CN116106988A - 天气预测方法、装置、电子设备及存储介质 - Google Patents
天气预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116106988A CN116106988A CN202211728149.2A CN202211728149A CN116106988A CN 116106988 A CN116106988 A CN 116106988A CN 202211728149 A CN202211728149 A CN 202211728149A CN 116106988 A CN116106988 A CN 116106988A
- Authority
- CN
- China
- Prior art keywords
- weather
- sequence
- data
- feature
- convolutional neural
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Ecology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Atmospheric Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种天气预测方法、装置、电子设备及存储介质,方法包括:从历史天气数据中提取得到天气数据序列;将天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;其中,天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。采用本申请的技术方案,天气预测模型是从历史数据中让模型学习到所需的预测能力,不需要消耗大量的计算资源,能够提高天气预测模型的预测速度,从而提高天气预测的效率。
Description
技术领域
本申请涉及序列预测技术领域,尤其涉及一种天气预测方法、装置、电子设备及存储介质。
背景技术
天气状况的预测对人类生活的影响是方方面面的,诸如农业、商业、旅行和物流等重要的现代社会元素的正常运作某种程度上都高度依赖于准确的天气预测,例如:农民需要通过了解未来一段时间的阳光和降水情况来选择良好的播种时机;民众需要通过查询短期时间内的天气状况来选择合适的出行日期;许多大型的商业活动的成功举办也依赖于降水降雪等天气要素的预测。
现有的天气预测方法是基于数值进行天气预测,即根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段内的大气运动状态和天气现象。上述天气预测的方法需要消耗大量的计算资源来模拟需要预测的天气和海洋的信息,以至于天气预测的效率较低。
发明内容
基于上述现有技术的缺陷和不足,本申请提出一种天气预测方法、装置、电子设备及存储介质,能够提高天气预测的效率。
根据本申请实施例的第一方面,提供了一种天气预测方法,包括:
从历史天气数据中提取得到天气数据序列;
将所述天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;
其中,所述天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。
可选的,所述天气预测模型包括:编码网络和解码网络;
所述编码网络包括:第一卷积神经网络和transformer网络;
所述解码网络包括:第二卷积神经网络;
所述第一卷积神经网络用于提取输入的天气数据序列对应的天气特征序列;
所述transformer网络用于对所述天气特征序列进行基于上下文的注意力编码,得到注意力编码特征序列;
所述第二卷积神经网络用于对所述注意力编码特征序列进行解码,得到所述目标天气数据。
可选的,所述第一卷积神经网络包括:第一卷积层和第一注意力机制层;
所述第一卷积层用于对输入的天气数据序列进行下采样处理,得到下采样特征序列;
所述第一注意力机制层用于对所述下采样特征序列进行基于注意力机制的特征融合处理,得到天气特征序列。
可选的,所述第二卷积神经网络包括:第二卷积层和第二注意力机制层;
所述第二卷积层用于对所述注意力编码特征序列进行上采样处理,得到上采样特征序列;
所述第二注意力机制层用于对所述上采样特征序列进行基于注意力机制的特征融合处理,得到天气序列解码特征;其中,所述天气序列解码特征对应的数据为目标天气数据。
可选的,所述第一卷积神经网络还包括:线性层,所述线性层用于根据所述transformer网络的输入维度,对所述天气特征序列进行维度调整,以使所述天气特征序列的维度与所述transformer网络的输入维度相同;
所述第二卷积神经网络具体用于对维度调整为与未调整维度的天气特征序列的维度相同后的注意力编码特征序列进行解码,得到所述目标天气数据。
可选的,所述第一卷积神经网络和所述第二卷积神经网络包括UNet网络。
可选的,所述第一卷积层包括至少一层深度可分离卷积层。
可选的,所述天气预测模型的训练过程包括:
从历史天气数据中提取天气序列样本,所述天气序列样本中包括:输入数据序列和输出数据;
将所述输入数据序列输入到第一卷积神经网络中,以使所述第一卷积神经网络提取所述输入数据序列对应的样本特征序列;
将所述样本特征序列输入到所述transformer网络中,以使所述transformer网络对所述样本特征序列进行基于上下文的注意力编码,得到样本注意力编码特征序列;
将所述样本注意力编码特征序列输入到所述第二卷积神经网络中,以使所述第二卷积网络对所述样本注意力编码特征序列进行解码,得到所述样本注意力编码特征序列对应的样本预测数据;
根据所述样本预测数据与所述天气序列样本中的输出数据,对所述天气预测模型进行参数调整。
根据本申请实施例的第二方面,提供了一种天气预测装置,包括:
数据提取模块,用于从历史天气数据中提取得到天气数据序列;
天气预测模块,用于将所述天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;
其中,所述天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。
根据本申请实施例的第三方面,提供了一种电子设备,包括:存储器和处理器;
其中,所述存储器与所述处理器连接,用于存储程序;
所述处理器,用于通过运行所述存储器中的程序,实现上述天气预测方法。
根据本申请实施例的第四方面,提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现上述天气预测方法。
本申请提出的天气预测方法,包括:从历史天气数据中提取得到天气数据序列;将天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;其中,天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。采用本申请的技术方案,天气预测模型是从历史数据中让模型学习到所需的预测能力,不需要消耗大量的计算资源,能够提高天气预测模型的预测速度,从而提高天气预测的效率。
进一步地,天气预测模型是基于卷积神经网络和Transformer网络构建的TransUNet模型,既具有卷积神经网络对数据的短依赖特征提取能力,又具有Transformer网络实现的长依赖特征提取能力,从而既能实现对天气的短期预测,又能实现对天气的长期预测,提高了对天气预测的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本申请实施例提供的一种天气预测方法的流程示意图;
图2是本申请实施例提供的一种天气预测模型的结构示意图;
图3是本申请实施例提供的天气预测模型中的第一卷积神经网络的结构示意图;
图4是本申请实施例提供的天气预测模型中的transformer层的结构示意图;
图5是本申请实施例提供的天气预测模型中的第二卷积神经网络的结构示意图;
图6是本申请实施例提供的另一种天气预测模型的结构示意图;
图7是本申请实施例提供的训练天气预测模型的处理流程示意图;
图8是本申请实施例提供的一种天气预测装置的结构示意图;
图9是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
在如今的时代,天气状况对人类的各种活动均具有一定的影响,例如,从事农业工作的农民,需要根据未来一段时间的阳光和降水等天气情况来选择良好的播种时机;策划举办商业活动的工作人员需要根据天气情况确定活动举办地点与举办时间;计划旅行的人也需要根据天气情况选择旅行地点和出行时间。由此可以看出,对天气的预测在人类生活方面尤为重要。
传统的天气预测方法是基于数值的天气预测方法,该方法根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,从而预测未来一定时段内的大气运动状态和天气现象,该方法需要消耗大量的计算资源来模拟产生预测的天气和海洋的基础物理信息,但是利用大量的计算资源进行天气预测会影响天气预测的效率。
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。
本申请实施例提出一种天气预测方法,参见图1所示,该方法包括:
S101、从历史天气数据中提取得到天气数据序列。
具体的,在进行天气预测时,需要从历史天气数据中提取到天气数据序列作为进行天气预测的依据。其中,天气数据序列是历史天气数据中预设时长对应的时间段内的天气数据,并且该时间段优选为与当前时刻最接近的时间段,能够提高天气预测的准确度。例如,在对A地区进行天气预测时,可以从A地区的历史天气数据中提取出当前时刻预设时长之前的时刻与当前时刻之间作为提取天气数据的时间段,将该时间段内的天气数据组成天气数据序列。
由于天气情况包括多种要素,如降水、降雪、云层覆盖等,因此对于天气预测也包括针对不同天气要素的天气预测,而针对不同的天气要素预测,需要提取该天气要素对应的天气数据序列。例如,对于降水预测,需要从历史降水数据中提取降水数据序列;对于降雪预测,需要从历史降雪数据中提取降雪数据序列;对于云层覆盖预测,需要从历史云层覆盖数据中提取云层覆盖数据序列。
本实施例中,对于历史天气数据可以从气象研究所公开的天气数据集中获取。气象研究所的卫星通常每隔五分钟采集一次降水数据,并将其存储为图像格式,每隔十五分钟拍摄一次云层覆盖图像。因此,如果从历史天气数据中提取天气数据序列对应的预设时长为1小时,那么在进行降水预测时,提取的天气数据序列中包含有12组降水数据(即12张降水图像),在进行云层覆盖预测时,提取的天气数据序列中包含有4组云层覆盖数据(即4张云层覆盖图像)。
S102、将天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据。
具体的,本实施例预先训练用于天气预测的天气预测模型,将提取到的天气数据序列输入到该天气预测模型中,可以得到预测的目标天气数据。其中,天气预测模型采用的是基于卷积神经网络和Transformer网络构建的TransUNet模型,并且该卷积神经网络优选为UNet网络,即天气预测模型是由UNet网络和Transformer网络组成的。该天气预测模型是利用预先采集的天气序列样本进行天气序列预测训练得到的。
对于不同的天气要素预测,需要利用该天气要素对应的天气预测模型,例如,对于降水预测,采用的天气预测模型为预测降水数据的模型,训练该天气预测模型的天气序列样本为降水数据序列,对于降雪预测,采用的天气预测模型为预测降雪数据的模型,训练该天气预测模型的天气序列样本为降雪数据序列,对于云层覆盖预测,采用的天气预测模型为预测云层覆盖数据的模型,训练该天气预测模型的天气序列样本为云层覆盖数据序列。
本实施例中的天气序列样本中包括输入数据序列和输出数据,本实施例中的天气预测模型可以为预测未来一段时间内的天气数据,也可以为预测未来一个时刻的天气数据,如果需要天气预测模型可以预测未来一段时间内的天气数据,采用的天气序列样本中的输出数据为一段时间内的天气数据序列,如果需要天气预测模型可以预测未来某时刻的天气数据,采用的天气序列样本中的输出数据为未来某时刻的天气数据作为天气序列样本中的输出数据。例如,针对降水预测,天气序列样本可以为18组降水数据(即18张降水图像,90分钟内的降水数据),前12组降水数据(前60分钟内的降水数据)作为输入数据序列,后6组降水数据(后30分钟内的降水数据)作为输出待选,若需要天气预测模型可以预测未来30分钟内的天气数据,则将后6组降水数据作为天气序列样本中的输出数据,若需要天气预测模型可以预测未来15分钟内的天气数据,则将第13组降水数据到第15组降水数据作为天气序列样本中的输出数据,若需要天气预测模型预测30分钟后的时刻的天气数据,则将最后一组降水数据作为天气序列样本中的输出数据,若需要天气预测模型预测12分钟后的时刻的天气数据,则将第15组降水数据作为天气序列样本中的输出数据。因此,本实施例可以根据天气预测的需求采集天气序列样本,利用满足天气预测需求的天气序列样本训练得到的天气预测模型,可以预测到符合天气预测需求的目标天气数据。
进一步地,本实施例中对天气预测模型的训练可以采用有监督训练方式,将预先采集的所有天气序列样本划分为训练样本集和验证样本集。其中,利用训练样本集对天气预测模型进行训练,以使天气预测模型学习天气预测能力,利用验证样本集对天气预测模型进行评估,并根据评估结果对天气预测模型的模型参数进行调整,以实现对天气预测模型的优化。
具体的,首先利用训练样本集对天气预测模型进行训练,需要将训练样本中的输入数据序列和输出数据均输入到天气预测模型中,以使天气预测模型学习输入数据序列与输出数据中的映射关系,从而能够学习到有输入数据序列预测出输出数据的能力。然后利用验证样本集对天气预测模型进行预测评估,需要将验证样本中的输入数据序列输入到天气预测模型中,该天气预测模型利用预先学习到的预测输出数据的能力,预测得到天气预测数据,然后根据计算出的天气预测数据与输入的输入数据序列对应的输出数据之间的差异(可以采用计算两者之间的损失函数的方式表征两者之间的差异),对天气预测模型的模型参数进行调整,以使天气预测模型根据输入数据序列预测出的天气预测数据越来越接近输入数据序列对应的输出数据。
通过上述介绍可见,本申请实施例提出的天气预测方法,从历史天气数据中提取得到天气数据序列;将天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;其中,天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。采用本实施例的技术方案,天气预测模型是从历史数据中让模型学习到所需的预测能力,不需要消耗大量的计算资源,能够提高天气预测模型的预测速度,从而提高天气预测的效率。
进一步地,天气预测模型是基于卷积神经网络和Transformer网络构建的TransUNet模型,既具有卷积神经网络对数据的短依赖特征提取能力,又具有Transformer网络实现的长依赖特征提取能力,从而既能实现对天气的短期预测,又能实现对天气的长期预测,提高了对天气预测的准确度。
作为一种可选的实施方式,参见图2所示,本申请另一实施例公开了,天气预测模型包括:编码网络和解码网络。其中,编码网络包括:第一卷积神经网络和transformer网络,解码网络包括:第二卷积神经网络。第一卷积神经网络用于提取输入的天气数据序列对应的天气特征序列;transformer网络用于对天气特征序列进行基于上下文的注意力编码,得到注意力编码特征序列;第二卷积神经网络用于对注意力编码特征序列进行解码,得到目标天气数据。
具体的,天气数据序列输入到第一卷积神经网络中后,第一卷积神经网络对天气数据序列中的各个天气数据进行特征提取,得到各个天气数据对应的天气特征,然后将所有天气特征组合成天气特征序列。将天气特征序列输入到transformer网络中,transformer网络对天气特征序列进行基于上下文的注意力编码,得到结合上下文信息后的天气特征序列,然后利用模型训练时学习输入数据序列与对应的输出数据之间的映射关系从而学习到的天气预测能力,对结合上下文信息后的天气特征序列进行天气预测,得到预测后的特征序列作为注意力编码特征序列。将该注意力编码特征序列输入到第二卷积神经网络中,第二卷积神经网络对该注意力编码特征序列进行解码,得到解码后的天气序列解码特征,从而得到天气序列解码特征对应的目标天气数据。
进一步地,本实施例中的第一卷积神经网络优选采用UNet网络中的编码网络,第二卷积神经网络优选采用UNet网络中的解码网络,transformer网络优选采用VisionTransformer(Vit)网络。其中,UNet网络能够提升模型的局部提取能力,以使天气预测模型在短期天气预测时具有显著的预测效果,VisionTransformer(Vit)网络能够提升模型的长依赖特征提取能力,以使在长期天气预测时具有显著的预测效果。
作为一种可选的实施方式,参见图3所示,本申请另一实施例公开了,第一卷积神经网络包括:第一卷积层和第一注意力机制层。第一卷积层用于对输入的天气数据序列进行下采样处理,得到下采样特征序列,第一注意力机制层用于对第一卷积层输出的下采样特征序列进行基于注意力机制的特征融合处理,得到天气特征序列。本实施例中,第一注意力机制层可以采用自注意力机制(Self-Attention),也可以采用其他类型的注意力机制。在第一卷积层之后设置第一注意力机制层可以使得第一卷积层输出的特征序列中的各个特征与其他特征进行特征融合,实现上下文信息结合,从而能够提高第一卷积神经网络输出的天气特征序列中各个天气特征的远距离的相互依赖,进而提高天气特征序列的准确度。
具体的,本实施例中的第一卷积层至少设置一层,并且每层第一卷积层之后均设置有一层第一注意力机制层。如图3所示,优选设置了三层第一卷积层,从而对应设置了三层第一注意力机制层。天气数据序列输入到第一个第一卷积层中后,第一个第一卷积层对该天气数据序列进行第一次下采样处理,得到第一个下采样特征序列,该第一个下采样特征序列输入到第一个注意力机制层中基于注意力机制进行特征融合处理,从而得到第一个下采样特征序列对应的天气特征序列,然后将该第一个下采样特征序列对应的天气特征序列输入到第二个第一卷积层中,第二个第一卷积层对第一个下采样特征序列对应的天气特征序列进行第二次下采样处理,得到第二个下采样特征序列,该第二个下采样特征序列输入到第二个注意力机制层中基于注意力机制进行特征融合处理,从而得到第二个下采样特征序列对应的天气特征序列,再然后将该第二个下采样特征序列对应的天气特征序列输入到第三个第一卷积层中,第三个第一卷积层对第二个下采样特征序列对应的天气特征序列进行第三次下采样处理,得到第三个下采样特征序列,该第三个下采样特征序列输入到第三个注意力机制层中基于注意力机制进行特征融合处理,从而得到第三个下采样特征序列对应的天气特征序列,由于图3所示的第一卷积神经网络设置了三层第一卷积层和三层第一注意力机制层,因此,将第三个第一注意力机制层输出的第三个下采样特征序列对应的天气特征序列作为第一卷积神经网络最终输出的天气特征序列。
作为一种可选的实施方式,本申请另一实施例公开了,第一卷积神经网络还包括:线性层。由于第一卷积神经网络输出的天气特征序列与transformer网络的输入维度不相符,第一卷积神经网络输出的天气特征序列的维度高于transformer网络的输入维度,因此需要设置线性层根据transformer网络的输入维度,对第一卷积神经网络输出的天气特征序列进行维度调整,以使该天气特征序列的维度与transformer网络的输入维度相同,从而将维度调整后与transformer网络的输入维度相同的天气特征序列输入到transformer网络中。
对应地,由于transformer网络的输出维度与transformer网络的输入维度相同,因此transformer网络输出的注意力编码特征序列与进行维度调整之前的天气特征序列的维度不同,为了保证预测到的目标天气数据与输入到天气预测模型中的天气数据序列中的各个天气数据之间的数据格式相同,需要使得输入到第二卷积神经网络中的注意力编码特征序列的维度与利用第一卷积神经网络中的第一卷积层和第一注意力机制层最终输出的天气特征序列的维度相同,那么此时便需要将transformer网络输出的注意力编码特征序列的维度调整为与未调整维度的天气特征序列(即输入线性层之前的天气特征序列)维度相同,将维度调整后的注意力编码特征序列输入到第二卷积神经网络中。
例如,本实施例中第一卷积神经网络中的第一卷积层和第一注意力机制层最终输出的天气特征序列的维度为四维,而transformer网络的输入维度为三维,因此,将该四维的天气特征序列输入到线性层后,线性层将该四维的天气特征序列调整为三维的天气特征序列,从而将该三维的天气特征序列输入到transformer网络中,transformer网络输出的注意力编码特征序列为三维,利用reshape操作,将三维的注意力编码特征序列的维度调整为四维,得到四维的注意力编码特征序列,并将该四维的注意力编码特征序列输入到第二卷积神经网络中。
进一步地,本实施例中的transformer网络中包含至少一层transformer层。如图4所示,每层transformer层均包含第一归一化层(图4中第一个Layer Norm)、多重序列比对信息层(MSA)、第二归一化层(图4中第二个Layer Norm)和多层感知机(MLP)。其中,图4中的Zn表示输入到第n层transformer层的特征序列,Zn+1表示第n层transformer层输出的特征序列,即输入到第n+1层transformer层的特征序列。对于transformer网络中的第一层transformer层,Zn为第一卷积神经网络输出的天气特征序列,对于transformer网络中的最后一层transformer层,Zn+1为transformer网络输出的注意力编码特征序列。本实施例中,transformer层的结构与现有技术中transformer层的结构相同,且transformer层的具体工作流程也相同,本实施例不再具体阐述。
作为一种可选的实施方式,参见图5所示,本申请另一实施例公开了,第二卷积神经网络包括:第二卷积层和第二注意力机制层。第二卷积层用于对输入的注意力编码特征序列进行上采样处理,得到上采样特征序列,第二注意力机制层用于对第二卷积层输出的上采样特征序列进行基于注意力机制的特征融合处理,得到天气序列解码特征。本实施例中,第二注意力机制层可以采用自注意力机制(Self-Attention),也可以采用其他类型的注意力机制。在第二卷积层之后设置第二注意力机制层可以使得第二卷积层输出的特征序列中的各个特征与其他特征进行特征融合,实现上下文信息结合,从而能够提高第二卷积神经网络输出的天气序列解码特征为的远距离相互依赖的特征,进而提高天气序列解码特征的准确度。
具体的,本实施例中的第二卷积层至少设置一层,并且每层第二卷积层之后均设置有一层第二注意力机制层。如图5所示,优选设置了三层第二卷积层,从而对应设置了三层第二注意力机制层。注意力编码特征序列输入到第一个第二卷积层中后,第一个第二卷积层对该注意力编码特征序列进行第一次上采样处理,得到第一个上采样特征序列,该第一个上采样特征序列输入到第一个注意力机制层中基于注意力机制进行特征融合处理,从而得到第一个上采样特征序列对应的天气序列解码特征,然后将该第一个上采样特征序列对应的天气序列解码特征输入到第二个第二卷积层中,第二个第二卷积层对第一个上采样特征序列对应的天气序列解码特征进行第二次上采样处理,得到第二个上采样特征序列,该第二个上采样特征序列输入到第二个注意力机制层中基于注意力机制进行特征融合处理,从而得到第二个上采样特征序列对应的天气序列解码特征,再然后将该第二个上采样特征序列对应的天气序列解码特征输入到第三个第二卷积层中,第三个第二卷积层对第二个上采样特征序列对应的天气序列解码特征进行第三次上采样处理,得到第三个上采样特征序列,该第三个上采样特征序列输入到第三个注意力机制层中基于注意力机制进行特征融合处理,从而得到第三个上采样特征序列对应的天气序列解码特征,由于图5所示的第二卷积神经网络设置了三层第二卷积层和三层第二注意力机制层,因此,将第三个第二注意力机制层输出的第三个上采样特征序列对应的天气序列解码特征作为第二卷积神经网络最终输出的天气序列解码特征,并将该第二卷积神经网络最终输出的天气序列解码特征对应的数据作为天气预测模型预测到的目标天气数据。
作为一种可选的实施方式,参见图5所示,本申请另一实施例公开了,第二卷积神经网络中还包括:1×1卷积层,该1×1卷积层可以将经过第二卷积层和第二注意力机制层处理后得到的天气序列解码特征调整为与输入到天气预测模型中的天气数据序列中的各个天气数据对应的特征的格式相同的特征,从而保证预测到的目标天气数据与输入到天气预测模型中的天气数据序列中的各个天气数据之间的数据格式相同,例如,如果输入到天气预测模型中的天气数据序列中的各个天气数据为天气图像,那么预测到的目标天气数据也为目标天气图像,经过1×1卷积层后得到的天气序列解码特征对应的目标天气图像与天气数据序列中的天气图像的尺寸相同。
作为一种可选的实施方式,本申请另一实施例公开了,第一卷积神经网络中的第一卷积层包括至少一层深度可分离卷积层,即如果第一卷积神经网络中包含三层第一卷积层,那么这三层第一卷积层均可采用深度可分离卷积层。第二卷积神经网络中的第二卷积层包括至少一层深度可分离卷积层,即如果第二卷积神经网络中包含三层第二卷积层,那么这三层第二卷积层均可采用深度可分离卷积层。
深度可分离卷积主要分为两个过程,分别为逐通道卷积(DepthwiseConvolution)和逐点卷积(PointwiseConvolution)。传统卷积需要在多个通道上同时计算,从而导致模型的计算量很大,而逐通道卷积则是通过把卷积核分成多个,每一个卷积核分别与输入进行卷积计算从而大量降低训练资源和训练时间;逐点卷积的运算与常规卷积运算非常相似,它的卷积核的尺寸为1×1×上一层的通道数。所以这里的卷积运算会将上一步的输出在深度方向上进行加权组合,生成新的特征图。因此,本实施例中在第一卷积神经网络和第二卷积神经网络中采用深度可分离卷积层,可以在不损失模型性能的前提下降低模型所需的训练参数,从而降低天气预测模型的训练成本。
作为一种可选的实施方式,参见图6所示,本申请另一实施例公开了,天气数据序列输入到第一个第一卷积层,通过第一组第一卷积层与第一注意力机制层的处理,得到第一次下采样以及注意力编码后的天气特征序列F1,天气特征序列F1输入到第二个第一卷积层,通过第二组第一卷积层与第一注意力机制层的处理,得到第二次下采样以及注意力编码后的天气特征序列F2,天气特征序列F2输入到第三个第一卷积层,通过第三组第一卷积层与第一注意力机制层的处理,得到第三次下采样以及注意力编码后的天气特征序列F3,将天气特征序列F3输入到线性层中,得到维度调整后的天气特征序列F4。将天气特征序列F4输入到transformer网络中,transformer网络输出注意力编码特征序列F5,对该注意力编码特征序列F5进行reshape操作(维度还原操作),将注意力编码特征序列F5的维度还原为与天气特征序列F3相同维度,得到注意力编码特征序列F6。将注意力编码特征序列F6和与其特征大小一致的天气特征序列F3结合后输入到第一个第二卷积层,通过第一组第二卷积层与第二注意力机制层的处理,得到第一次上采样以及注意力编码后的天气序列解码特征F7,将天气序列解码特征F7和与其特征大小一致的天气特征序列F2结合后输入到第二个第一卷积层,通过第二组第一卷积层与第一注意力机制层的处理,得到第二次上采样以及注意力编码后的天气序列解码特征F8,将天气序列解码特征F8和与其特征大小一致的天气特征序列F1结合后输入到第三个第一卷积层,通过第三组第一卷积层与第一注意力机制层的处理,得到第三次上采样以及注意力编码后的天气序列解码特征F9,将天气序列解码特征F9输入到1×1卷积层中,得到与天气数据序列中的天气数据对应的特征大小一致的天气序列解码特征F10,并将天气序列解码特征F10对应的数据作为目标天气数据。
本实施例中,由于transformer网络处理以及reshape操作后,得到的注意力编码特征序列可能会出现残差,丢失部分数据,那么此时需要结合第一卷积神经网络中得到的与第二卷积神经网络中各个第二卷积层输入的天气序列解码特征F7的特征大小一致的天气特征序列对丢失数据的天气序列解码特征F7进行补全操作,从而提高解码的准确度。
作为一种可选的实施方式,本申请另一实施例公开了,对天气预测模型的训练可以采用有监督训练方式,将预先采集的所有天气序列样本划分为训练样本集和验证样本集,训练样本集和验证样本集中的每个样本均包括输入数据序列和对应的输出数据。本实施例首先利用训练样本集对天气预测模型进行训练,将训练样本集中的训练样本的输入数据序列和输出数据均输入到天气预测模型中,利用天气预测模型中的第一卷积神经网络对输入数据序列和输出数据进行特征提取,得到训练样本特征序列,该训练样本特征序列中包括输入数据序列对应的输入特征序列和输出数据对应的输出特征。将该样本特征序列输入到Transformer网络中,Transformer网络对输入特征序列和输出特征进行基于上下文的注意力编码,并学习注意力编码后的输入特征序列与注意力编码后的输出特征中的映射关系,从而学习到通过注意力编码后的输入特征序列预测到注意力编码后的输出特征的预测能力,并将注意力编码后的输出特征作为训练样本对应的注意力编码特征序列输出,以使第二卷积神经网络对训练样本对应的注意力编码特征序列进行解码,从而得到输出数据。通过训练样本对天气预测模型的训练能够使天气预测模型学习到输入数据序列与输出数据之间的映射关系,从而学习到利用输入数据序列预测输出数据的能力。
通过训练样本集中的训练样本对天气预测模型训练后,利用验证样本集中的验证样本对天气预测模型学习到的预测能力进行评估,并根据评估结果对天气预测模型的模型参数进行调整,如图7所示,具体步骤包括:
S701、从历史天气数据中提取天气序列样本。
具体的,本实施例中需要从历史天气数据中提取天气序列样本,其中,天气序列样本是针对不同天气要素提取的针对各个天气要素对应的天气序列样本,例如,对于降雨天气要素,提取的天气序列样本中的数据即为降雨数据,那么采用该天气序列样本训练的天气预测模型则为预测降雨数据的模型;对于降雪天气要素,提取的天气序列样本中的数据即为降雪数据,那么采用该天气序列样本训练的天气预测模型则为预测降雪数据的模型;对于云层覆盖天气要素,提取的天气序列样本中的数据即为云层覆盖数据,那么采用该天气序列样本训练的天气预测模型则为预测云层覆盖数据的模型。本实施例中,天气序列样本即为上述内容所述的验证样本,该天气序列样本中包括:输入数据序列和输出数据。具体的天气序列样本的提取方式在上述实施例中已经说明,本实施例不再具体阐述。
S702、将输入数据序列输入到第一卷积神经网络中,以使第一卷积神经网络提取输入数据序列对应的样本特征序列。
本实施例将天气序列样本中的输入数据序列输入到第一卷积神经网络中,第一卷积神经网络对输入数据序列中的各个天气数据样本进行数据特征提取,得到各个天气数据样本对应的天气特征样本,将所有天气特征样本组合成的特征序列作为输入数据序列对应的样本特征序列。其中,第一卷积神经网络对输入数据序列的具体处理步骤与上述实施例中所述的第一卷积神经网络对天气数据序列的具体处理步骤相同,本实施例不再具体阐述。
S703、将样本特征序列输入到transformer网络中,以使transformer网络对样本特征序列进行基于上下文的注意力编码,得到样本注意力编码特征序列。
本实施例将第一卷积神经网络提取的样本特征序列输入到transformer网络中,transformer网络对样本特征序列进行基于上下文的注意力编码,得到注意力编码后的样本特征序列,然后利用训练样本对天气预测模型训练时学习到的预测能力,预测出注意力编码后的样本特征序列对应的注意力编码后的样本预测特征序列,并将该注意力编码后的样本预测特征序列作为样本注意力编码特征序列。其中,transformer网络对样本特征序列的具体处理步骤与上述实施例中所述的transformer网络对天气特征序列的具体处理步骤相同,本实施例不再具体阐述。
S704、将样本注意力编码特征序列输入到第二卷积神经网络中,以使第二卷积网络对样本注意力编码特征序列进行解码,得到样本注意力编码特征序列对应的样本预测数据。
本实施例将样本注意力编码特征序列输入到第二卷积神经网络中,第二卷积神经网络对该样本注意力编码特征序列进行解码,得到样本注意力编码特征序列对应的样本解码特征,并将该样本解码特征对应的数据作为样本预测数据。其中,第二卷积神经网络对样本注意力编码特征序列的具体处理步骤与上述实施例中所述的第二卷积神经网络对注意力编码特征序列的具体处理步骤相同,本实施例不再具体阐述。
S705、根据样本预测数据与天气序列样本中的输出数据,对天气预测模型进行参数调整。
本实施例在预测出输入的天气序列样本中的输入数据序列对应的样本预测数据后,通过计算样本预测数据与天气序列样本中的输出数据之间的损失函数,根据该损失函数对天气预测模型的模型参数进行调整,以使样本预测数据与天气序列样本中的输出数据逐渐接近。
与上述的天气预测方法相对应的,本申请实施例还提出一种天气预测装置,参见图8所示,该装置包括:
数据提取模块100,用于从历史天气数据中提取得到天气数据序列;
天气预测模块110,用于将天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;
其中,天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。
本申请实施例提出的天气预测装置,数据提取模块100从历史天气数据中提取得到天气数据序列;天气预测模块110将天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;其中,天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。采用本实施例的技术方案,天气预测模型是从历史数据中让模型学习到所需的预测能力,不需要消耗大量的计算资源,能够提高天气预测模型的预测速度,从而提高天气预测的效率。
进一步地,天气预测模型是基于卷积神经网络和Transformer网络构建的TransUNet模型,既具有卷积神经网络对数据的短依赖特征提取能力,又具有Transformer网络实现的长依赖特征提取能力,从而既能实现对天气的短期预测,又能实现对天气的长期预测,提高了对天气预测的准确度。
作为一种可选的实施方式,本申请另一实施例还公开了,天气预测模型包括:编码网络和解码网络;
编码网络包括:第一卷积神经网络和transformer网络;
解码网络包括:第二卷积神经网络;
第一卷积神经网络用于提取输入的天气数据序列对应的天气特征序列;
transformer网络用于对天气特征序列进行基于上下文的注意力编码,得到注意力编码特征序列;
第二卷积神经网络用于对注意力编码特征序列进行解码,得到目标天气数据。
作为一种可选的实施方式,本申请另一实施例还公开了,第一卷积神经网络包括:第一卷积层和第一注意力机制层;
第一卷积层用于对输入的天气数据序列进行下采样处理,得到下采样特征序列;
第一注意力机制层用于对下采样特征序列进行基于注意力机制的特征融合处理,得到天气特征序列。
作为一种可选的实施方式,本申请另一实施例还公开了,第二卷积神经网络包括:第二卷积层和第二注意力机制层;
第二卷积层用于对注意力编码特征序列进行上采样处理,得到上采样特征序列;
第二注意力机制层用于对上采样特征序列进行基于注意力机制的特征融合处理,得到天气序列解码特征;其中,天气序列解码特征对应的数据为目标天气数据。
作为一种可选的实施方式,本申请另一实施例还公开了,第一卷积神经网络还包括:线性层,线性层用于根据transformer网络的输入维度,对天气特征序列进行维度调整,以使天气特征序列的维度与transformer网络的输入维度相同;
第二卷积神经网络具体用于对维度调整为与未调整维度的天气特征序列的维度相同后的注意力编码特征序列进行解码,得到目标天气数据。
作为一种可选的实施方式,本申请另一实施例还公开了,第一卷积神经网络和第二卷积神经网络包括UNet网络。
作为一种可选的实施方式,本申请另一实施例还公开了,第一卷积层包括至少一层深度可分离卷积层。
作为一种可选的实施方式,本申请另一实施例还公开了,天气预测装置还包括:模型训练模块。
模型训练模块具体用于:
从历史天气数据中提取天气序列样本,天气序列样本中包括:输入数据序列和输出数据;
将输入数据序列输入到第一卷积神经网络中,以使第一卷积神经网络提取输入数据序列对应的样本特征序列;
将样本特征序列输入到transformer网络中,以使transformer网络对样本特征序列进行基于上下文的注意力编码,得到样本注意力编码特征序列;
将样本注意力编码特征序列输入到第二卷积神经网络中,以使第二卷积网络对样本注意力编码特征序列进行解码,得到样本注意力编码特征序列对应的样本预测数据;
根据样本预测数据与天气序列样本中的输出数据,对天气预测模型进行参数调整。
本实施例提供的天气预测装置,与本申请上述实施例所提供的天气预测方法属于同一申请构思,可执行本申请上述任意实施例所提供的天气预测方法,具备执行天气预测方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请上述实施例提供的天气预测方法的具体处理内容,此处不再加以赘述。
本申请另一实施例还提出一种电子设备,参见图9所示,该设备包括:
存储器200和处理器210;
其中,所述存储器200与所述处理器210连接,用于存储程序;
所述处理器210,用于通过运行所述存储器200中存储的程序,实现上述任一实施例公开的天气预测方法。
具体的,上述电子设备还可以包括:总线、通信接口220、输入设备230和输出设备240。
处理器210、存储器200、通信接口220、输入设备230和输出设备240通过总线相互连接。其中:
总线可包括一通路,在计算机系统各个部件之间传送信息。
处理器210可以是通用处理器,例如通用中央处理器(CPU)、微处理器等,也可以是特定应用集成电路(application-specificintegratedcircuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器210可包括主处理器,还可包括基带芯片、调制解调器等。
存储器200中保存有执行本发明技术方案的程序,还可以保存有操作系统和其他关键业务。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。更具体的,存储器200可以包括只读存储器(read-onlymemory,ROM)、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(randomaccessmemory,RAM)、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
输入设备230可包括接收用户输入的数据和信息的装置,例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
输出设备240可包括允许输出信息给用户的装置,例如显示屏、打印机、扬声器等。
通信接口220可包括使用任何收发器一类的装置,以便与其他设备或通信网络通信,如以太网,无线接入网(RAN),无线局域网(WLAN)等。
处理器210执行存储器200中所存放的程序,以及调用其他设备,可用于实现本申请上述实施例所提供的任意一种天气预测方法的各个步骤。
本申请另一实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现上述任一实施例提供的天气预测方法的各个步骤。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,各实施例中记载的技术特征可以进行替换或者组合。
本申请各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的终端实施例仅仅是示意性的,例如,模块或子模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个子模块或模块可以结合或者可以集成到另一个模块,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的,作为模块或子模块的部件可以是或者也可以不是物理模块或子模块,即可以位于一个地方,或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中,也可以是各个模块或子模块单独物理存在,也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现,也可以采用软件功能模块或子模块的形式实现。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元,或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种天气预测方法,其特征在于,包括:
从历史天气数据中提取得到天气数据序列;
将所述天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;
其中,所述天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述天气预测模型包括:编码网络和解码网络;
所述编码网络包括:第一卷积神经网络和transformer网络;
所述解码网络包括:第二卷积神经网络;
所述第一卷积神经网络用于提取输入的天气数据序列对应的天气特征序列;
所述transformer网络用于对所述天气特征序列进行基于上下文的注意力编码,得到注意力编码特征序列;
所述第二卷积神经网络用于对所述注意力编码特征序列进行解码,得到所述目标天气数据。
3.根据权利要求2所述的方法,其特征在于,所述第一卷积神经网络包括:第一卷积层和第一注意力机制层;
所述第一卷积层用于对输入的天气数据序列进行下采样处理,得到下采样特征序列;
所述第一注意力机制层用于对所述下采样特征序列进行基于注意力机制的特征融合处理,得到天气特征序列。
4.根据权利要求2所述的方法,其特征在于,所述第二卷积神经网络包括:第二卷积层和第二注意力机制层;
所述第二卷积层用于对所述注意力编码特征序列进行上采样处理,得到上采样特征序列;
所述第二注意力机制层用于对所述上采样特征序列进行基于注意力机制的特征融合处理,得到天气序列解码特征;其中,所述天气序列解码特征对应的数据为目标天气数据。
5.根据权利要求3所述的方法,其特征在于,所述第一卷积神经网络还包括:线性层,所述线性层用于根据所述transformer网络的输入维度,对所述天气特征序列进行维度调整,以使所述天气特征序列的维度与所述transformer网络的输入维度相同;
所述第二卷积神经网络具体用于对维度调整为与未调整维度的天气特征序列的维度相同后的注意力编码特征序列进行解码,得到所述目标天气数据。
6.根据权利要求2所述的方法,其特征在于,所述第一卷积神经网络和所述第二卷积神经网络包括UNet网络。
7.根据权利要求3所述的方法,其特征在于,所述第一卷积层包括至少一层深度可分离卷积层。
8.根据权利要求2所述的方法,其特征在于,所述天气预测模型的训练过程包括:
从历史天气数据中提取天气序列样本,所述天气序列样本中包括:输入数据序列和输出数据;
将所述输入数据序列输入到第一卷积神经网络中,以使所述第一卷积神经网络提取所述输入数据序列对应的样本特征序列;
将所述样本特征序列输入到所述transformer网络中,以使所述transformer网络对所述样本特征序列进行基于上下文的注意力编码,得到样本注意力编码特征序列;
将所述样本注意力编码特征序列输入到所述第二卷积神经网络中,以使所述第二卷积网络对所述样本注意力编码特征序列进行解码,得到所述样本注意力编码特征序列对应的样本预测数据;
根据所述样本预测数据与所述天气序列样本中的输出数据,对所述天气预测模型进行参数调整。
9.一种天气预测装置,其特征在于,包括:
数据提取模块,用于从历史天气数据中提取得到天气数据序列;
天气预测模块,用于将所述天气数据序列输入到预先训练的天气预测模型中,得到预测的目标天气数据;
其中,所述天气预测模型是利用天气序列样本,对基于卷积神经网络和Transformer网络构建的TransUNet模型进行天气序列预测训练得到的。
10.一种电子设备,其特征在于,包括:存储器和处理器;
其中,所述存储器与所述处理器连接,用于存储程序;
所述处理器,用于通过运行所述存储器中的程序,实现如权利要求1至8中任一项所述的天气预测方法。
11.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1至8中任一项所述的天气预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211728149.2A CN116106988A (zh) | 2022-12-30 | 2022-12-30 | 天气预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211728149.2A CN116106988A (zh) | 2022-12-30 | 2022-12-30 | 天气预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116106988A true CN116106988A (zh) | 2023-05-12 |
Family
ID=86257473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211728149.2A Pending CN116106988A (zh) | 2022-12-30 | 2022-12-30 | 天气预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116106988A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095775A (zh) * | 2023-10-18 | 2023-11-21 | 江西五十铃汽车有限公司 | 一种固态锂电池材料设计方法、系统、存储介质及计算机 |
CN117852729A (zh) * | 2024-03-08 | 2024-04-09 | 西安邮电大学 | 基于序列分解构图和注意力机制的天气预测方法及系统 |
-
2022
- 2022-12-30 CN CN202211728149.2A patent/CN116106988A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095775A (zh) * | 2023-10-18 | 2023-11-21 | 江西五十铃汽车有限公司 | 一种固态锂电池材料设计方法、系统、存储介质及计算机 |
CN117852729A (zh) * | 2024-03-08 | 2024-04-09 | 西安邮电大学 | 基于序列分解构图和注意力机制的天气预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11231522B2 (en) | Methods and systems for climate forecasting using artificial neural networks | |
CN116106988A (zh) | 天气预测方法、装置、电子设备及存储介质 | |
Hyandye et al. | A Markovian and cellular automata land-use change predictive model of the Usangu Catchment | |
Assem et al. | Urban water flow and water level prediction based on deep learning | |
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
Choy et al. | Modelling of river discharges and rainfall using radial basis function networks based on support vector regression | |
CN110874550A (zh) | 数据处理方法、装置、设备和系统 | |
CN111158068B (zh) | 一种基于简单卷积循环神经网络的短临预报方法及系统 | |
CN110267292B (zh) | 基于三维卷积神经网络的蜂窝网络流量预测方法 | |
CN112532746B (zh) | 一种云边协同感知的方法及系统 | |
CN113011106B (zh) | 一种多数值模式集成预报方法及装置 | |
US20240160923A1 (en) | Increasing Accuracy and Resolution of Weather Forecasts Using Deep Generative Models | |
WO2023207411A1 (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
US20240176045A1 (en) | Nowcasting using generative neural networks | |
Farahmand et al. | A spatial–temporal graph deep learning model for urban flood nowcasting leveraging heterogeneous community features | |
CN111125551B (zh) | 一种基于选择记忆的马尔可夫模型的用户位置预测方法 | |
KR20190119082A (ko) | 기상 데이터의 통계 분석을 사용하여 경제 동향들을 예측하기 위한 시스템 및 방법 | |
Roy et al. | Tropical cyclone intensity forecasting in the Bay of Bengal using a biologically inspired computational model | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
CN114374953B (zh) | 基于Hadoop和RAPIDS的多源特征转换基站下APP使用预测方法及系统 | |
CN115759413A (zh) | 一种气象预测方法、装置、存储介质及电子设备 | |
CN114638308A (zh) | 一种获取对象关系的方法、装置、电子设备和存储介质 | |
Kim et al. | Region-Conditioned Orthogonal 3D U-Net for Weather4Cast Competition | |
Zeng et al. | Surface wind speed prediction in the canadian arctic using non-linear machine learning methods | |
CN114037772A (zh) | 一种图像生成器的训练方法、图像生成方法及装置 |
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 |