CN116011682A - 一种气象数据预测方法、装置、存储介质及电子装置 - Google Patents

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，涉及量子计算技术领域，该方法包括：获取待预测时刻前多个时刻的气象特征图，每一时刻的气象特征图包括待预测区域内各子区域的气象数据特征；将每一气象特征图输入预先训练的量子经典混合transformer模型，得到待预测时刻的预测气象特征图，量子经典混合transformer模型包括量子注意力网络和前馈神经网络，量子注意力网络用于将每一气象特征图进编码至量子态进行演化，并对演化结果进行量子注意力计算，前馈神经网络用于对量子注意力计算结果进行非线性映射，得到预测气象特征图；根据预测气象特征图确定待预测时刻的预测气象数据图。可以实现短时气象预测。

Description

一种气象数据预测方法、装置、存储介质及电子装置

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，提供一种气象数据预测方法，所述方法包括：

获取待预测时刻前多个时刻的气象特征图，每一时刻的气象特征图包括待预测区域内各子区域的气象数据特征；

将每一气象特征图输入预先训练的量子经典混合transformer模型，得到待预测时刻的预测气象特征图，所述量子经典混合transformer模型包括量子注意力网络和前馈神经网络，所述量子注意力网络用于将每一气象特征图进编码至量子态进行演化，并对演化结果进行量子注意力计算，所述前馈神经网络用于对量子注意力计算结果进行非线性映射，得到预测气象特征图；

根据所述预测气象特征图确定待预测时刻的预测气象数据图。

可选的，所述量子注意力网络包括变分量子线路；

所述变分量子线路用于将每一气象特征图映射为查询向量、键向量和值向量，所述量子注意力网络用于基于所述查询向量、所述键向量和所述值向量进行量子注意力计算。

可选的，所述变分量子线路包括第一子线路、第二子线路和第三子线路，所述第一子线路用于映射查询向量，所述第二子线路用于映射键向量，所述第三子线路用于映射值向量，每一子线路均包括预设数量个量子比特、编码层、含参变分层和测量层；

所述编码层用于将所述气象特征图编码至预设数量个量子比特，所述含参变分层用于对编码后的量子比特进行量子态演化，所述测量层用于分别测量演化后的量子态，计算测量结果期望值，得到所述查询向量、键向量或值向量；

所述第一子线路、所述第二子线路和所述第三子线路的含参变分层的含参量子门包括的参数不一致。

可选的，所述编码层包括RY门，所述含参变分层包括第一RZ门、CNOT门和第二RZ门。

可选的，所述量子注意力网络根据以下公式对所述查询向量、键向量和值向量进行量子注意力计算：

其中，

表示第l层量子注意力网络计算结果，

表示第s个和第j个输入向量之间的归一化量子自注意系数，o_j表示所述值向量，<Z_k>_j表示所述键向量，<Z_q>_s表示所述查询向量。

可选的，所述获取待预测时刻前多个时刻的气象特征图，包括：

对待预测时刻前多个时刻的气象数据图进行维度压缩，并进行位置编码，得到所述气象特征图。

可选的，所述对待预测时刻前多个时刻的气象数据图进行维度压缩，包括：

使用1*1卷积核对所述气象数据图的通道数进行压缩，并将所述气象数据图的空间维度高和宽压缩至一个维度。

根据本申请的第二方面，本申请实施例提供了一种气象数据预测装置，所述装置包括：

获取模块，用于获取待预测时刻前多个时刻的气象特征图，每一时刻的气象特征图包括待预测区域内各子区域的气象数据特征；

输入模块，用于将每一气象特征图输入预先训练的量子经典混合transformer模型，得到待预测时刻的预测气象特征图，所述量子经典混合transformer模型包括量子注意力网络和前馈神经网络，所述量子注意力网络用于将每一气象特征图进编码至量子态进行演化，并对演化结果进行量子注意力计算，所述前馈神经网络用于对量子注意力计算结果进行非线性映射，得到预测气象特征图；

确定模块，用于根据所述预测气象特征图确定待预测时刻的预测气象数据图。

可选的，所述量子注意力网络包括变分量子线路；

所述变分量子线路用于将每一气象特征图映射为查询向量、键向量和值向量，所述量子注意力网络用于基于所述查询向量、所述键向量和所述值向量进行量子注意力计算。

可选的，所述变分量子线路包括第一子线路、第二子线路和第三子线路，所述第一子线路用于映射查询向量，所述第二子线路用于映射键向量，所述第三子线路用于映射值向量，每一子线路均包括预设数量个量子比特、编码层、含参变分层和测量层；

所述编码层用于将所述气象特征图编码至预设数量个量子比特，所述含参变分层用于对编码后的量子比特进行量子态演化，所述测量层用于分别测量演化后的量子态，计算测量结果期望值，得到所述查询向量、键向量或值向量；

所述第一子线路、所述第二子线路和所述第三子线路的含参变分层的含参量子门包括的参数不一致。

可选的，所述编码层包括RY门，所述含参变分层包括第一RZ门、CNOT门和第二RZ门。

可选的，所述量子注意力网络根据以下公式对所述查询向量、键向量和值向量进行量子注意力计算：

其中，

表示第l层量子注意力网络计算结果，

表示第s个和第j个输入向量之间的归一化量子自注意系数，o_j表示所述值向量，<Z_k>_j表示所述键向量，<Z_q>_s表示所述查询向量。

可选的，所述获取模块，具体用于：

对待预测时刻前多个时刻的气象数据图进行维度压缩，并进行位置编码，得到所述气象特征图。

可选的，所述获取模块，具体用于：

使用1*1卷积核对所述气象数据图的通道数进行压缩，并将所述气象数据图的空间维度高和宽压缩至一个维度。

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，本申请可以获取待预测时刻前多个时刻的气象特征图，通过将每一气象特征图输入量子经典混合transformer模型，由于量子经典混合transformer模型包括量子注意力网络，量子注意力网络可以将气象特征图编码至量子比特进行量子态演化，进而可以基于演化结果进行量子注意力计算，量子注意力网络可以有效减少参数量，降低计算的复杂度，加快计算速度，此外量子并行计算也可以加快对气象数据的处理速度，根据预测气象特征图确定待预测时刻的气象数据图，提高了气象预测速度，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第一子线路的示例性示意图。

图4是根据一示例性实施例示出的一种气象数据预测方法的框图。

图5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，该方法包括：

S201、获取待预测时刻前多个时刻的气象特征图。

其中，每一时刻的气象特征图包括待预测区域内各子区域的气象数据特征。

本申请实施例中，气象数据可以是气压、温度、风速和湿度等数据。

待预测区域为需要进行气象预测的地理区域，待预测时刻为需要进行气象预测的时刻，前多个时刻可以前10个时刻，具体时刻选取可以根据实际应用进行设置，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2023.2.2的6时，则该待预测时刻的前多个时刻可以为2023.2.1的0时、3时、6时、9时、12时、5时、18时、21时及2022.2.2的0时、3时等10个时刻。

S202、将每一气象特征图输入预先训练的量子经典混合transformer模型，得到待预测时刻的预测气象特征图。

其中，量子经典混合transformer模型包括量子注意力网络和前馈神经网络，量子注意力网络用于将每一气象特征图进编码至量子态进行演化，并对演化结果进行量子注意力计算，前馈神经网络用于对量子注意力计算结果进行非线性映射，得到预测气象特征图。

本申请实施例中，量子经典混合transformer模型的编码器和解码器均由量子注意力网络和前馈神经网络构成，各网络之间的连接方式为残差连接。

前馈神经网络包括两个线性变换函数和激活函数，激活函数可以为ReLU，前馈神经网络将来自量子注意力网络的输出作为输入，输出一个新的特征表示。可以从原始的输入序列中学习到更高级别的特征表示，前馈神经网络的主要作用是在Transformer模型中实现非线性映射，帮助模型学习更复杂的特征表示。

S203、根据预测气象特征图确定待预测时刻的预测气象数据图。

一种实现方式中，可以通过卷积核对预测气象特征图卷积得到待预测时刻的预测气象数据图。

基于上述技术方案，本申请可以获取待预测时刻前多个时刻的气象特征图，通过将每一气象特征图输入量子经典混合transformer模型，由于量子经典混合transformer模型包括量子注意力网络，量子注意力网络可以将气象特征图编码至量子比特进行量子态演化，进而可以基于演化结果进行量子注意力计算，量子注意力网络可以有效减少参数量，降低计算的复杂度，加快计算速度，此外量子并行计算也可以加快对气象数据的处理速度，根据预测气象特征图确定待预测时刻的气象数据图，提高了气象预测速度，实现了短时气象预测。

在本申请另一实施例中，上述S201、获取待预测时刻前多个时刻的气象特征图，具体实现为：对待预测时刻前多个时刻的气象数据图进行维度压缩，并进行位置编码，得到气象特征图。

优选的，可以使用1*1卷积核对气象数据图的通道数进行压缩，并将气象数据图的空间维度高和宽压缩至一个维度。

本申请实施例中，气象数据图的维度为f∈R^B*C*H*W，其中，B表示Batch_Size，C表示通道数，H和W分别表示气象数据图的空间维度高和宽，使用1*1的卷积核对气象数据图进行处理，将通道数由C压缩到d，再将空间维度H和W压缩为一个维度H*W，通过reshape函数变换，最终转换为维度(HW，B，d)为的压缩特征图。

在得到上述压缩特征图之后，由于量子注意力网络中需要表示位置的信息，还需要对气象数据图进行位置编码，即对每一气象数据图表示的各子区域的地理位置信息进行编码，并将得到的位置编码特征与压缩特征图相加，得到气象特征图。

在本申请另一实施例中，上述量子注意力网络包括变分量子线路。变分量子线路用于将每一气象特征图映射为查询向量、键向量和值向量，量子注意力网络用于基于查询向量、键向量和值向量进行量子注意力计算。

具体的，变分量子线路包括第一子线路、第二子线路和第三子线路，第一子线路用于映射查询向量，第二子线路用于映射键向量，第三子线路用于映射值向量，每一子线路均包括预设数量个量子比特、编码层、含参变分层和测量层。

编码层用于将气象特征图编码至预设数量个量子比特，含参变分层用于对编码后的量子比特进行量子态演化，测量层用于分别测量演化后的量子态，计算测量结果期望值，得到查询向量、键向量或值向量；

第一子线路、第二子线路和第三子线路的含参变分层的含参量子门包括的参数不一致。

进一步地，上述预设数量个量子比特可以根据实际应用场景进行设置，例如，可以设置为4个量子比特。

如图3所示，图3示出了本申请实施例提供的第一子线路的示例性示意图，第一子线路包括q0至q3四个量子比特，编码层包括RY门，含参变分层包括第一RZ门、CNOT门和第二RZ门，RY可以通过旋转角度编码的方式将气象特征图编码至q0至q3四个量子比特，进而，含参变分层的第一RZ门、CNOT门和第二RZ门依次对编码后的四个量子比特进行量子态演化，测量层测量演化后的量子态，计算量子态期望值，其中含参变分层中的第一RZ门和第二RZ门为含参量子逻辑门，CNOT用于对相邻量子比特以及第一个和最后一个量子比特进行量子态纠缠，使得编码至量子比特的气象特征相互之间可以更好的传递信息。

需要说明的是，本申请实施例中第一子线路、第二子线路和第三子线路包括的量子比特数量和量子逻辑门相同，但第一子线路、第二子线路和第三子线路的含参变分层的含参量子门包括的参数不一致，各子线路的含参量子逻辑门的参数可以通过训练得到，第二子线路和第三子线路的结构示意图可以参考图3。

本申请实施例中的量子经典transformer模型可以包括多层量子注意力网络，假设第l层量子注意力网络的变分量子线路输入的经典数据为

则通过上述编码层编码至n个量子比特的量子希尔伯特空间之后，可以表示为

H表示Hadamard门，S表示输入向量的数量。

上述第一子线路、第二子线路和第三子线路可以分别表示为U_q、U_k和U_v，参数分别为θ_q、θ_k和θ_v。

查询向量通过第一子线路U_q映射得到可以表示为：

键向量通过第二子线路U_k映射得到可以表示为：

值向量通过第三子线路U_v映射得到，可以表示一个d维向量：

o_s＝[<P₁>_s、<P₂>_s....<P_d>_s]^T

其中，X、Y和Z表示单量子比特门，

第l层量子注意力网络根据以下公式对查询向量、键向量和值向量进行量子注意力计算：

其中，

表示第l层量子注意力网络计算结果，

表示第s个和第j个输入向量之间的归一化量子自注意系数，o_j表示值向量，<Z_k>_j表示键向量，<Z_q>_s表示查询向量。

采用本申请实施例，量子注意力网络可以通过变分量子线路的第一子线路、第二子线路和第三子线路，将模型输入的气象特征图映射为注意力网络计算所需的查询向量、键向量和值向量，借助于变分量子线路的量子并行计算优势可以加快量子注意力网络的特征计算速度，与经典注意力网络相比量子注意力网络通过变分量子线路的设计，还可以减少注意力网络参数，降低计算复杂度，进一步提升量子注意力网络的特征计算速度，也就可以加快对气象数据的处理速度，实现短时气象预测。

下面结合图4对本申请实施例提供的气象数据预测方法进行说明，如图4所示，将t时刻至t+9时刻等10个时刻的气象数据图输入到量子经典混合Transformer模型中，得到预测气象特征图，再使用卷积核(Conv2D)对预测气象特征图进行卷积，得到t+10时刻的预测气象数据图。

还可以将t+1时刻至t+9时刻气象数据图和t+10时刻的预测气象数据图输入量子经典混合Transformer模型得到t+11时刻的预测气象特征图，通过卷积核进行卷积得到t+11时刻的预测气象数据图，以此类推，还可以得到t+12、t+13等时刻的预测气象数据图，即本申请实施例提供的气象数据预测方法可以根据待预测时刻前多个时刻的气象数据图预测待预测时刻之后多个时刻的预测气象数据图。

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5所示，该装置包括：

获取模块501，用于获取待预测时刻前多个时刻的气象特征图，每一时刻的气象特征图包括待预测区域内各子区域的气象数据特征；

输入模块502，用于将每一气象特征图输入预先训练的量子经典混合transformer模型，得到待预测时刻的预测气象特征图，量子经典混合transformer模型包括量子注意力网络和前馈神经网络，量子注意力网络用于将每一气象特征图进编码至量子态进行演化，并对演化结果进行量子注意力计算，前馈神经网络用于对量子注意力计算结果进行非线性映射，得到预测气象特征图；

确定模块503，用于根据预测气象特征图确定待预测时刻的预测气象数据图。

可选的，量子注意力网络包括变分量子线路；

变分量子线路用于将每一气象特征图映射为查询向量、键向量和值向量，量子注意力网络用于基于查询向量、键向量和值向量进行量子注意力计算。

可选的，变分量子线路包括第一子线路、第二子线路和第三子线路，第一子线路用于映射查询向量，第二子线路用于映射键向量，第三子线路用于映射值向量，每一子线路均包括预设数量个量子比特、编码层、含参变分层和测量层；

编码层用于将气象特征图编码至预设数量个量子比特，含参变分层用于对编码后的量子比特进行量子态演化，测量层用于分别测量演化后的量子态，计算测量结果期望值，得到查询向量、键向量或值向量；

第一子线路、第二子线路和第三子线路的含参变分层的含参量子门包括的参数不一致。

可选的，编码层包括RY门，含参变分层包括第一RZ门、CNOT门和第二RZ门。

可选的，量子注意力网络根据以下公式对查询向量、键向量和值向量进行量子注意力计算：

其中，

表示第l层量子注意力网络计算结果，

表示第s个和第j个输入向量之间的归一化量子自注意系数，o_j表示值向量，<Z_k>_j表示键向量，<Z_q>_s表示查询向量。

可选的，获取模块501，具体用于：

对待预测时刻前多个时刻的气象数据图进行维度压缩，并进行位置编码，得到气象特征图。

可选的，获取模块501，具体用于：

使用1*1卷积核对气象数据图的通道数进行压缩，并将气象数据图的空间维度高和宽压缩至一个维度。

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 AccessMemory，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、获取待预测时刻前多个时刻的气象特征图。

步骤二、将每一气象特征图输入预先训练的量子经典混合transformer模型，得到待预测时刻的预测气象特征图。

步骤三、根据预测气象特征图确定待预测时刻的预测气象数据图。

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：

获取待预测时刻前多个时刻的气象特征图，每一时刻的气象特征图包括待预测区域内各子区域的气象数据特征；

将每一气象特征图输入预先训练的量子经典混合transformer模型，得到待预测时刻的预测气象特征图，所述量子经典混合transformer模型包括量子注意力网络和前馈神经网络，所述量子注意力网络用于将每一气象特征图进编码至量子态进行演化，并对演化结果进行量子注意力计算，所述前馈神经网络用于对量子注意力计算结果进行非线性映射，得到预测气象特征图；

根据所述预测气象特征图确定待预测时刻的预测气象数据图。

2.根据权利要求1所述的方法，其特征在于，所述量子注意力网络包括变分量子线路；

所述变分量子线路用于将每一气象特征图映射为查询向量、键向量和值向量，所述量子注意力网络用于基于所述查询向量、所述键向量和所述值向量进行量子注意力计算。

3.根据权利要求2所述的方法，其特征在于，所述变分量子线路包括第一子线路、第二子线路和第三子线路，所述第一子线路用于映射查询向量，所述第二子线路用于映射键向量，所述第三子线路用于映射值向量，每一子线路均包括预设数量个量子比特、编码层、含参变分层和测量层；

所述编码层用于将所述气象特征图编码至预设数量个量子比特，所述含参变分层用于对编码后的量子比特进行量子态演化，所述测量层用于分别测量演化后的量子态，计算测量结果期望值，得到所述查询向量、所述键向量或所述值向量；

所述第一子线路、所述第二子线路和所述第三子线路的含参变分层的含参量子门包括的参数不一致。

4.根据权利要求3所述的方法，其特征在于，所述编码层包括RY门，所述含参变分层包括第一RZ门、CNOT门和第二RZ门。

5.根据权利要求2所述的方法，其特征在于，所述量子注意力网络根据以下公式对所述查询向量、键向量和值向量进行量子注意力计算：

其中，

表示第l层量子注意力网络计算结果，

表示第s个和第j个输入向量之间的归一化量子自注意系数，o_j表示所述值向量，<Z_k>_j表示所述键向量，<Z_q>_s表示所述查询向量。

6.根据权利要求1至5任一所述的方法，其特征在于，所述获取待预测时刻前多个时刻的气象特征图，包括：

对待预测时刻前多个时刻的气象数据图进行维度压缩，并进行位置编码，得到所述气象特征图。

7.根据权利要求6所述的方法，其特征在于，所述对待预测时刻前多个时刻的气象数据图进行维度压缩，包括：

使用1*1卷积核对所述气象数据图的通道数进行压缩，并将所述气象数据图的空间维度高和宽压缩至一个维度。

8.一种气象数据预测装置，其特征在于，所述装置包括：

获取模块，用于获取待预测时刻前多个时刻的气象特征图，每一时刻的气象特征图包括待预测区域内各子区域的气象数据特征；

输入模块，用于将每一气象特征图输入预先训练的量子经典混合transformer模型，得到待预测时刻的预测气象特征图，所述量子经典混合transformer模型包括量子注意力网络和前馈神经网络，所述量子注意力网络用于将每一气象特征图进编码至量子态进行演化，并对演化结果进行量子注意力计算，所述前馈神经网络用于对量子注意力计算结果进行非线性映射，得到预测气象特征图；

确定模块，用于根据所述预测气象特征图确定待预测时刻的预测气象数据图。

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。

Images