CN116011681A - 一种气象数据预测方法、装置、存储介质及电子装置 - Google Patents
一种气象数据预测方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN116011681A CN116011681A CN202310159659.0A CN202310159659A CN116011681A CN 116011681 A CN116011681 A CN 116011681A CN 202310159659 A CN202310159659 A CN 202310159659A CN 116011681 A CN116011681 A CN 116011681A
- Authority
- CN
- China
- Prior art keywords
- node
- meteorological data
- predicted
- data
- quantum
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种气象数据预测方法、装置、存储介质及电子装置,涉及量子计算领域,方法包括:构建待预测时刻前多个时刻的气象数据节点图,气象数据节点图的每一节点数据表示待预测区域内一个子区域的气象数据;利用变分量子线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵;基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,邻接矩阵表示气象数据节点图中的每一节点与其他节点的连接关系;根据预测气象数据特征确定待预测时刻的预测气象数据。可以实现短时气象预测。
Description
技术领域
本申请属于量子计算技术领域,特别是涉及一种气象数据预测方法、装置、存储介质及电子装置。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息,运行的是量子算法时,它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力,例如,能将破解RSA密钥的时间从数百年加速到数小时,故成为一种正在研究中的关键技术。
气象预测可以指导人类的日常生产生活,避免极端气象带来的损失,例如,农业、运输和国际商务等基础领域的日常活动。可见快速准确的气象预测具有重要意义。
传统的天气预报方法依赖于先验,如大气的热力学特性、数据的统计分布以及包含具有不同初始条件的多个模型的集成学习。这类模型属于数值天气预报方法,而气象数据复杂度高,即使依赖于超级计算机的处理能力,也需要数个小时才能提供预测结果,在气象变化快速的环境下,传统的天气预报方法无法实现短时气象预测。
发明内容
本申请的目的是提供一种气象数据预测方法、装置、存储介质及电子装置,旨在实现短时气象预测。
为了实现上述目的,本申请实施例的第一方面,提供了一种气象数据预测方法,所述方法包括:
构建待预测时刻前多个时刻的气象数据节点图,所述气象数据节点图的每一节点数据表示待预测区域内一个子区域的气象数据;
利用变分量子线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵;
基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,所述邻接矩阵表示气象数据节点图中的每一节点与其他节点的连接关系;
根据所述预测气象数据特征确定待预测时刻的预测气象数据。
可选的,所述基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,包括:
对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算,并对计算结果进行下采样,得到所述预测气象数据特征。
可选的,通过以下公式对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算:
Z(n+1)=A′XnWn,Xn+1=σ(Zn+1);
其中,A′表示归一化后的邻接矩阵,n表示迭代图卷积计算次数,Wn表示第n次计算时的权重矩阵,Xn表示第n次计算时的节点特征矩阵,σ()表示激活函数,Z(n+1)表示第n次图卷积计算结果。
可选的,所述变分量子线路包括编码层、含参变分层和测量层,所述利用量子变分线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵,包括:
利用所述编码层将每一气象数据节点图包括的节点数据编码至预设数量个量子比特;
利用所述含参变分层对编码后的量子比特进行量子态演化;
利用测量层测量每一量子比特演化后的量子态,计算测量结果期望值,得到每一节点数据的节点特征向量;
将每一节点数据的节点特征向量进行拼接,得到气象数据节点图的节点特征矩阵。
可选的,所述编码层包括H门和第一RY门,所述利用所述编码层将每一气象数据节点图包括的节点数据编码至预设数量个量子比特,包括:
将H门作用于预设数量个量子比特,使得每一量子比特由初始态演化为叠加态,根据由气象数据节点图包括的每一节点数据确定的量子门参数,将第一RY门作用于每一量子比特,使得每一节点数据映射到预设数量个处于叠加态的量子比特上。
可选的,所述含参变分层包括CNOT门和第二RY门。
可选的,所述构建待预测时刻前多个时刻的气象数据节点图,包括:
按照经纬度将待预测区域划分为多个的子区域,采集在待预测时刻前多个时刻待预测区域内各子区域的气象数据;
将每一子区域的气象数据映射到节点图中,得到所述气象数据节点图。
根据本申请的第二方面,还提供了一种气象数据预测装置,所述装置包括:
构建模块,用于构建待预测时刻前多个时刻的气象数据节点图,所述气象数据节点图的每一节点数据表示待预测区域内一个子区域的气象数据;
编码模块,用于利用变分量子线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵;
计算模块,用于基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,所述邻接矩阵表示气象数据节点图中的每一节点与其他节点的连接关系;
确定模块,用于根据所述预测气象数据特征确定待预测时刻的预测气象数据。
可选的,所述计算模块,具体用于:
对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算,并对计算结果进行下采样,得到所述预测气象数据特征。
可选的,通过以下公式对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算:
Z(n+1)=A′XnWn,Xn+1=σ(Zn+1);
其中,A′表示归一化后的邻接矩阵,n表示迭代图卷积计算次数,Wn表示第n次计算时的权重矩阵,Xn表示第n次计算时的节点特征矩阵,σ()表示激活函数,Z(n+1)表示第n次图卷积计算结果。
可选的,所述变分量子线路包括编码层、含参变分层和测量层,所述编码模块,具体用于:
利用所述编码层将每一气象数据节点图包括的节点数据编码至预设数量个量子比特;
利用所述含参变分层对编码后的量子比特进行量子态演化;
利用测量层测量每一量子比特演化后的量子态,计算测量结果期望值,得到每一节点数据的节点特征向量;
将每一节点数据的节点特征向量进行拼接,得到气象数据节点图的节点特征矩阵。
可选的,所述编码模块,具体用于:
将H门作用于预设数量个量子比特,使得每一量子比特由初始态演化为叠加态,根据由气象数据节点图包括的每一节点数据确定的量子门参数,将第一RY门作用于每一量子比特,使得每一节点数据映射到预设数量个处于叠加态的量子比特上。
可选的,所述含参变分层包括CNOT门和第二RY门。
可选的,所述构建模块,具体用于:
按照经纬度将待预测区域划分为多个的子区域,采集在待预测时刻前多个时刻待预测区域内各子区域的气象数据;
将每一子区域的气象数据映射到节点图中,得到所述气象数据节点图。
本申请实施例的第三方面,提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述第一方面中任一项所述方法的步骤。
本申请实施例的第四方面,提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述第一方面中任一项所述方法的步骤。
基于上述技术方案,本申请通过构建多个时刻的气象数据节点图,通过使用变分量子线路将气象数据节点图中的每一节点数据进行量子特征编码,借助于量子线路的量子并行计算的特点,实现了对大量复杂气象数据的快速编码,进而得到了节点特征矩阵,基于节点特征矩阵和气象数据节点图的邻接矩阵进行特征计算,得到预测气象数据特征,根据预测气象数据特征确定预测气象数据,从而提升了预测气象数据的速度,实现了短时气象预测。
附图说明
图1是根据一示例性实施例示出的一种气象数据预测方法的计算机终端的硬件结构框图;
图2是根据一示例性实施例示出的一种气象数据预测方法的流程图;
图3是根据一示例性实施例示出的一种邻接矩阵的示意图;
图4是根据一示例性实施例示出的另一种气象数据预测方法的流程图;
图5是根据一示例性实施例示出的一种变分量子线路的示意图;
图6是根据一示例性实施例示出的另一种气象数据预测方法的流程图;
图7是根据一示例性实施例示出的一种根据气象数据节点图预测气象数据的流程图;
图8是根据一示例性实施例示出的一种气象数据预测装置的框图。
具体实施方式
下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本申请实施例首先提供了一种气象数据预测方法,该方法可以应用于电子设备,如计算机终端,具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1是根据一示例性实施例示出的一种气象数据预测方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储基于量子线路的气象数据预测方法的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的气象数据预测方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
需要说明的是,真正的量子计算机是混合结构的,它包含两大部分:一部分是经典计算机,负责执行经典计算与控制;另一部分是量子设备,负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列,实现了对量子逻辑门操作的支持,并最终实现量子计算。具体的说,量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中,因受限于量子设备硬件的发展,通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构(即量子虚拟机)实现特定问题对应的量子程序的模拟运行的过程。通常,需要构建特定问题对应的量子程序。本申请实施例所指量子程序,即是经典语言编写的表征量子比特及其演化的程序,其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式,也称量子逻辑电路,是最常用的通用量子计算模型,表示在抽象概念下对于量子比特进行操作的线路,其组成包括量子比特、线路(时间线)、以及各种量子逻辑门,最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号,在量子线路中,线路可看成是由时间所连接,亦即量子比特的状态随着时间自然演化,在这过程中按照哈密顿运算符的指示,一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路,本申请所述量子程序即指该条总的量子线路,其中,该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为:一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点(跳转指令)组成,一条量子线路可以包含几十上百个甚至成千上万个量子逻辑门操作。量子程序的执行过程,就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是,时序即单个量子逻辑门被执行的时间顺序。
需要说明的是,经典计算中,最基本的单元是比特,而最基本的控制模式是逻辑门,可以通过逻辑门的组合来达到控制电路的目的。类似地,处理量子比特的方式就是量子逻辑门。使用量子逻辑门,能够使量子态发生演化,量子逻辑门是构成量子线路的基础,量子逻辑门包括单比特量子逻辑门,如Hadamard门(H门,阿达马门)、泡利-X门(X门,泡利X门)、泡利-Y门(Y门,泡利Y门)、泡利-Z门(Z门,泡利Z门)、RX门(RX旋转门)、RY门(RY旋转门)、RZ门(RZ旋转门)等等;多比特量子逻辑门,如CNOT门、CR门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示,而酉矩阵不仅是矩阵形式,也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的向量进行计算。例如,量子态右矢|0>对应的向量可以为量子态右矢|1>对应的向量可以为
参见图2,图2是根据一示例性实施例示出的一种气象数据预测方法的流程图。本实施例提供了一种气象数据预测方法,该方法包括:
S201、构建待预测时刻前多个时刻的气象数据节点图。
其中,气象数据节点图的每一节点数据表示待预测区域内一个子区域的气象数据。
本申请实施例中,气象数据可以为气压、温度、风速和湿度等数据。
待预测时刻和待预测区域为需要进行气象数据预测的时刻和地理区域,选取的前多个时刻至少为前2个时刻,具体时刻选取可以根据实际应用场景进行设置,本申请实施例对前多个时刻的数量和选取方式不作具体限定。
例如,待预测时刻为2023.1.1的12时,则前多个时刻可以为2023.1.1的6时和9时两个时刻。
具体的,可以通过以下步骤构建待预测时刻前多个时刻的气象数据节点图:
步骤一、按照经纬度将待预测区域划分为多个的子区域,采集在待预测时刻前多个时刻待预测区域内各子区域的气象数据。
步骤二、将每一子区域的气象数据映射到节点图中,得到气象数据节点图。
本申请实施例中,气象状态定义在高分辨率的经度-纬度-气压级网格上,可以依据经纬度将待预测区域划分为多个子区域,记录每一子区域的气象数据,将每一子区域的气象数据映射在节点图的节点上,得到气象数据节点图。
S202、利用变分量子线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵。
本申请实施例中,可以通过变分量子线路对气象数据节点图的每一节点数据进行量子特征编码,提取节点数据多维度的节点特征向量,得到节点特征矩阵。
具体利用变分量子线路进行量子特征编码的方式将在下文进行介绍。
S203、基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征。
其中,邻接矩阵表示气象数据节点图中的每一节点与其他节点的连接关系,邻接矩阵中的行和列分别对应气象数据节点图中的节点。若气象数据节点图中的两个节点之间有一条边,则在对应这两个节点的行和列交汇处上的值为1,否则为0。
如图3所示,图3为本申请实施例提供的邻接矩阵的示例性示意图,图3示出了一个具有4个节点的气象数据节点图的邻接矩阵,图3中A、B、C和D表示气象数据节点图的4个节点,其中,节点A与节点B之间有一条边,节点C与节点D之间有一条边,所以在图3所示的邻接矩阵中,对应节点A和节点B的行列交汇处的值为1,对应节点C和节点D的行列交汇处的值为1,其余行列的值均为0。
S204、根据预测气象数据特征确定待预测时刻的预测气象数据。
本申请实施例中,在S204之后,还可以将预测时刻待预测区域内的各子区域的预测气象数据映射到节点图中,得到待预测时刻的预测气象数据节点图,将多个时刻的预测气象数据节点图的第一个气象数据节点图删除,将待预测时刻作为多个时刻的最后一个时刻,得到更新后的多个时刻的预测气象数据节点图,返回执行S202至S204,得到待预测时刻下一时刻的预测气象数据,重复上述步骤,可以得到待预测时刻之后多个时刻的预测气象数据。
基于上述技术方案,本申请通过构建多个时刻的气象数据节点图,通过使用变分量子线路将气象数据节点图中的每一节点数据进行量子特征编码,借助于变分量子线路的量子并行计算的特点,实现了对大量复杂气象数据的快速编码,进而得到了节点特征矩阵,基于节点特征矩阵和气象数据节点图的邻接矩阵进行特征计算,得到预测气象数据特征,根据预测气象数据特征确定预测气象数据,从而提升了预测气象数据的速度,实现了短时气象预测。
如图4所示,图4为本申请实施例提供的另一种气象数据预测方法的流程示意图,上述实施例中的变分量子线路包括编码层、含参变分层和测量层,在上述实施例的基础上,S202、利用量子变分线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵,具体可以实现为:
S2021、利用编码层将每一气象数据节点图包括的节点数据编码至预设数量个量子比特。
其中,编码层包括H门和第一RY门,S2031具体可以实现为:
将H门作用于预设数量个量子比特,使得每一量子比特由初始态演化为叠加态,根据由气象数据节点图包括的每一节点数据确定的量子门参数,将第一RY门作用于每一量子比特,使得每一节点数据映射到预设数量个处于叠加态的量子比特上。
本申请实施例中,变分量子线路包括预设数量个量子比特,预设数量可以有技术人员根据实际应用场景进行设置。
例如,可以将预设数量可以设置为9个量子比特,则编码层可以将气象数据节点图中的每9个节点数据编码至9个量子比特,每一节点数据对应一个量子比特。
如图5所示,图5为本申请实施例提供的一种变分量子线路的示意图,图5所示的变分量子线路包括q0至q8九个量子比特,还包括编码层、含参变分层和测量层,其中,编码层包括H门和第一RY门,H门作用于q0至q8九个量子比特的初始态上,使其转化为叠加态然后节点数据xi=[a0,...,a8]作为第一RY门的参数,形式为RY(aj),j=0,...,8,第一RY门作用于处于叠加态的量子比特,将每一节点数据一一映射到对应的量子比特上。
S2022、利用含参变分层对编码后的量子比特进行量子态演化。
其中,含参变分层包括CNOT门和第二RY门。
本申请实施例中,CNOT门的主要作用是实现量子纠缠,可以使得量子比特之间的信息进行交换和传递,如图5所示,首先使用CNOT门对相邻两个量子比特进行纠缠作用,再跨量子比特进行纠缠,最后在变分量子线路中引入第二RY门,第二RY门包括训练参数,通过不断迭代优化训练参数,可以实现对变分量子线路的优化,从而使得变分量子线路可以根据节点数据学习到更有效的节点特征向量。
需要说明的是,本申请实施例提供的变分量子线路可以根据具体量子编码任务,多次叠加次层,增加深度,寻求更优变分量子线路。
S2023、利用测量层测量每一量子比特演化后的量子态,计算测量结果期望值,得到每一节点数据的节点特征向量。
测量层为变分量子线路的最后一层,其作用是使量子比特退相干,实现量子数据到经典数据的转化,由于变分量子线路包括预设数量个量子比特,测量层将各量子比特的泡利Z的期望值作为输出,输出的每一节点数据的节点特征向量均为预设数量维向量。
如图5所示,变分量子线路包括9个量子比特,每一节点数据进行量子特征编码后的节点特征向量的维度为[1,9],即提取到每一气象数据的9维节点特征向量。
S2024、将每一节点数据的节点特征向量进行拼接,得到气象数据节点图的节点特征矩阵。
本申请实施例中,节点特征向量x的维度为m,m为预设数量,将气象数据节点图每一节点对应的节点特征向量x拼接为节点特征矩阵X,节点特征矩阵X的维度为h*m,h为气象数据图中的节点数量。
延续S2023中的例子,假设,气象数据节点图包括18个节点数据,可以将气象数据节点图中的18个节点数据的9维节点特征向量拼接得到维度为18*9的节点特征矩阵。
采用本申请实施例,通过量子线路包括的编码层将气象数据节点图中的节点数据编码至预设数量个量子比特上,通过含参变分层对编码后的量子比特进行量子态演化,由测量测对演化后的量子态进行测量,计算期望值,得到每一节点数据的节点特征向量,借助于变分量子线路的并行计算优势,实现了对大量气象数据的特征编码,相比于传统特征编码方式大大提升了气象数据的处理速度,进而提升了气象预测的速度,实现了短时气象预测。
此外,含参变分层中的CNOT门采用多层夸量子比特纠缠设计,可以使得量子比特之间的信息得到充分交换和传递,提升了对气象数据的特征提取准确度,第二RY门包括训练参数,可以通过多次训练得到该参数的最优值,即得到最优变分量子线路,可以进一步提升对气象数据的特征提取准确度,所以大大提升了气象预测的准确度。
在本申请另一实施例中,如图6所示,上述S203、基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,具体可以实现为:
S2031、对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积(Graph Convolution)计算,并对计算结果进行下采样,得到预测气象数据特征。
具体的,通过以下公式对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算:
Z(n+1)=A′XnWn,Xn+1=σ(Zn+1);
其中,A′表示归一化后的邻接矩阵,n表示迭代图卷积计算次数,Wn表示第n次计算时的权重矩阵,Xn表示第n次计算时的节点特征矩阵,σ()表示激活函数,Z(n+1)表示第n次图卷积计算结果。
本申请实施例中,具体图卷积计算的迭代次数n可以根据实际应用场景进行设置,权重矩阵Wn中包括需要训练参数,激活函数σ()可以设置为ReLU。
若根据上述公式计算得到的最终结果为节点特征矩阵Xn+1,则需要对该节点特征矩阵Xn+1中的节点表征进行图池化(Graph pooling),即进行下采样处理,得到预测气象数据特征。
采用本申请实施例,通过对节点特征矩阵和邻接进行多次迭代图卷积计算,每一次计算都通过聚合上一次计算时气象数据节点图中邻接节点的节点特征向量来生成当前中心节点的特征向量,经过多次迭代计算后,可以得到准确的气象数据节点图的表征,进而,基于该计算结果可以得到准确的预测气象数据。
图7是本申请实施例提供的一种根据气象数据节点图预测气象数据的流程示意图,预测下面结合图7进行说明。
步骤一、将气象数据节点图输入变分量子线路进行量子特征编码,得到节点特征矩阵。
变分量子线路进行量子特征编码方式可以参考上文实施例中的相关描述,此处不再赘述。
步骤二、获取气象数据节点图的邻接矩阵。
邻接矩阵用于表示气象数据节点图中每一节点与其他节点的连接关系。
本申请实施例中,步骤一和步骤二的执行先后顺序无严格限制,可以先执行步骤二再执行步骤一。
步骤三、将节点特征矩阵和邻接矩阵输入n个图卷积层进行迭代图卷积计算。
具体迭代图卷积计算公式可以参考上文实施例中的相关描述,此处不再赘述。
步骤四、将迭代图卷积计算结果输入图池化层,得到预测气象数据特征,根据预测气象数据特征确定预测气象数据。
采用本申请实施例,通过构造经典量子混合图神经网络模型,以变分量子线路结合经典神经网络,降低了模型参数,提高了特征提取和数据处理效率,即提高了模型运行速度,进而提升了气象预测速度;同时可以将气象数据节点图中的节点特征映射到高维希尔伯特空间,提高了模型稳定性和泛化能力。
基于相同的发明构思,本申请实施例还提供了一种气象数据预测装置,如图8所示,该装置包括:
构建模块801,用于构建待预测时刻前多个时刻的气象数据节点图,气象数据节点图的每一节点数据表示待预测区域内一个子区域的气象数据;
编码模块802,用于利用变分量子线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵;
计算模块803,用于基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,邻接矩阵表示气象数据节点图中的每一节点与其他节点的连接关系;
确定模块804,用于根据预测气象数据特征确定待预测时刻的预测气象数据。
可选的,计算模块803,具体用于:
对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算,并对计算结果进行下采样,得到预测气象数据特征。
可选的,通过以下公式对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算:
Z(n+1)=A′XnWn,Xn+1=σ(Zn+1);
其中,A′表示归一化后的邻接矩阵,n表示迭代图卷积计算次数,Wn表示第n次计算时的权重矩阵,Xn表示第n次计算时的节点特征矩阵,σ()表示激活函数,Z(n+1)表示第n次图卷积计算结果。
可选的,变分量子线路包括编码层、含参变分层和测量层,编码模块802,具体用于:
利用编码层将每一气象数据节点图包括的节点数据编码至预设数量个量子比特;
利用含参变分层对编码后的量子比特进行量子态演化;
利用测量层测量每一量子比特演化后的量子态,计算测量结果期望值,得到每一节点数据的节点特征向量;
将每一节点数据的节点特征向量进行拼接,得到气象数据节点图的节点特征矩阵。
可选的,编码模块802,具体用于:
将H门作用于预设数量个量子比特,使得每一量子比特由初始态演化为叠加态,根据由气象数据节点图包括的每一节点数据确定的量子门参数,将第一RY门作用于每一量子比特,使得每一节点数据映射到预设数量个处于叠加态的量子比特上。
可选的,含参变分层包括CNOT门和第二RY门。
可选的,构建模块801,具体用于:
按照经纬度将待预测区域划分为多个的子区域,采集在待预测时刻前多个时刻待预测区域内各子区域的气象数据;
将每一子区域的气象数据映射到节点图中,得到气象数据节点图。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请的再一实施例还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述气象数据预测方法实施例中的步骤。
具体的,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的再一实施例还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述气象数据预测方法实施例中的步骤。
具体的,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
具体的,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
步骤一、构建待预测时刻前多个时刻的气象数据节点图。
步骤二、利用变分量子线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵。
步骤三、基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征。
步骤四、根据所述预测气象数据特征确定待预测时刻的预测气象数据。
以上依据图式所示的实施例详细说明了本申请的构造、特征及作用效果,以上所述仅为本申请的较佳实施例,但本申请不以图面所示限定实施范围,凡是依照本申请的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本申请的保护范围内。
Claims (10)
1.一种气象数据预测方法,其特征在于,所述方法包括:
构建待预测时刻前多个时刻的气象数据节点图,所述气象数据节点图的每一节点数据表示待预测区域内一个子区域的气象数据;
利用变分量子线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵;
基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,所述邻接矩阵表示气象数据节点图中的每一节点与其他节点的连接关系;
根据所述预测气象数据特征确定待预测时刻的预测气象数据。
2.根据权利要求1所述的方法,其特征在于,所述基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,包括:
对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算,并对计算结果进行下采样,得到所述预测气象数据特征。
3.根据权利要求2所述的方法,其特征在于,通过以下公式对每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行迭代图卷积计算:
Z(n+1)=A′XnWn,Xn+1=σ(Zn+1);
其中,A′表示归一化后的邻接矩阵,n表示迭代图卷积计算次数,Wn表示第n次计算时的权重矩阵,Xn表示第n次计算时的节点特征矩阵,σ()表示激活函数,Z(n+1)表示第n次图卷积计算结果。
4.根据权利要求1至3任一所述的方法,其特征在于,所述变分量子线路包括编码层、含参变分层和测量层,所述利用量子变分线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵,包括:
利用所述编码层将每一气象数据节点图包括的节点数据编码至预设数量个量子比特;
利用所述含参变分层对编码后的量子比特进行量子态演化;
利用测量层测量每一量子比特演化后的量子态,计算测量结果期望值,得到每一节点数据的节点特征向量;
将每一节点数据的节点特征向量进行拼接,得到气象数据节点图的节点特征矩阵。
5.根据权利要求4所述的方法,其特征在于,所述编码层包括H门和第一RY门,所述利用所述编码层将每一气象数据节点图包括的节点数据编码至预设数量个量子比特,包括:
将H门作用于预设数量个量子比特,使得每一量子比特由初始态演化为叠加态,根据由气象数据节点图包括的每一节点数据确定的量子门参数,将第一RY门作用于每一量子比特,使得每一节点数据映射到预设数量个处于叠加态的量子比特上。
6.根据权利要求4所述的方法,其特征在于,所述含参变分层包括CNOT门和第二RY门。
7.根据权利要求1所述方法,其特征在于,所述构建待预测时刻前多个时刻的气象数据节点图,包括:
按照经纬度将待预测区域划分为多个的子区域,采集在待预测时刻前多个时刻待预测区域内各子区域的气象数据;
将每一子区域的气象数据映射到节点图中,得到所述气象数据节点图。
8.一种气象数据预测装置,其特征在于,所述装置包括:
构建模块,用于构建待预测时刻前多个时刻的气象数据节点图,所述气象数据节点图的每一节点数据表示待预测区域内一个子区域的气象数据;
编码模块,用于利用变分量子线路对每一气象数据节点图的节点数据进行量子特征编码,得到每一气象数据节点图的节点特征矩阵;
计算模块,用于基于每一时刻的气象数据节点图的邻接矩阵和节点特征矩阵进行特征计算,得到预测气象数据特征,所述邻接矩阵表示气象数据节点图中的每一节点与其他节点的连接关系;
确定模块,用于根据所述预测气象数据特征确定待预测时刻的预测气象数据。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310159659.0A CN116011681A (zh) | 2023-02-21 | 2023-02-21 | 一种气象数据预测方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310159659.0A CN116011681A (zh) | 2023-02-21 | 2023-02-21 | 一种气象数据预测方法、装置、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116011681A true CN116011681A (zh) | 2023-04-25 |
Family
ID=86021496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310159659.0A Pending CN116011681A (zh) | 2023-02-21 | 2023-02-21 | 一种气象数据预测方法、装置、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116011681A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688975A (zh) * | 2024-02-02 | 2024-03-12 | 南京信息工程大学 | 一种基于演化规律挖掘的气象事件预测方法及系统 |
-
2023
- 2023-02-21 CN CN202310159659.0A patent/CN116011681A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688975A (zh) * | 2024-02-02 | 2024-03-12 | 南京信息工程大学 | 一种基于演化规律挖掘的气象事件预测方法及系统 |
CN117688975B (zh) * | 2024-02-02 | 2024-05-14 | 南京信息工程大学 | 一种基于演化规律挖掘的气象事件预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114792378B (zh) | 一种量子图像识别方法及装置 | |
CN115759413B (zh) | 一种气象预测方法、装置、存储介质及电子设备 | |
CN116011682B (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN114821217B (zh) | 一种基于量子经典混合神经网络的图像识别方法及装置 | |
CN115293254B (zh) | 基于量子多层感知器的分类方法及相关设备 | |
CN116187548A (zh) | 一种光伏发电功率预测方法、装置、存储介质及电子装置 | |
CN114358317B (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
CN114358319A (zh) | 基于机器学习框架的分类方法及相关装置 | |
CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
CN114358295A (zh) | 基于机器学习框架的二分类方法及相关装置 | |
CN114358216B (zh) | 基于机器学习框架的量子聚类方法及相关装置 | |
CN114511094B (zh) | 一种量子算法的优化方法、装置、存储介质与电子装置 | |
CN116011681A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN116431807B (zh) | 一种文本分类方法、装置、存储介质及电子装置 | |
CN114372539B (zh) | 基于机器学习框架的分类方法及相关设备 | |
CN116403657A (zh) | 一种药物反应预测方法、装置、存储介质及电子装置 | |
CN117151231A (zh) | 利用变分量子线路求解线性系统的方法、装置及介质 | |
CN116400430B (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN116499466B (zh) | 一种智能体导航方法、装置、存储介质及电子装置 | |
CN116167407B (zh) | 一种基于量子循环神经网络的数据预测方法及相关设备 | |
CN115829037B (zh) | 一种费米子系统的量子模拟方法、装置、电子设备及介质 | |
CN118504721A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN115829038B (zh) | 费米子系统到量子比特系统的变换确定方法及变换框架 | |
CN114819171B (zh) | 一种量子卷积操作的实现方法及装置 | |
CN116306952A (zh) | 一种分子性质预测方法、装置、存储介质及电子装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant after: Benyuan Quantum Computing Technology (Hefei) Co.,Ltd. Address before: 230088 6th floor, E2 building, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant before: ORIGIN QUANTUM COMPUTING COMPANY, LIMITED, HEFEI |