CN117270082A - 基于多传感器数据融合的降水量预测系统及其方法 - Google Patents
基于多传感器数据融合的降水量预测系统及其方法 Download PDFInfo
- Publication number
- CN117270082A CN117270082A CN202311272370.6A CN202311272370A CN117270082A CN 117270082 A CN117270082 A CN 117270082A CN 202311272370 A CN202311272370 A CN 202311272370A CN 117270082 A CN117270082 A CN 117270082A
- Authority
- CN
- China
- Prior art keywords
- time
- sequence
- time sequence
- meteorological
- vectors
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 62
- 238000001556 precipitation Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 233
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007334 memory performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- 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
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于多传感器数据融合的降水量预测系统及其方法。其首先获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值，接着，对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列，然后，对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量，最后，基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值。这样，可以实现短时降雨量的预测。
Description
技术领域
本公开涉及降水量预测领域，且更为具体地，涉及一种基于多传感器数据融合的降水量预测系统及其方法。
背景技术
降水量预测是指利用气象观测数据、统计方法等，对未来一定时期内某一地区或区域的降水量进行估计的过程。降水量预测的目的是为了提高防灾减灾、水资源管理、农业生产等方面的效率和效益。
降水量预测可以分为不同的时间尺度，如长期、中期、临近预报等。其中，短时降雨量预测是指对未来几小时内的降雨量进行预测，主要用于指导城市防洪、交通运输、旅游活动等。
然而，由于降水过程受到多种气象因素的影响，其时空分布和变化规律十分复杂，难以用传统的统计方法进行准确的预测。因此，期待一种优化的降水量预测方案。
发明内容
有鉴于此，本公开提出了一种基于多传感器数据融合的降水量预测系统及其方法，其可以实现短时降雨量的预测。
根据本公开的一方面，提供了一种基于多传感器数据融合的降水量预测方法，其包括：
获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值；
对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列；
对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量；以及基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值。
根据本公开的另一方面，提供了一种基于多传感器数据融合的降水量预测系统，其包括：
数据获取模块，用于获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值；
数据预处理模块，用于对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列；
特征提取融合模块，用于对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量；以及短时降雨量预测模块，用于基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值。
根据本公开的实施例，其首先获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值，接着，对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列，然后，对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量，最后，基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值。这样，可以实现短时降雨量的预测。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的流程图。
图2示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的架构示意图。
图3示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的子步骤S120的流程图。
图4示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的子步骤S130的流程图。
图5示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的子步骤S140的流程图。
图6示出根据本公开的实施例的基于多传感器数据融合的降水量预测系统的框图。
图7示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
针对上述技术问题，本公开的技术构思为结合深度学习算法，综合利用气压值、气温值、风速值、温度值、风向值和云量值这些气象参数，提取出气象参数间的时序关联特征和语义关联特征，从而实现短时降雨量的预测。
基于此，图1示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的流程图。图2示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的架构示意图。如图1和图2所示，根据本公开实施例的基于多传感器数据融合的降水量预测方法，包括步骤：S110，获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值；S120，对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列；S130，对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量；以及，S140，基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值。
具体地，在本公开的技术方案中，首先，获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值。应可以理解，综合利用气压值、气温值、风速值、温度值、风向值和云量值这些气象参数能够在一定程度上反映大气环境中的各种物理过程和相互作用。
具体而言，在降雨过程中，气压的变化可以反映出气团运动和垂直运动的强度，从而影响降雨的强度和范围；气温是描述大气热力状态的重要指标，降雨通常与热力条件的不稳定性相关，较高的气温意味着更大的能量供应，有利于对流活动和降雨的发生。而风场信息可以揭示大气中水汽的输送路径和速度，也就是，在降雨过程中，水汽输送对降雨的形成和分布起着重要的作用。风速和风向的变化可以反映出较大尺度的大气运动和辐合/辐散区域，对降雨量的分布和强度具有影响。此外，温度的变化可以影响大气中水汽的饱和蒸汽压和相对湿度，进而对降雨的形成和强度产生影响；云量信息可以反映出大气中水汽的凝结状态和垂直分布，云量的变化与降雨的形成和发展密切相关，较高的云量通常意味着更多的云水含量和较强的降水。通过综合利用这些气象参数的时序数据，可以捕捉到它们之间的相互关系和变化趋势，进而提取出与降雨量相关的特征信息。
考虑到在短时降雨量预测中，时间尺度较小，气象参数的变化往往更为迅速和显著。因而，在本公开的技术方案中，对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列。也就是，将局部时间段内的各个参数进行整合，以表征各个参数之间的局部关联关系，捕捉各个参数之间的快速响应关系和强关联关系。
在本公开的一个具体示例中，对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列的编码过程，包括：先将所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值分别按照时间维度排列为气压时序输入向量、气温时序输入向量、风速时序输入向量、温度时序输入向量、风向时序输入向量和云量时序输入向量；随后，分别对所述气压时序输入向量、所述气温时序输入向量、所述风速时序输入向量、所述温度时序输入向量、所述风向时序输入向量和所述云量时序输入向量进行向量切分以得到气压局部时序输入向量的序列、气温局部时序输入向量的序列、风速局部时序输入向量的序列、温度局部时序输入向量的序列、风向局部时序输入向量的序列和云量局部时序输入向量的序列；再将所述气压局部时序输入向量的序列、所述气温局部时序输入向量的序列、所述风速局部时序输入向量的序列、所述温度局部时序输入向量的序列、所述风向局部时序输入向量的序列和所述云量局部时序输入向量的序列进行基于时间段的数据整合以得到气象多参数时序矩阵的序列。
接着，对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量。也就是，对各个气象多参数时序矩阵进行特征提取，以捕捉蕴含在其中的参数间关联特征分布；并将各个参数间关联特征分布进行特征交互与特征融合，以增强融合后所得到的所述气象参数间全时域语义关联特征向量的特征表达能力。
在本公开的一个具体示例中，对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量的编码过程，包括：先将所述气象多参数时序矩阵的序列分别通过基于卷积神经网络模型的气象参数间特征提取器以得到气象多参数时序关联特征向量的序列；再将所述气象多参数时序关联特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到气象参数间全时域语义关联特征向量。这里，Bi-LSTM模型对于时间序列的预测问题具有很好的效果。更具体地，传统的RNN在处理长序列时容易出现梯度消失的问题，导致难以训练。LSTM引入了门控机制，可以有效地缓解梯度消失问题，从而能够处理更长的序列数据。Bi-LSTM模型在时间步上使用两个LSTM层，一个按正向顺序处理输入序列，另一个按反向顺序处理输入序列，然后通过将两个方向的输出进行拼接或合并来得到最终的输出。这种正反向处理的方式使得模型能够同时考虑到过去和未来的信息，从而提供更全面的上下文理解和特征提取。
相应地，如图3所示，对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列，包括：S121，将所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值分别按照时间维度排列为气压时序输入向量、气温时序输入向量、风速时序输入向量、温度时序输入向量、风向时序输入向量和云量时序输入向量；S122，分别对所述气压时序输入向量、所述气温时序输入向量、所述风速时序输入向量、所述温度时序输入向量、所述风向时序输入向量和所述云量时序输入向量进行向量切分以得到气压局部时序输入向量的序列、气温局部时序输入向量的序列、风速局部时序输入向量的序列、温度局部时序输入向量的序列、风向局部时序输入向量的序列和云量局部时序输入向量的序列；以及，S123，将所述气压局部时序输入向量的序列、所述气温局部时序输入向量的序列、所述风速局部时序输入向量的序列、所述温度局部时序输入向量的序列、所述风向局部时序输入向量的序列和所述云量局部时序输入向量的序列进行基于时间段的数据整合以得到所述气象多参数时序矩阵的序列。
相应地，如图4所示，对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量，包括：S131，提取所述气象多参数时序矩阵的序列的参数特征以得到气象多参数时序关联特征向量的序列；以及，S132，提取所述气象多参数时序关联特征向量的序列之间的时序关联特征以得到所述气象参数间全时域语义关联特征向量。应可以理解，在步骤S131中，从气象多参数时序矩阵中提取每个序列的参数特征，这些参数特征可以是统计特征（例如平均值、方差、最大值、最小值等），频域特征（例如傅里叶变换的频谱特征），或者其他有意义的特征，通过提取这些特征，可以得到每个序列的气象多参数时序关联特征向量。在步骤S132中，从气象多参数时序关联特征向量的序列之间提取时序关联特征，这些时序关联特征可以包括自相关系数、互相关系数、时滞相关系数等，用于描述序列之间的时序关系。通过提取这些时序关联特征，可以得到气象参数间全时域语义关联特征向量，这些特征向量可以用于分析和理解不同气象参数之间的关系，例如温度与湿度之间的关联、风速与降雨量之间的关联等。综合来说，S131和S132两个步骤的目的是通过特征提取和特征融合，得到气象参数间全时域的语义关联特征向量。这些特征向量可以用于进一步的数据分析、模式识别、预测等任务，以提高对气象数据的理解和应用。
更具体地，在步骤S131中，提取所述气象多参数时序矩阵的序列的参数特征以得到气象多参数时序关联特征向量的序列，包括：将所述气象多参数时序矩阵的序列分别通过基于卷积神经网络模型的气象参数间特征提取器以得到所述气象多参数时序关联特征向量的序列。值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，广泛应用于图像处理和模式识别任务中。它在处理二维数据（如图像）时具有很强的表征学习能力。在步骤S131中，提到了使用基于卷积神经网络模型的气象参数间特征提取器来提取气象多参数时序矩阵的序列的参数特征，以得到气象多参数时序关联特征向量的序列。这里的卷积神经网络模型可以用于对气象多参数时序矩阵的序列进行特征提取。通过卷积层和池化层的组合，卷积神经网络可以自动学习输入数据中的空间特征和模式。对于气象数据，卷积神经网络可以学习捕捉不同时间步之间的相关性和模式，从而提取有意义的特征。通过使用基于卷积神经网络模型的气象参数间特征提取器，可以将气象多参数时序矩阵的序列转化为气象多参数时序关联特征向量的序列。这些特征向量可以更好地表示不同时间步之间的关联和模式，为后续的分析和建模提供更丰富的信息。
更具体地，在步骤S132中，提取所述气象多参数时序关联特征向量的序列之间的时序关联特征以得到所述气象参数间全时域语义关联特征向量，包括：将所述气象多参数时序关联特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到所述气象参数间全时域语义关联特征向量。值得一提的是，Bi-LSTM（Bidirectional Long Short-TermMemory）是一种循环神经网络（Recurrent Neural Network，RNN）的变体，用于处理序列数据。与传统的单向LSTM不同，Bi-LSTM在每个时间步同时考虑了过去和未来的上下文信息。Bi-LSTM模型由两个LSTM组成，一个按正序处理输入序列，另一个按逆序处理输入序列。通过这种方式，Bi-LSTM可以同时捕捉到过去和未来的上下文信息，并将它们融合在一个向量表示中。这种双向建模的方式使得Bi-LSTM在处理序列数据时能够更好地理解上下文依赖关系。在步骤S132中，提到了使用基于Bi-LSTM模型的上下文编码器来提取气象多参数时序关联特征向量的序列之间的时序关联特征，以得到气象参数间全时域语义关联特征向量。通过使用Bi-LSTM模型作为上下文编码器，可以对气象多参数时序关联特征向量的序列进行建模，捕捉序列之间的时序关联特征。Bi-LSTM模型能够利用序列中的上下文信息，识别和学习序列中的模式和依赖关系。通过将气象多参数时序关联特征向量的序列输入到基于Bi-LSTM模型的上下文编码器中，可以得到气象参数间全时域语义关联特征向量。这些特征向量包含了更全面的时序关联信息，能够更好地表示不同气象参数之间的语义关系，为进一步的分析和应用提供更丰富的特征表示。
继而，将所述气象参数间全时域语义关联特征向量通过解码器以得到解码值，所述解码值用于表示短时降雨量的预测值。
相应地，如图5所示，基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值，包括：S141，对所述气象参数间全时域语义关联特征向量进行特征分布优化以得到优化气象参数间全时域语义关联特征向量；以及，S142，将所述优化气象参数间全时域语义关联特征向量通过解码器以得到解码值，所述解码值用于表示短时降雨量的预测值。
这里，所述气象多参数时序关联特征向量的序列中的每个气象多参数时序关联特征向量用于表达局部时域下的时序-样本交叉维度关联特征，由此，将所述气象多参数时序关联特征向量的序列通过基于Bi-LSTM模型的上下文编码器时，可以提取全局时域下的局部时域间的时序-样本交叉维度关联特征的时域上下文关联，从而使得所述气象参数间全时域语义关联特征向量具有对应于不同时域空间尺度下的交叉维度关联特征的多样化特征表示，这样，将所述气象参数间全时域语义关联特征向量通过解码器时，就会影响所述气象参数间全时域语义关联特征向量作为整体在解码回归域内的泛化效果，也就是，影响解码值的准确性。
基于此，本公开的申请人在对所述气象参数间全时域语义关联特征向量进行解码时，优选地对所述气象参数间全时域语义关联特征向量，例如记为进行希尔伯特正交空间域表示解耦。
相应地，在一个具体示例中，对所述气象参数间全时域语义关联特征向量进行特征分布优化以得到优化气象参数间全时域语义关联特征向量，包括：以如下优化公式对所述气象参数间全时域语义关联特征向量进行特征分布优化以得到所述优化气象参数间全时域语义关联特征向量；其中，所述优化公式为：其中，/>是所述气象参数间全时域语义关联特征向量，/>是所述气象参数间全时域语义关联特征向量的全局特征均值，/>是所述气象参数间全时域语义关联特征向量的二范数，/>是所述气象参数间全时域语义关联特征向量的长度，且/>是单位向量，/>表示向量减法，/>表示一维卷积，/>表示所述优化气象参数间全时域语义关联特征向量，/>表示第一过渡向量，表示第二过渡向量。
这里，所述希尔伯特正交空间域表示解耦用于通过强调所述气象参数间全时域语义关联特征向量的多样化特征表达内的本质域特定（domain-specific）信息，即，通过基于向量自空间度量和向量自内积表示下的希尔伯特空间度量，来从所述气象参数间全时域语义关联特征向量/>的整体域表示内进行域恒定（domain-invariant）表征的正交空间域解耦，以提升所述气象参数间全时域语义关联特征向量/>在解码回归域内的域自适应泛化性能，从而提升所述气象参数间全时域语义关联特征向量通过解码器得到的解码值的准确性。
综上，基于本公开实施例的基于多传感器数据融合的降水量预测方法，其可以实现短时降雨量的预测。
图6示出根据本公开的实施例的基于多传感器数据融合的降水量预测系统100的框图。如图6所示，根据本公开实施例的基于多传感器数据融合的降水量预测系统100，包括：数据获取模块110，用于获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值；数据预处理模块120，用于对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列；特征提取融合模块130，用于对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量；以及，短时降雨量预测模块140，用于基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值。
在一种可能的实现方式中，所述数据预处理模块120，包括：向量化单元，用于将所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值分别按照时间维度排列为气压时序输入向量、气温时序输入向量、风速时序输入向量、温度时序输入向量、风向时序输入向量和云量时序输入向量；向量切分单元，用于分别对所述气压时序输入向量、所述气温时序输入向量、所述风速时序输入向量、所述温度时序输入向量、所述风向时序输入向量和所述云量时序输入向量进行向量切分以得到气压局部时序输入向量的序列、气温局部时序输入向量的序列、风速局部时序输入向量的序列、温度局部时序输入向量的序列、风向局部时序输入向量的序列和云量局部时序输入向量的序列；以及，数据整合单元，用于将所述气压局部时序输入向量的序列、所述气温局部时序输入向量的序列、所述风速局部时序输入向量的序列、所述温度局部时序输入向量的序列、所述风向局部时序输入向量的序列和所述云量局部时序输入向量的序列进行基于时间段的数据整合以得到所述气象多参数时序矩阵的序列。
在一种可能的实现方式中，所述特征提取融合模块130，包括：参数特征提取单元，用于提取所述气象多参数时序矩阵的序列的参数特征以得到气象多参数时序关联特征向量的序列；以及，时序关联特征提取单元，用于提取所述气象多参数时序关联特征向量的序列之间的时序关联特征以得到所述气象参数间全时域语义关联特征向量。
这里，本领域技术人员可以理解，上述基于多传感器数据融合的降水量预测系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于多传感器数据融合的降水量预测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本公开实施例的基于多传感器数据融合的降水量预测系统100可以实现在各种无线终端中，例如具有基于多传感器数据融合的降水量预测算法的服务器等。在一种可能的实现方式中，根据本公开实施例的基于多传感器数据融合的降水量预测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于多传感器数据融合的降水量预测系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于多传感器数据融合的降水量预测系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于多传感器数据融合的降水量预测系统100与该无线终端也可以是分立的设备，并且该基于多传感器数据融合的降水量预测系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图7示出根据本公开的实施例的基于多传感器数据融合的降水量预测方法的应用场景图。如图7所示，在该应用场景中，首先，获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值（例如，图7中所示意的D），然后，将所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值输入至部署有基于多传感器数据融合的降水量预测算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述基于多传感器数据融合的降水量预测算法对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行处理以得到用于表示短时降雨量的预测值的解码值。
应可以理解，天气预报只能预报强对流天气出现的可能性，却无法预报其所带来的降雨具体落区。但短临降水预报，却可以清楚捕捉到系统所在位置，从而能够预报出降雨的落区，更加及时的捕捉降水信息。
关于数据要求，降水情况受到很多因素影响，通过分析发现气压、气温、风速、湿度、风向、云量等因素都会影响到降水情况。所以短临降水预报模型需要收集相关数据，数据源表结构如表1所示。
其中，所有数据均是以10分钟时间为间隔进行更新，各字段单位遵从说明中的备注。
关于特征工程，特征提取部分，提取除时间，地区外的其他字段为特征。标签提取部分，提取降雨强度字段为标签。统一量纲部分，将特征和标签都进行归一化处理，统一量纲。构建切片函数Timeseries，作用是设定预测步长，示例:根据前6个时段数据，预测未来某个时间点或某一时间段内的降雨强度，输入和输出的个数由切片函数设置，具体参数如表2所示。
进一步，构造数据集:将数据集划分为训练集和验证集，并转化为tensor。
关于模型的搭建，其中，模型选取的部分，以LSTM模型为核心，采取序贯模型方式进行模型搭建，LSTM对于时间序列的预测问题具有很好的效果。
LSTM模型优势包括：解决梯度消失问题：传统的RNN在处理长序列时容易出现梯度消失的问题，导致难以训练。LSTM引入了门控机制，可以有效地缓解梯度消失问题，从而能够处理更长的序列数据。捕捉长期依赖关系：LSTM通过细胞状态和门控机制，能够更好地捕捉序列数据中的长期依赖关系。相比传统的RNN，LSTM有更好的记忆性能，可以在处理序列数据时保留较远的上下文信息。可以学习到时序特征：LSTM具有对时间的敏感性，能够学习到时序数据中的模式和特征。这使得LSTM在时间序列预测、信号处理等任务中具有优势。
关于模型训练，模型训练过程中，按照训练集：验证集=8:2的比例划分数据集。训练相关参数设置如下：1.激活函数：LeakyRelu；2.损失函数：MAE；3.优化器：Adm；4.训练轮次：epochs=50；5.批次样本数量：batch_size=128；6.监控模型准确率：accu。
关于模型预测，包括如下步骤：1.加载训练模型；2.定义predict预测函数；3.提取特征数据；4.数据归一化；5.结果预测；6.预测结果逆归一化。
进一步地，对该模型进行优化，通过优化，可以：1.丰富数据集：增加训练数据，增强模型泛化性。2.丰富数据维度：特征增强，增加影响天气特征，比如季节，地域等特征。3.提高数据质量：降低数据噪声，剔除异常值。4.模型优化：改变模型学习率，优化器以及激活函数等参数。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于多传感器数据融合的降水量预测方法，其特征在于，包括：
获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值；
对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列；
对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量；以及基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值。
2.根据权利要求1所述的基于多传感器数据融合的降水量预测方法，其特征在于，对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列，包括：
将所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值分别按照时间维度排列为气压时序输入向量、气温时序输入向量、风速时序输入向量、温度时序输入向量、风向时序输入向量和云量时序输入向量；
分别对所述气压时序输入向量、所述气温时序输入向量、所述风速时序输入向量、所述温度时序输入向量、所述风向时序输入向量和所述云量时序输入向量进行向量切分以得到气压局部时序输入向量的序列、气温局部时序输入向量的序列、风速局部时序输入向量的序列、温度局部时序输入向量的序列、风向局部时序输入向量的序列和云量局部时序输入向量的序列；以及将所述气压局部时序输入向量的序列、所述气温局部时序输入向量的序列、所述风速局部时序输入向量的序列、所述温度局部时序输入向量的序列、所述风向局部时序输入向量的序列和所述云量局部时序输入向量的序列进行基于时间段的数据整合以得到所述气象多参数时序矩阵的序列。
3.根据权利要求2所述的基于多传感器数据融合的降水量预测方法，其特征在于，对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量，包括：
提取所述气象多参数时序矩阵的序列的参数特征以得到气象多参数时序关联特征向量的序列；以及提取所述气象多参数时序关联特征向量的序列之间的时序关联特征以得到所述气象参数间全时域语义关联特征向量。
4.根据权利要求3所述的基于多传感器数据融合的降水量预测方法，其特征在于，提取所述气象多参数时序矩阵的序列的参数特征以得到气象多参数时序关联特征向量的序列，包括：
将所述气象多参数时序矩阵的序列分别通过基于卷积神经网络模型的气象参数间特征提取器以得到所述气象多参数时序关联特征向量的序列。
5.根据权利要求4所述的基于多传感器数据融合的降水量预测方法，其特征在于，提取所述气象多参数时序关联特征向量的序列之间的时序关联特征以得到所述气象参数间全时域语义关联特征向量，包括：
将所述气象多参数时序关联特征向量的序列通过基于Bi-LSTM模型的上下文编码器以得到所述气象参数间全时域语义关联特征向量。
6.根据权利要求5所述的基于多传感器数据融合的降水量预测方法，其特征在于，基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值，包括：
对所述气象参数间全时域语义关联特征向量进行特征分布优化以得到优化气象参数间全时域语义关联特征向量；以及将所述优化气象参数间全时域语义关联特征向量通过解码器以得到解码值，所述解码值用于表示短时降雨量的预测值。
7.根据权利要求6所述的基于多传感器数据融合的降水量预测方法，其特征在于，对所述气象参数间全时域语义关联特征向量进行特征分布优化以得到优化气象参数间全时域语义关联特征向量，包括：
以如下优化公式对所述气象参数间全时域语义关联特征向量进行特征分布优化以得到所述优化气象参数间全时域语义关联特征向量；
其中，所述优化公式为：其中，/>是所述气象参数间全时域语义关联特征向量，/>是所述气象参数间全时域语义关联特征向量的全局特征均值，/>是所述气象参数间全时域语义关联特征向量的二范数，/>是所述气象参数间全时域语义关联特征向量的长度，且/>是单位向量，/>表示向量减法，/>表示一维卷积，/>表示所述优化气象参数间全时域语义关联特征向量，/>表示第一过渡向量，/>表示第二过渡向量。
8.一种基于多传感器数据融合的降水量预测系统，其特征在于，包括：
数据获取模块，用于获取被预测地区在预定时间段内多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值；
数据预处理模块，用于对所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值进行数据预处理以得到气象多参数时序矩阵的序列；
特征提取融合模块，用于对所述气象多参数时序矩阵的序列进行特征提取与特征融合以得到气象参数间全时域语义关联特征向量；以及短时降雨量预测模块，用于基于所述气象参数间全时域语义关联特征向量，确定短时降雨量的预测值。
9.根据权利要求8所述的基于多传感器数据融合的降水量预测系统，其特征在于，所述数据预处理模块，包括：
向量化单元，用于将所述多个预定时间点的气压值、气温值、风速值、温度值、风向值和云量值分别按照时间维度排列为气压时序输入向量、气温时序输入向量、风速时序输入向量、温度时序输入向量、风向时序输入向量和云量时序输入向量；
向量切分单元，用于分别对所述气压时序输入向量、所述气温时序输入向量、所述风速时序输入向量、所述温度时序输入向量、所述风向时序输入向量和所述云量时序输入向量进行向量切分以得到气压局部时序输入向量的序列、气温局部时序输入向量的序列、风速局部时序输入向量的序列、温度局部时序输入向量的序列、风向局部时序输入向量的序列和云量局部时序输入向量的序列；以及数据整合单元，用于将所述气压局部时序输入向量的序列、所述气温局部时序输入向量的序列、所述风速局部时序输入向量的序列、所述温度局部时序输入向量的序列、所述风向局部时序输入向量的序列和所述云量局部时序输入向量的序列进行基于时间段的数据整合以得到所述气象多参数时序矩阵的序列。
10.根据权利要求9所述的基于多传感器数据融合的降水量预测系统，其特征在于，所述特征提取融合模块，包括：
参数特征提取单元，用于提取所述气象多参数时序矩阵的序列的参数特征以得到气象多参数时序关联特征向量的序列；以及时序关联特征提取单元，用于提取所述气象多参数时序关联特征向量的序列之间的时序关联特征以得到所述气象参数间全时域语义关联特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311272370.6A CN117270082A (zh) | 2023-09-28 | 2023-09-28 | 基于多传感器数据融合的降水量预测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311272370.6A CN117270082A (zh) | 2023-09-28 | 2023-09-28 | 基于多传感器数据融合的降水量预测系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117270082A true CN117270082A (zh) | 2023-12-22 |
Family
ID=89200538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311272370.6A Pending CN117270082A (zh) | 2023-09-28 | 2023-09-28 | 基于多传感器数据融合的降水量预测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117270082A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
| CN117689278A (zh) * | 2024-02-04 | 2024-03-12 | 新疆盛诚工程建设有限责任公司 | 施工质量智能管理系统及方法 |
| CN117892073A (zh) * | 2024-03-14 | 2024-04-16 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
| CN117892073B (zh) * | 2024-03-14 | 2024-05-24 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
-
2023
- 2023-09-28 CN CN202311272370.6A patent/CN117270082A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
| CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
| CN117689278A (zh) * | 2024-02-04 | 2024-03-12 | 新疆盛诚工程建设有限责任公司 | 施工质量智能管理系统及方法 |
| CN117892073A (zh) * | 2024-03-14 | 2024-04-16 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
| CN117892073B (zh) * | 2024-03-14 | 2024-05-24 | 四川星海数创科技有限公司 | 灌区用水计量系统及用水计量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117270082A (zh) | 基于多传感器数据融合的降水量预测系统及其方法 | |
| Wang et al. | An improved ARIMA model for precipitation simulations | |
| CN112560827B (zh) | 模型训练方法、装置、预测方法、电子设备及介质 | |
| CN108986142A (zh) | 基于置信图峰值旁瓣比优化的遮挡目标跟踪方法 | |
| CN116046810B (zh) | 基于rpc盖板破坏荷载的无损检测方法 | |
| CN115713715A (zh) | 一种基于深度学习的人体行为识别方法及识别系统 | |
| CN116187555A (zh) | 基于自适应动态图的交通流预测模型构建方法及预测方法 | |
| CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
| CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
| CN116910611A (zh) | 基于大数据的智能环境监测系统及其方法 | |
| CN115271181A (zh) | 一种基于多模态数据融合的台风概率预报智能方法及装置 | |
| CN114219562A (zh) | 模型的训练方法、企业信用评估方法和装置、设备、介质 | |
| CN116451594A (zh) | 覆冰预测模型的训练方法、预测方法、装置和电子设备 | |
| CN116577464A (zh) | 用于大气污染的智能监测系统及其方法 | |
| Qian et al. | FESSD: SSD target detection based on feature fusion and feature enhancement | |
| Khoshaba et al. | Machine learning algorithms in Bigdata analysis and its applications: A Review | |
| CN117150272A (zh) | 基于人工智能的无人机实时轨迹预测方法及系统 | |
| CN116681945A (zh) | 一种基于强化学习的小样本类增量识别方法 | |
| CN116523711A (zh) | 基于人工智能的教育监管系统及其方法 | |
| CN116467485A (zh) | 一种视频图像检索构建系统及其方法 | |
| CN115935283A (zh) | 一种基于多元非线性因果分析的干旱成因溯源方法 | |
| JP2021523430A (ja) | 教師付き機械学習問題用のニューラルネットワークアーキテクチャの選択 | |
| CN114298290A (zh) | 一种基于自监督学习的神经网络编码方法及编码器 | |
| CN114299517A (zh) | 图像处理方法、装置、设备、存储介质及计算机程序产品 | |
| CN117892073B (zh) | 灌区用水计量系统及用水计量方法 |
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 |