CN117034780B - 一种基于深度学习的多尺度次季节降水量预测方法 - Google Patents

一种基于深度学习的多尺度次季节降水量预测方法 Download PDF

Info

Publication number
CN117034780B
CN117034780B CN202311113016.9A CN202311113016A CN117034780B CN 117034780 B CN117034780 B CN 117034780B CN 202311113016 A CN202311113016 A CN 202311113016A CN 117034780 B CN117034780 B CN 117034780B
Authority
CN
China
Prior art keywords
data
layer
precipitation
sub
prediction
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.)
Active
Application number
CN202311113016.9A
Other languages
English (en)
Other versions
CN117034780A (zh
Inventor
蒋薇
刘芸芸
徐萌
项瑛
许琪
王子月
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.)
Guo Jiaqihouzhongxin
Climate Center Of Jiangsu Province
Original Assignee
Guo Jiaqihouzhongxin
Climate Center Of Jiangsu Province
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 Guo Jiaqihouzhongxin, Climate Center Of Jiangsu Province filed Critical Guo Jiaqihouzhongxin
Priority to CN202311113016.9A priority Critical patent/CN117034780B/zh
Publication of CN117034780A publication Critical patent/CN117034780A/zh
Application granted granted Critical
Publication of CN117034780B publication Critical patent/CN117034780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的多尺度次季节降水量预测方法，包括：构建数据集，利用预报时间尺度对所述数据集进行划分；所述数据集包括：历史降水量观测数据和历史气候指数数据；利用划分后的所述数据集，对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型；利用所述多尺度次季节降水量预测模型，预测次季节降水量。本发明针对次季节降水量预测这一难点，使用深度学习方法建立预测模型，通过从数据中挖掘、构造更加有效的特征数据，构建SSCF模型，有效提升了次季节降水量预测的准确性和实效性。

Description

一种基于深度学习的多尺度次季节降水量预测方法
技术领域
本发明属于次季节预测领域，尤其涉及一种基于深度学习的多尺度次季节降水量预测方法。
背景技术
次季节尺度的预报是对某一地区未来15-60天的天气状况进行预测，它衔接了天气预报(1-10天)和气候预测(月尺度以上)的时间缝隙，在防灾减灾决策服务中起着重要的作用。目前的气象业务其天气预报的有效预报时长通常在10天左右，两周至一个月之间的次季节预测一直是天气预报业务的空白领域，受到科学研究和业务预报的关注。次季节预测过程十分复杂，由于同时受到大气外部强迫因子、初始条件的共同影响，预测结果具有很大的不确定性，被称为“可预报性的沙漠”。随着经济社会的发展，人们对气象预报的要求越来越高，迫切需要提高次季节预测准确率。中国气象局在“智能网格预报行动计划(2018-2020年)”中，也明确提出将次季节预测列为未来气象预报研究的重点任务和攻关的关键核心技术。
21世纪以来，受益于信息技术的飞速发展，机器学习方法在诸多领域得到了越来越多的应用，其中，由多层感知机基础上发展而来的人工神经网络(Artificial NeuralNetwork,ANN)成为机器学习领域发展最快的一个分支，在此基础上发展出了递归神经网络(Recurrent Neural Network,RNN)和卷积神经网络(Convolutional Neural Network,CNN)和深度神经网络(Deep Neural Network,DNN)等适应于不同应用场景的神经网络方法。与传统的统计方法相比，神经网络模型由于结构复杂，训练数据量大，往往能够通过机器学习获取更加复杂的时间、空间甚至是物理特征，因此被广泛应用于政府决策、工业生产、金融预测、科学研究等领域且取得了不错的效果。
大气作为一个复杂的非线性系统，其本身固有的混沌特征是数值天气预报模式进一步发展的主要制约因素，尤其对于时间尺度在两周以上的次季节预报，目前仍缺少可用于业务的预报技巧。随着气象观测手段及预报预测业务的发展，气象数据的覆盖范围广、时间频次高，为利用机器学习算法提升气象预报预测水平提供了有力的数据支撑和技术基础。因此，亟需发展针对江苏次季节降水量的客观化预测技术，提升次季节降水预测服务水平，从而满足防灾减灾服务的迫切需求。
发明内容
为解决上述技术问题，本发明提出一种基于深度学习的多尺度次季节降水量预测方法，首先利用数据预处理模块，对数据进行处理和整合，再由包含CNN和RNN的特征提取模块提取数据特征，并与原数据进行融合，进而由DNN预测模块得到预测结果，由误差学习模块进行学习，以提高预测的准确性和时效性。
为实现上述目的，本发明提供了一种基于深度学习的多尺度次季节降水量预测方法，包括：
构建数据集，利用预报时间尺度对所述数据集进行划分；所述数据集包括：历史降水量观测数据和历史气候指数数据；
利用划分后的所述数据集，对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型；
利用所述多尺度次季节降水量预测模型，预测次季节降水量。
可选地，构建所述数据集包括：
获取所述历史降水量观测数据和所述历史气候指数数据；
对所述历史降水量观测数据和所述历史气候指数数据进行预处理，获得所述数据集；
进行所述预处理包括：
对所述历史降水量观测数据进行质控筛选；
将筛选后的所述历史降水量观测数据和所述历史气候指数数据进行数据融合；
对融合后的数据进行归一化处理。
可选地，预设的所述神经网络模型包括：CNN、RNN和DNN；
所述CNN，用于对所述历史气候指数数据的时间序列进行数值特征提取；
所述RNN，用于对所述CNN提取到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩；
所述DNN，用于对CNN和RNN输出的数据特征进行计算，输出降水量的预测结果。
可选地，所述CNN采用三层一维卷积神经网络结构，使用LeakyRelu作为激活函数；
所述RNN采用两层双向长短时记忆网终结构，使用tanh作为激活函数；
所述DNN采用四层全连接神经网络结构，第一层、第二层、第三层使用linear作为激活函数，第一、二、三层神经网络加入Dropout正则化层，第四层作为预报结果的输出层，使用linear作为激活函数。
可选地，对预设的神经网络模型进行训练前包括：
预设模型的训练循环次数和每次训练的批处理量。
可选地，对预设的神经网络模型进行训练时采用的损失函数为：
其中，RMSE为均方根误差，i为数据样本序号，h(x(i))为第i个站点降水观测值，y(i)为第i个站点的预报降水量，m为站点×数据时间长度。
可选地，获取多尺度次季节降水量预测模型包括：
利用预报时间尺度，将所述数据集划分为若干不同尺度的数据集；
利用若干不同尺度的数据集，对预设的所述神经网络模型进行训练，获取若干不同尺度的次季节降水量预测模型。
可选地，预测所述次季节降水量包括：
获取实时站点观测数据和实时气候指数数据；
对所述实时站点观测数据和实时气候指数数据进行所述预处理；
用所述预报时间尺度对所述预处理后的数据进行划分；
将划分后的数据输入对应的所述多尺度次季节降水量预测模型，对模型输出的结果进行反归一化，获取预测的所述次季节降水量。
为实现上述目的，本发明还提供了一种基于深度学习的多尺度次季节降水量预测系统，包括：数据预处理模块和深度学习模块；
所述数据预处理模块，用于对历史降水量观测数据和历史气候指数数据进行预处理，获取数据集；
所述深度学习模块，用于根据所述数据集对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型，并利用所述多尺度次季节降水量预测模型，预测次季节降水量。
可选地，所述预设的所述神经网络模型包括：CNN、RNN和DNN；
所述CNN采用三层一维卷积神经网络结构，使用LeakyRelu作为激活函数；所述RNN采用两层双向长短时记忆网终结构，使用tanh作为激活函数；所述DNN采用四层全连接神经网络结构，第一层、第二层、第三层使用linear作为激活函数，第一、二、三层神经网络加入Dropout正则化层，第四层作为预报结果的输出层，使用linear作为激活函数；
所述CNN，用于对所述历史气候指数数据的时间序列进行数值特征提取；
所述RNN，用于对所述CNN提取到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩；
所述DNN，用于对CNN和RNN输出的数据特征进行计算，输出降水量的预测结果。
与现有技术相比，本发明具有如下优点和技术效果：
本发明首先利用数据预处理模块，对数据进行处理和整合，再由包含CNN和RNN的特征提取模块提取数据特征，并与原数据进行融合，进而由DNN预测模块得到预测结果，由误差学习模块进行学习，以提高预测的准确性和时效性。
本发明针对次季节降水量预测这一难点，使用深度学习方法建立预测模型，通过从数据中挖掘、构造更加有效的特征数据，构建SSCF模型，有效提升了次季节降水量预测的准确性和实效性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的深度学习模块训练示意图；
图2为本发明实施例的预报流程示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明针对现有气候动力模式对次季节降水量的预测技巧低和时效性较差的问题，提出一种基于深度学习的次季节降水量预测方法(sub seasonal climate forecastmodel，以下简称SSCF)。首先利用数据预处理模块，对数据进行处理和整合，再由包含CNN和RNN的特征提取模块提取数据特征，并与原数据进行融合，进而由DNN预测模块得到预测结果，由误差学习模块进行学习，以提高预测的准确性和时效性。
如图1所示，本实施例提出了一种基于深度学习的多尺度次季节降水量预测方法，包含数据预处理、深度学习模块两个部分，技术方案如下：
1.数据预处理模块
数据预处理模块包括数据质量控制，数据融合、数据归一化三个步骤。首先通过数据质量控制算法对其气象站点观测数据进行质量控制，对于质控筛选出来的错误数据利用插值等算法进行替换，对于数据错误及缺测占比达到2％以上的站点，直接剔除整个站点。气候指数数据缺测超过2％的指数直接剔除。第二步利用数据融合算法，将气象站点观测数据和气候指数数据合并为一个数据集。第三步将对合并后的数据集进行归一化处里，消除不同变量之间的量纲差异，得到可用于深度学习算法训练的训练数据集。该方案中使用的历史气象观测数据和气候指数数据分别从观测站点和国家气候中心获取。
2.深度学习模块
深度学习模块基于上一步得到的数据集进行训练预测。深度学习框架使用SSCF模型作为降水量预测的训练模型。使用SSCF模型在数据集上进行训练，经过多轮训练优化模型参数，得到最优SSCF模型。最优深度神经网络模型被用来进行对未来次季节降水量进行预测。
SSCF模型结构包含有CNN、RBB和DNN，其中：CNN主要用于对气候指数数据时间序列进行数值特征提取，RNN用于对CNN提取得到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩阵，DNN用于对CNN及RNN输出的数据特征进行计算，输出降水量的预测结果。DNN中，第一、二、三层神经网络加入Dropout正则化层，设置Dropout比率为0.27，第四层作为预测结果的输出层。
更为具体的基于深度学习的多尺度次季节降水量预测方法，包括以下步骤：
步骤1)，获取历史的降水量观测数据和气候指数数据，进行质量控制、数据融合并进行归一化处理，得到训练数据集。
历史降水量观测数据是连续的时间序列，当前预测时段之前的历史降水量观测数据与对应时间段的历史气候指数数据融合后作为模型的输入，模型输出当前时段的降水数据与对应时间段的历史降水量观测数据进行误差对比。
步骤2)，依据预报时间尺度将训练数据集划分为15-30天小尺度数据集和30-60天大尺度数据集。
如图2所示，若用户选择小尺度预报，则利用小尺度预报模型对小尺度数据集进行处理得到小尺度预报数据；若用户进行大尺度预报，则利用大尺度预报模型对大尺度数据集进行处理得到大尺度预报数据，然后对预报数据进行反归一化处理，得到最终预报结果。
步骤3)，大、小尺度预报模型均使用SSCF模型作为次季节降水量预测的训练模型；SSCF模型包含有CNN、RNN和DNN。SSCF模型中，利用CNN对气候指数数据的时间序列进行特征提取，再利用RNN对CNN提取得到的特征进行进一步的时间特征提取，得到预测对象降水量的特征矩阵，使用DNN对经过CNN和RNN后的降水量特征矩阵进行计算，得到降水量的预测结果。使用DNN的过程中，在第一、二、三层神经网络加入Dropout正则化层，设置Dropout比率为0.27，第四层作为预报结果的输出层。大尺度预报模型由大尺度历史数据集训练获得，小尺度预报模型由小尺度历史数据集训练获得。
步骤4)，获取实时站点观测数据及气候指数数据，重复步骤1、2，将实时观测数据处理为与训练数据集维度一致的矩阵，将矩阵输入步骤3得到的对应大、小尺度SSCF模型。对模型输出的结果进行反归一化,得到次季节降水预报结果。
更进一步的，SSCF模型以PyTorch作为深度学习框架。
更进一步的，将历史多源融合数据集归一化后进行时间序列建模，用于训练SSCF模型。
更进一步的，SSCF模型的训练循环次数为200次，每次训练的批处理量为16；CNN为三层一维卷积神经网络结构，每层使用32个卷积核，卷积核的长度为1，使用LeakyRelu作为激活函数；RNN选用两层双向长短时记忆网终结构，每一层的神经元数量为128，使用tanh作为激活函数；DNN为四层全连接神经网络结构，第一层、第二层、第三层的神经元数量均为256，使用linear作为激活函数，第一、二、三层神经网络加入Dropout正则化层，设置dropout比率为0.27，第四层作为预报结果的输出层，神经元数量为1，使用linear作为激活函数。
更进一步的，对于SSCF模型，其训练阶段使用联合的损失函数如下：
其中，RMSE为均方根误差，i为数据样本序号，h(x(i))为第i个站点降水观测值，y(i)为第i个站点的预报降水量，m为站点×数据时间长度。
本实施例还提出了一种基于深度学习的多尺度次季节降水量预测系统，包括：数据预处理模块、深度学习模块；
数据预处理模块，用于对历史降水量观测数据和历史气候指数数据进行预处理，获取数据集；
深度学习模块，用于根据数据集对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型，并利用多尺度次季节降水量预测模型，预测次季节降水量。
数据预处理模块包括：质量控制单元、数据融合单元和数据归一化单元；
质量控制单元，通过数据质量控制算法对其气象站点观测数据进行质量控制，对于质控筛选出来的错误数据利用插值等算法进行替换，对于数据错误及缺测占比达到2％以上的站点，直接剔除整个站点；气候指数数据缺测超过2％的指数直接剔除；
数据融合单元，利用数据融合算法，将气象站点观测数据和气候指数数据合并为一个数据集；
数据归一化单元，将对合并后的数据集进行归一化处里，消除不同变量之间的量纲差异，得到可用于深度学习算法训练的训练数据集。
预设的神经网络模型包括：CNN、RNN和DNN；
CNN采用三层一维卷积神经网络结构，使用LeakyRelu作为激活函数；RNN采用两层双向长短时记忆网终结构，使用tanh作为激活函数；DNN采用四层全连接神经网络结构，第一层、第二层、第三层使用linear作为激活函数，第一、二、三层神经网络加入Dropout正则化层，第四层作为预报结果的输出层，使用linear作为激活函数；
CNN，用于对历史气候指数数据的时间序列进行数值特征提取；
RNN，用于对CNN提取到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩；
DNN，用于对CNN和RNN输出的数据特征进行计算，输出降水量的预测结果。
深度学习模块基于上一步得到的数据集进行训练预测。深度学习框架使用SSCF模型作为降水量预测的训练模型。使用SSCF模型在数据集上进行训练，经过多轮训练优化模型参数，得到最优SSCF模型。最优深度神经网络模型被用来进行对未来次季节降水量进行预测。
SSCF模型结构包含有CNN、RBB和DNN，其中：CNN主要用于对气候指数数据时间序列进行数值特征提取，RNN用于对CNN提取得到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩阵，DNN用于对CNN及RNN输出的数据特征进行计算，输出降水量的预测结果。DNN中，第一、二、三层神经网络加入Dropout正则化层，设置Dropout比率为0.27，第四层作为预测结果的输出层。
本实施例针对次季节降水量预测这一难点，使用深度学习方法建立预测模型，通过从数据中挖掘、构造更加有效的特征数据，构建SSCF模型，有效提升了次季节降水量预测的准确性和实效性。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于深度学习的多尺度次季节降水量预测方法，其特征在于，包括：
构建数据集，利用预报时间尺度对所述数据集进行划分；所述数据集包括：历史降水量观测数据和历史气候指数数据；
利用划分后的所述数据集，对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型；
利用所述多尺度次季节降水量预测模型，预测次季节降水量；
构建所述数据集包括：
获取所述历史降水量观测数据和所述历史气候指数数据；
对所述历史降水量观测数据和所述历史气候指数数据进行预处理，获得所述数据集；
进行所述预处理包括：
对所述历史降水量观测数据进行质控筛选；
将筛选后的所述历史降水量观测数据和所述历史气候指数数据进行数据融合；
对融合后的数据进行归一化处理；
预设的所述神经网络模型包括：CNN、RNN和DNN；
所述CNN，用于对所述历史气候指数数据的时间序列进行数值特征提取；
所述RNN，用于对所述CNN提取到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩；
所述DNN，用于对CNN和RNN输出的数据特征进行计算，输出降水量的预测结果；
所述CNN采用三层一维卷积神经网络结构，使用LeakyRelu作为激活函数；
所述RNN采用两层双向长短时记忆网终结构，使用tanh作为激活函数；
所述DNN采用四层全连接神经网络结构，第一层、第二层、第三层使用linear作为激活函数，第一、二、三层神经网络加入Dropout正则化层，第四层作为预报结果的输出层，使用linear作为激活函数。
2.根据权利要求1所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，对预设的神经网络模型进行训练前包括：
预设模型的训练循环次数和每次训练的批处理量。
3.根据权利要求1所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，对预设的神经网络模型进行训练时采用的损失函数为：
其中，RMSE为均方根误差，i为数据样本序号，h(x(i))为第i个站点降水观测值，y(i)为第i个站点的预报降水量，m为站点×数据时间长度。
4.根据权利要求1所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，获取多尺度次季节降水量预测模型包括：
利用预报时间尺度，将所述数据集划分为若干不同尺度的数据集；
利用若干不同尺度的数据集，对预设的所述神经网络模型进行训练，获取若干不同尺度的次季节降水量预测模型。
5.根据权利要求1所述的基于深度学习的多尺度次季节降水量预测方法，其特征在于，预测所述次季节降水量包括：
获取实时站点观测数据和实时气候指数数据；
对所述实时站点观测数据和实时气候指数数据进行所述预处理；
用所述预报时间尺度对所述预处理后的数据进行划分；
将划分后的数据输入对应的所述多尺度次季节降水量预测模型，对模型输出的结果进行反归一化，获取预测的所述次季节降水量。
6.一种基于深度学习的多尺度次季节降水量预测系统，应用如权利要求1-5任一所述的方法，其特征在于，包括：数据预处理模块、深度学习模块；
所述数据预处理模块，用于对历史降水量观测数据和历史气候指数数据进行预处理，获取数据集；
所述深度学习模块，用于根据所述数据集对预设的神经网络模型进行训练，获取多尺度次季节降水量预测模型，并利用所述多尺度次季节降水量预测模型，预测次季节降水量。
7.根据权利要求6所述的基于深度学习的多尺度次季节降水量预测系统，其特征在于，所述预设的所述神经网络模型包括：CNN、RNN和DNN；
所述CNN采用三层一维卷积神经网络结构，使用LeakyRelu作为激活函数；所述RNN采用两层双向长短时记忆网终结构，使用tanh作为激活函数；所述DNN采用四层全连接神经网络结构，第一层、第二层、第三层使用linear作为激活函数，第一、二、三层神经网络加入Dropout正则化层，第四层作为预报结果的输出层，使用linear作为激活函数；
所述CNN，用于对所述历史气候指数数据的时间序列进行数值特征提取；
所述RNN，用于对所述CNN提取到的特征进行进一步的时间特征提取，输出预测对象降水量的特征矩；
所述DNN，用于对CNN和RNN输出的数据特征进行计算，输出降水量的预测结果。
CN202311113016.9A 2023-08-31 2023-08-31 一种基于深度学习的多尺度次季节降水量预测方法 Active CN117034780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311113016.9A CN117034780B (zh) 2023-08-31 2023-08-31 一种基于深度学习的多尺度次季节降水量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311113016.9A CN117034780B (zh) 2023-08-31 2023-08-31 一种基于深度学习的多尺度次季节降水量预测方法

Publications (2)

Publication Number Publication Date
CN117034780A CN117034780A (zh) 2023-11-10
CN117034780B true CN117034780B (zh) 2024-04-19

Family

ID=88637329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311113016.9A Active CN117034780B (zh) 2023-08-31 2023-08-31 一种基于深度学习的多尺度次季节降水量预测方法

Country Status (1)

Country Link
CN (1) CN117034780B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118228003B (zh) * 2024-05-22 2024-07-30 南京信息工程大学 融合中大尺度环流数据的长江流域次季节降水预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339092A (zh) * 2020-02-24 2020-06-26 江苏省南通环境监测中心 一种基于深度学习的多尺度空气质量预报方法
CN111931983A (zh) * 2020-07-07 2020-11-13 湖南大学 一种降水量预测方法及系统
CN113361766A (zh) * 2021-06-03 2021-09-07 南京信息工程大学 一种集成机器学习的多模式降水预估方法
CN114880958A (zh) * 2022-07-12 2022-08-09 南京气象科技创新研究院 一种基于多气象因子智能深度学习的能见度预报模型
CN115526413A (zh) * 2022-10-12 2022-12-27 中国气象科学研究院 一种基于全连接神经网络日最高气温的预报方法
WO2023284887A1 (zh) * 2022-01-29 2023-01-19 中国长江三峡集团有限公司 长期降水预测模型构建方法、长期降水预测方法及装置
CN116400433A (zh) * 2023-01-16 2023-07-07 中国人民解放军63796部队 一种基于数据融合和混合卷积的单站逐时气温预报方法
CN116485010A (zh) * 2023-03-20 2023-07-25 四川省雅安市气象局 一种基于循环神经网络的s2s降水预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102308751B1 (ko) * 2021-02-19 2021-10-05 주식회사 에스아이에이 딥러닝 기반의 강수량 예측 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339092A (zh) * 2020-02-24 2020-06-26 江苏省南通环境监测中心 一种基于深度学习的多尺度空气质量预报方法
CN111931983A (zh) * 2020-07-07 2020-11-13 湖南大学 一种降水量预测方法及系统
CN113361766A (zh) * 2021-06-03 2021-09-07 南京信息工程大学 一种集成机器学习的多模式降水预估方法
WO2023284887A1 (zh) * 2022-01-29 2023-01-19 中国长江三峡集团有限公司 长期降水预测模型构建方法、长期降水预测方法及装置
CN114880958A (zh) * 2022-07-12 2022-08-09 南京气象科技创新研究院 一种基于多气象因子智能深度学习的能见度预报模型
CN115526413A (zh) * 2022-10-12 2022-12-27 中国气象科学研究院 一种基于全连接神经网络日最高气温的预报方法
CN116400433A (zh) * 2023-01-16 2023-07-07 中国人民解放军63796部队 一种基于数据融合和混合卷积的单站逐时气温预报方法
CN116485010A (zh) * 2023-03-20 2023-07-25 四川省雅安市气象局 一种基于循环神经网络的s2s降水预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
2020年汛期气候预测效果评述及先兆信号分析;刘芸芸 等;《气象》;20210415;第47卷(第4期);第1-11页 *

Also Published As

Publication number Publication date
CN117034780A (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
CN114898121B (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN110580543A (zh) 一种基于深度信念网络的电力负荷预测方法及系统
CN105354646B (zh) 一种混合粒子群优化与极限学习机的电力负荷预测方法
CN110232476B (zh) 一种基于深度学习的微电网负荷预测方法
CN110188919A (zh) 一种基于长短期记忆网络的负荷预测方法
CN117034780B (zh) 一种基于深度学习的多尺度次季节降水量预测方法
CN116307287B (zh) 一种光伏发电有效时段的预测方法、系统及预测终端
CN116523187A (zh) 一种基于bim的工程进度监控方法及其系统
CN112766600A (zh) 一种城市区域人群流量预测方法及系统
CN114519471A (zh) 一种基于时序数据周期性的用电负荷预测方法
Gao et al. A multifactorial framework for short-term load forecasting system as well as the jinan’s case study
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
Dai et al. Multimodal deep learning water level forecasting model for multiscale drought alert in Feiyun River basin
CN112270123A (zh) 一种基于卷积生成对抗网络的流域水库群径流随机生成方法
CN117113054A (zh) 一种基于图神经网络和Transformer的多元时间序列预测方法
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
Shterev et al. Time series prediction with neural networks: a review
CN113283638A (zh) 一种基于融合模型的负荷极值曲线预测方法及系统
Hu et al. Incremental forecaster using C–C algorithm to phase space reconstruction and broad learning network for short-term wind speed prediction
Zhao Comprehensive Review of Machine Learning-Based Methods for Electricity Load Forecasting
CN115222024B (zh) 基于深度特征选择网络的短期光伏发电预测方法和系统
Shen et al. Net Load Forecasting Based on Residual Attention CNN-BiLSTM Model
CN117874472B (zh) 基于宽度学习网络的录波文件可信时间分析系统及方法
CN118568571B (zh) 基于qtcn和随机lstm光伏功率预测方法和装置

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
GR01 Patent grant
GR01 Patent grant