022-11-23 CN CN202211476547.XA patent/CN115936196A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116449460A (zh) * | 2023-04-23 | 2023-07-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于卷积UNet和迁移学习的区域月降水预测方法及系统 |
| CN116449460B (zh) * | 2023-04-23 | 2023-10-10 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于卷积UNet和迁移学习的区域月降水预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Avila et al. | NTL detection in electric distribution systems using the maximal overlap discrete wavelet-packet transform and random undersampling boosting | |
| Chen et al. | Forecasting tourism demand based on empirical mode decomposition and neural network | |
| CN111161535A (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
| CN107909206B (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
| CN110070229A (zh) | 家庭电力负荷的短期预测方法 | |
| Han et al. | An intelligent noise reduction method for chaotic signals based on genetic algorithms and lifting wavelet transforms | |
| Pramanik et al. | Daily river flow forecasting using wavelet ANN hybrid models | |
| CN107992447A (zh) | 一种应用于河流水位预测数据的特征选择分解方法 | |
| CN110610232A (zh) | 一种基于深度学习的长期及短期交通流预测模型构建方法 | |
| CN110909928B (zh) | 能源负荷短期预测方法、装置、计算机设备及存储介质 | |
| US11954115B2 (en) | Methods and systems for wavelet based representation | |
| CN113705864A (zh) | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 | |
| CN114970774B (zh) | 一种智能变压器故障预测方法和装置 | |
| CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
| CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
| Li | A comprehensive survey of sparse regularization: Fundamental, state-of-the-art methodologies and applications on fault diagnosis | |
| CN110619427A (zh) | 基于序列到序列学习模型的交通指数预测方法和装置 | |
| Tiu et al. | An evaluation of various data pre-processing techniques with machine learning models for water level prediction | |
| Faraz et al. | Stock market prediction-by-prediction based on autoencoder long short-term memory networks | |
| CN116451553A (zh) | 一种改进的变分模态分解与BiGRU融合的水质预测方法 | |
| CN115936196A (zh) | 基于时序卷积网络的月降水模型预测方法 | |
| Khetarpal et al. | Power quality disturbances detection and classification based on deep convolution auto-encoder networks | |
| Gan | Signal processing and image processing for acoustical imaging | |
| CN101510943A (zh) | 利用超完备拓扑稀疏编码有效去除图像噪声的方法 | |
| Duca et al. | Joint modelling wind speed and power via Bayesian Dynamical models |
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 |