CN117910658A - 一种降水量预测方法、模型的训练与修正方法及装置 - Google Patents
一种降水量预测方法、模型的训练与修正方法及装置 Download PDFInfo
- Publication number
- CN117910658A CN117910658A CN202410298520.9A CN202410298520A CN117910658A CN 117910658 A CN117910658 A CN 117910658A CN 202410298520 A CN202410298520 A CN 202410298520A CN 117910658 A CN117910658 A CN 117910658A
- Authority
- CN
- China
- Prior art keywords
- grid point
- data
- target
- precipitation
- grid
- 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
- 238000001556 precipitation Methods 0.000 title claims abstract description 181
- 238000012549 training Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012937 correction Methods 0.000 title claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种降水量预测方法、模型的训练与修正方法及装置，包括：获取目标格点及相关格点集的第一历史气象数据，根据所述第一历史气象数据，确定出相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点，加入辅助格点集；基于所述目标格点和所述辅助格点集在T0时刻之前的气象数据构造训练输入数据；以及，基于所述目标格点对应的气象站在T0时刻之后采集的实际降水量数据构造训练输出数据；基于所述训练输入数据和所述训练输出数据对所述降水量预测模型进行训练，当所述降水量预测模型的输出达到预设目标后，得到训练好的所述降水量预测模型。通过该实施例方案可以提高降水量预测准确率。
Description
技术领域
本文涉及天气预报技术，尤指一种降水量预测方法、模型的训练与修正方法及装置。
背景技术
目前降水量的预测按时间跨度分类有三种：长期预测，中长期预测和短临预测，一个地区由于其自然条件一般较为稳定，因此长期预测和中长期预测结果较为准确。短临降水一般指2小时内的降水，因其受到各种随机因素影响较大，预测精度较差，而降水对人类活动影响较大，因此短临降水的预测成为研究热点。
目前短临降水预测方法主要有三种：基于统计学方法的预测，基于雷达回波图的预测和基于数值模式预测。上述预测方法目前还存在以下问题：1、受监测数据影响较大，监测数据质量高且密的地区，预测精度较高，监测数据质量低且疏的地区，预测精度较差；2、预测结果往往是一个范围性结果，是一个“面”的结果，代表某片区域的平均值。在预测连接城市之间的道路环境的降水量时，公路所穿越的地形地貌较为复杂，一般没有足够密集的气象监测设备，缺少气象监测数据，导致预测精度低。同时公路易发生自然灾害的路段是一个“点”而不是一个“面”，对于目前降水的预测手段来讲，“点”的预测结果往往是不够准确的，因此目前的短临降水方法在公路场景下的预测结果较差。降水轻则影响路面湿滑程度，重则引发泥石流等自然灾害，对人们的出行影响较大，因此研究一种面向公路场景的短临降水预测方法尤为重要。
发明内容
以下是对本申请详细描述的主题的概述。本概述并非是为了限制保护范围。
本申请提供了一种降水量预测方法、降水量预测模型的训练与修正方法及装置，可以提高降水量预测的准确度。
本申请一个实施例提供了一种降水量预测模型的训练方法，包括：
获取目标格点及相关格点集的第一历史气象数据，根据所述第一历史气象数据，确定出相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点，加入辅助格点集；所述相关格点集中包含的格点为所述目标格点周围预设范围内的格点；
基于所述目标格点和所述辅助格点集在T0时刻之前的气象数据构造训练输入数据；以及，基于所述目标格点对应的气象站在T0时刻之后采集的实际降水量数据构造训练输出数据；其中，T0时刻为训练所述降水量预测模型的初始时刻；
将所述训练输入数据作为所述降水量预测模型的输入，将所述训练输出数据作为所述降水量预测模型的训练目标，对所述降水量预测模型进行训练，当所述降水量预测模型的输出达到预设目标后，得到训练好的所述降水量预测模型。
一种示例性实施例中，所述降水量预测模型为随机森林模型；所述气象数据的指标包括以下一种或多种：温度、湿度、风速、压力和降水量；
所述获取目标格点及相关格点集的第一历史气象数据之前，所述方法还包括：
将与目标格点距离最近的M个格点确定为目标格点的相关格点，加入相关格点集；所述距离根据半正矢公式计算得到。
一种示例性实施例中，所述根据所述第一历史气象数据，确定出相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点，加入辅助格点集合，包括：
对所述第一历史气象数据进行聚类处理，将相关格点集中与目标格点的气象数据聚类结果相同的格点，加入第一格点集；
对于所述第一历史气象数据中的每一个指标，分别计算该指标对应的格点气象数据的变异系数，将变异系数小于第一阈值的格点，加入与该指标对应的第二格点集；
将所述第一格点集和所述第一历史气象数据中每一个指标对应的第二格点集共同的交集，确定为所述辅助格点集；
其中，所述第一历史气象数据包括所述目标格点与相关格点集的格点在当前时刻之前Y年内的气象数据，Y为预设整数；所述第一阈值为60%。
一种示例性实施例中，所述基于所述目标格点和所述辅助格点集在T0时刻之前的气象数据构造训练输入数据，包括：
获取T0时刻之前的第一时段内，所述目标格点的第一格点气象数据、所述目标格点所在地的本地气象站所采集的第一实际气象数据，以及T0时刻之前的D天内，所述第一时段内所述目标格点的第二格点气象数据；
获取T0时刻之前的第一时段内，所述辅助格点集中所有格点各自的第三格点气象数据，以及T0时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点各自的第四格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第一格点气象数据、第一实际气象数据、第二格点气象数据、第三格点气象数据和第四格点气象数据作为所述训练输入数据。
一种示例性实施例中，所述基于所述目标格点的气象站在T0时刻之后采集的实际降水量数据构造训练输出数据，包括：
获取从T0时刻开始，所述目标格点所在地的本地气象站以Ti为间隔时长采集到的N个实际降水量数据，将所述N个实际降水量数据作为所述训练输出数据；
其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数。
本申请又一实施例提供了一种降水量预测方法，其特征在于，包括：
基于目标格点和辅助格点集在当前时刻之前的气象数据构造预测输入数据；
将所述预测输入数据输入降水量预测模型中，将降水量预测模型的输出作为降水量预测结果；
其中，所述辅助格点集根据目标格点及相关格点集的第一历史气象数据得到，所述辅助格点集中的格点为相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点；所述相关格点集中包含的格点为所述目标格点周围预设范围内的格点；所述降水量预测模型根据上述降水量预测模型的训练方法训练得到。
一种示例性实施例中，所述降水量预测结果包括从预测时刻开始，间隔时长为Ti的N个未来降水量预测值；其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数。
一种示例性实施例中，所述基于目标格点和辅助格点集在当前时刻之前的气象数据构造预测输入数据，包括：
获取当前时刻之前的第一时段内，所述目标格点的第五格点气象数据、所述目标格点的本地气象站所采集的第二实际气象数据，以及当前时刻之前的D天内，所述第一时段内，所述目标格点的第六格点气象数据；
获取当前时刻之前的第一时段内，所述辅助格点集中所有格点各自的第七格点气象数据，以及当前时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点各自的第八格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第五格点气象数据、第二实际气象数据、第六格点气象数据、第七格点气象数据和第八格点气象数据作为所述预测输入数据。
本申请又一实施例提供了一种降水量预测模型的修正方法，其特征在于，包括：
基于目标格点和辅助格点集在T1时刻之前的气象数据构造修正输入数据；以及，基于所述目标格点的气象站在T1时刻之后采集的实际降水量数据构造修正输出数据；
将所述修正输入数据作为所述降水量预测模型的输入，将所述修正输出数据作为所述降水量预测模型的训练目标，对所述降水量预测降水量模型进行训练，当所述降水量预测模型的输出达到预设目标后，得到修正后的所述降水量预测模型；
其中，T1时刻在所述降水量预测模型上一次训练的初始时刻之后；所述辅助格点集根据目标格点及相关格点集的第一历史气象数据得到，所述辅助格点集中的格点为相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点；所述相关格点集中包含的格点为所述目标格点周围预设范围内的格点；所述降水量预测模型根据上述降水量预测模型的训练方法训练得到。
一种示例性实施例中，所述基于目标格点和辅助格点集在T1时刻之前的气象数据构造修正输入数据，包括：
获取T1时刻之前的第一时段内，所述目标格点的第九格点气象数据、所述目标格点的本地气象站所采集的第三实际气象数据，以及T1时刻之前的D天内，所述第一时段内，所述目标格点的第十格点气象数据；
获取T1时刻之前的第一时段内，所述辅助格点集中所有格点的第十一格点气象数据，以及T1时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点的第十二格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第九格点气象数据、第三实际气象数据、第十格点气象数据、第十一格点气象数据和第十二格点气象数据作为所述修正输入数据。
一种示例性实施例中，所述基于所述目标格点的气象站在T1时刻之后采集的实际降水量数据构造修正输出数据，包括：
获取从T1时刻开始，所述目标格点的本地气象站以Ti为间隔时长采集到的N个实际降水量数据，将所述N个实际降水量数据作为所述修正输出数据；其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数；
所述方法还包括：根据预设频率对所述降水量预测模型进行修正；所述预设频率为一个星期，或一个月。
本申请又一实施例提供了一种降水量预测模型的训练装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述降水量预测模型的训练方法。
本申请又一实施例提供了一种降水量预测装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述降水量预测方法。
本申请又一实施例提供了一种降水量预测模型的修正装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述降水量预测模型的修正方法。
通过本申请实施例提供的技术方案，可以显著提高降水量预测的准确度。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1为本申请实施例提供的降水量预测模型的训练方法的流程示意图；
图2为本申请实施例提供的降水量预测方法的流程示意图；
图3为本申请实施例提供的降水量预测模型的修正方法的流程示意图；
图4为本申请实施例提供的基于气象数据特征的地点聚合示意图；
图5为本申请实施例提供的一种降水量预测模型的训练装置示意图；
图6为本申请实施例提供的一种降水量预测装置示意图；
图7为本申请实施例提供的一种降水量预测模型的修正装置示意图。
具体实施方式
本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
本申请针对目前已有的降水预测技术手段在公路场景下预测精度较差的现状，提出一种面向公路气象数据预测的基于地点聚合的多源数据融合短临降水预测算法，通过以目标地点的气象数据特征为基准对周边地点的气象数据进行聚类，以与目标地点气象数据的特征相似的地点的气象数据组建预测模型训练集，形成了根据多个地点的气象数据对目标地的短临降水进行预测的模式。该模式提升了数据的利用率，能够更好地挖掘数据之间的关系，提高了降水量预测的准确度。同时，使用格点气象数据和本地气象站所采集的真实气象数据组建预测模型的输入数据，极大地结合了两者的优势，进一步提高了预测准确度。本申请的预测模型可以采用传统机器学习方法实现，降低了整个流程使用门槛，提高了模型的普适性。
图1示出了本申请一个实施例提供的降水量预测模型的训练方法的流程示意图。如图1所示，该方法包括：
步骤100、获取目标格点及相关格点集的第一历史气象数据，根据所述第一历史气象数据，确定出相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点，加入辅助格点集；
本实施例中，相关格点集中包含的格点为目标格点周围预设范围内的格点。格点气象数据是气象领域中一种常用的空间数据表示方式，它包括将地球表面划分为一系列规则分布的网格单元，每一个网格单元即为格点，并在每个格点上记录包括一个或者多个指标的气象数据。
步骤101、基于所述目标格点和所述辅助格点集在T0时刻之前的气象数据构造训练输入数据；以及，基于所述目标格点对应的气象站在T0时刻之后采集的实际降水量数据构造训练输出数据；
本实施例中，T0时刻为训练所述降水量预测模型的初始时刻。
步骤102、将所述训练输入数据作为所述降水量预测模型的输入，将所述训练输出数据作为所述降水量预测模型的训练目标，对所述降水量预测模型进行训练，当所述降水量预测模型的输出达到预设目标后，得到训练好的所述降水量预测模型。
本实施例提供的解决方案提出了基于机器学习方法建立降水量预测模型，通过将与目标格点的指标满足预设条件的相关格点加入辅助格点集，并根据目标格点和辅助格点集中的格点的气象数据构建降水量预测模型的输入数据，以多个地点的气象数据预测目标地点的降水量，可以充分挖掘出不同地点的气象数据之间的关系并增加数据的利用率，从而显著地提高降水量预测模型的准确度。
一种示例性实施例中，所述降水量预测模型为随机森林模型；所述气象数据的指标包括以下一种或多种：温度、湿度、风速、压力和降水量；
所述获取目标格点及相关格点集的第一历史气象数据之前，所述方法还包括：
将与目标格点距离最近的M个格点确定为目标格点的相关格点，加入相关格点集；所述距离根据半正矢公式计算得到。
本实施例中，降水预测模型可以选择随机森林作为实现方式，也可以根据具体应用场景和需求，选择回归树、神经网络等具备回归能力的机器学习算法来构建。
本实施例中格点的气象数据包括以下一种或多种：温度、湿度、风速、压力和降水量，也可以根据实际应用需求选择其他指标作为格点气象数据，例如大气压强、能见度、道面温度、路面状况等，本申请对此不做限制。
本实施例中的相关格点的确定方法包括：以目标地的经纬度坐标为基坐标，使用半正矢公式计算周围格点与目标格点的距离，按距离由近到远排序，将前M个格点确定为相关格点。
一种示例性实施例中，所述根据所述第一历史气象数据，确定出相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点，加入辅助格点集合，包括：
对所述第一历史气象数据进行聚类处理，将相关格点集中与目标格点的气象数据聚类结果相同的格点，加入第一格点集；
对于所述第一历史气象数据中的每一个指标，分别计算该指标对应的格点气象数据的变异系数，将变异系数小于第一阈值的格点，加入与该指标对应的第二格点集；
将所述第一格点集和所述第一历史气象数据中每一个指标对应的第二格点集共同的交集，确定为所述辅助格点集；
其中，所述第一历史气象数据包括所述目标格点与相关格点集的格点在当前时刻之前Y年内的气象数据，Y为预设整数；所述第一阈值为60%。
本实施例中，基于目标格点气象数据特征进行格点聚合，确定出辅助格点集的实现方式可以包括以下步骤：
1、使用聚类算法对这目标格点和相关格点集近三年的历史气象数据进行聚类，得到n个类别，取出相关格点集中与目标格点所在相同类别的格点，作为第一格点集。其中，聚类算法可以采用无监督的聚类算法或者其他任何一种聚类算法实现。
2、分别计算目标格点与相关格点集在过去三年的历史气象数据中，温度、湿度、风速、大气压强和降水量5项指标的变异系数，筛选变异系数小于60%的格点分别加入与该指标对应的第二格点集中。
3、求第一格点集和5项气象数据指标所对应的第二格点集的交集，得到辅助格点集（图4中灰色阴影的格点）。
一种示例性实施例中，所述基于所述目标格点和所述辅助格点集在T0时刻之前的气象数据构造训练输入数据，包括：
获取T0时刻之前的第一时段内，所述目标格点的第一格点气象数据、所述目标格点所在地的本地气象站所采集的第一实际气象数据，以及T0时刻之前的D天内，所述第一时段内所述目标格点的第二格点气象数据；
获取T0时刻之前的第一时段内，所述辅助格点集中所有格点各自的第三格点气象数据，以及T0时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点各自的第四格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第一格点气象数据、第一实际气象数据、第二格点气象数据、第三格点气象数据和第四格点气象数据作为所述训练输入数据。
本实施例中，选取目标格点3个时间尺度的气象数据，包括：过去连续12小时内的目标格点的第一格点气象数据、目标格点本地气象站过去连续12小时采集的第一实际气象数据和过去7天同一时间段内目标格点的第二格点气象数据。
再获取辅助格点集中格点各自的2个时间尺度的数据，包括：过去连续12小时内的第三格点气象数据和过去7天同一时间的第四格点气象数据，通过第一格点气象数据、第一实际气象数据、第二格点气象数据、第三格点气象数据和第四格点气象数据构建输入数据集。
一种示例性实施例中，所述基于所述目标格点的气象站在T0时刻之后采集的实际降水量数据构造训练输出数据，包括：
获取从T0时刻开始，所述目标格点所在地的本地气象站以Ti为间隔时长采集到的N个实际降水量数据，将所述N个实际降水量数据作为所述训练输出数据；
其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数。
本实施例中，选定一个时间节点T0作为训练模型的初始时间，执行以下步骤：获取目标格点本地气象站T0+2小时内，时间分辨率为5分钟的降水量数据，构建输出数据。
如图2所示，本申请又一实施例提供了一种降水量预测方法，其特征在于，包括：
步骤200、基于目标格点和辅助格点集在当前时刻之前的气象数据构造预测输入数据；
步骤201、将所述预测输入数据输入降水量预测模型中，将降水量预测模型的输出作为降水量预测结果；
本实施例中，所述辅助格点集根据目标格点及相关格点集的第一历史气象数据得到，所述辅助格点集中的格点为相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点；所述相关格点集中包含的格点为所述目标格点周围预设范围内的格点；所述降水量预测模型根据上述降水量预测模型的训练方法训练得到。
本实施例中，基于上述格点气象数据处理结果获得的辅助格点集，根据目标格点和辅助格点集的历史气象数据，组建输入数据。将上述获得的预测输入数据输入到降水量预测模型中，实现对目标地点降水量的预测。
一种示例性实施例中，所述降水量预测结果包括从预测时刻开始，间隔时长为Ti的N个未来降水量预测值；其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数。
本实施例中，设置Ti为5分钟，N为24，预测的结果是未来2小时内，每5分钟的降水量，共24个预测结果。
一种示例性实施例中，所述基于目标格点和辅助格点集在当前时刻之前的气象数据构造预测输入数据，包括：
获取当前时刻之前的第一时段内，所述目标格点的第五格点气象数据、所述目标格点的本地气象站所采集的第二实际气象数据，以及当前时刻之前的D天内，所述第一时段内，所述目标格点的第六格点气象数据；
获取当前时刻之前的第一时段内，所述辅助格点集中所有格点各自的第七格点气象数据，以及当前时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点各自的第八格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第五格点气象数据、第二实际气象数据、第六格点气象数据、第七格点气象数据和第八格点气象数据作为所述预测输入数据。
本实施例中，是以当前时刻为起始点，获取目标格点和辅助格点集的历史气象数据构建预测输入数据，具体方法和上述构建训练输入数据的方法相同，此处不再赘述。
如图3所示，本申请又一实施例提供了一种降水量预测模型的修正方法，其特征在于，包括：
步骤300、基于目标格点和辅助格点集在T1时刻之前的气象数据构造修正输入数据；以及，基于所述目标格点的气象站在T1时刻之后采集的实际降水量数据构造修正输出数据；
步骤301、将所述修正输入数据作为所述降水量预测模型的输入，将所述修正输出数据作为所述降水量预测模型的训练目标，对所述降水量预测降水量模型进行训练，当所述降水量预测模型的输出达到预设目标后，得到修正后的所述降水量预测模型；
本实施例中，T1时刻在所述降水量预测模型上一次训练的初始时刻之后；所述辅助格点集根据目标格点及相关格点集的第一历史气象数据得到，所述辅助格点集中的格点为相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点；所述相关格点集中包含的格点为所述目标格点周围预设范围内的格点；所述降水量预测模型根据上述降水量预测模型的训练方法训练得到。
本实施例中，选择降水量预测模型上一次训练的初始时刻之后的T1时刻，组建模型的修正输入数据和修正输出数据，基于修正输入数据和修正输出数据对预测模型进行微调，得到修正后的降水量预测模型。
一种示例性实施例中，所述基于目标格点和辅助格点集在T1时刻之前的气象数据构造修正输入数据，包括：
获取T1时刻之前的第一时段内，所述目标格点的第九格点气象数据、所述目标格点的本地气象站所采集的第三实际气象数据，以及T1时刻之前的D天内，所述第一时段内，所述目标格点的第十格点气象数据；
获取T1时刻之前的第一时段内，所述辅助格点集中所有格点的第十一格点气象数据，以及T1时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点的第十二格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第九格点气象数据、第三实际气象数据、第十格点气象数据、第十一格点气象数据和第十二格点气象数据作为所述修正输入数据。
本实施例中，以T1时刻为初始时刻，选取目标格点3个时间尺度的数据作为修正输入数据，具体方法和上述构建训练输入数据的方法相同，此处不再赘述。
一种示例性实施例中，所述基于所述目标格点的气象站在T1时刻之后采集的实际降水量数据构造修正输出数据，包括：
获取从T1时刻开始，所述目标格点的本地气象站以Ti为间隔时长采集到的N个实际降水量数据，将所述N个实际降水量数据作为所述修正输出数据；其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数；
一种示例性实施例中，所述方法还包括：根据预设频率对所述降水量预测模型进行修正；所述预设频率为一个星期，或一个月。
本实施例中，以一定的频率重复上述降水量预测模型的修正步骤，不断迭代预测模型。或者当发现模型的预测结果和实际测量值偏差较大时，进行模型的修正。随着数据量的累计和多次修正，模型的结果会越来越准确。
本申请实施例提供的技术方案可以包括如下有益效果：
1.基于气象数据的特征，对目标格点和相关格点的气象数据进行聚合处理，可以识别具有共同气象特征的格点。通过挖掘不同格点气象数据之间的关系，使用多个格点的气象数据预测目标格点的降水量，可以增加数据的利用率，提高降水量的预测准确度。同时，基于气象数据特征的聚合算法对地域没有特殊要求，该算法可以在任何气象条件下使用，算法适应性强。
2.使用格点气象数据和本地气象站数据对降水量进行预测，既利用了数值模式的宏观性，又利用了本地气象站所采集的实际测量数据的准确性，充分地结合了多个尺度的地理范围内的气象数据的优势，提升公路场景下降水量预测的准确度。
3.本发明使用传统的机器学习模型建模，对硬件资源要求较低，适用范围广。
使用2023年6月某高速公路的2个本地气象站的数据对本申请算法的效果进行验证，结果如表1所示，表1中的计算结果是本发明算法和模式数据预测的平均值。从表1可以看出，本发明的算法精度要高于格点的模式数据所预测的结果。随着雨量的增加，模式数据的预测精度也出现降低的现象，且模式数据对大雨的预测失效，而本发明的算法依旧有可用结果。
表1为2023年6月某高速公路降水量预测结果对比
其中，1小时降水等级划分为：小雨(0 .1mm～2 .0mm)、中雨(2 .1mm～5 .0mm)、大雨(5 .1mm～10 .0mm)。
预测精度由以下公式计算得到：预测精度 = 命中 / (命中+漏报)，其中命中指事件被算法正确识别，漏报指事件未被算法识别。
本申请又一实施例提供了一种降水量预测模型的训练装置，如图5所示，包括存储器501、处理器502及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述降水量预测模型的训练方法。
本申请又一实施例提供了一种降水量预测装置，如图6所示，包括存储器601、处理器602及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述降水量预测方法。
本申请又一实施例提供了一种降水量预测模型的修正装置，如图7所示，包括存储器701、处理器702及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述降水量预测模型的修正方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语“计算机存储介质”包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (14)
1.一种降水量预测模型的训练方法，其特征在于，包括：
获取目标格点及相关格点集的第一历史气象数据，根据所述第一历史气象数据，确定出相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点，加入辅助格点集；所述相关格点集中包含的格点为所述目标格点周围预设范围内的格点；
基于所述目标格点和所述辅助格点集在T0时刻之前的气象数据构造训练输入数据；以及，基于所述目标格点对应的气象站在T0时刻之后采集的实际降水量数据构造训练输出数据；其中，T0时刻为训练所述降水量预测模型的初始时刻；
将所述训练输入数据作为所述降水量预测模型的输入，将所述训练输出数据作为所述降水量预测模型的训练目标，对所述降水量预测模型进行训练，当所述降水量预测模型的输出达到预设目标后，得到训练好的所述降水量预测模型。
2.根据权利要求1所述的降水量预测模型的训练方法，其特征在于，所述降水量预测模型为随机森林模型；所述气象数据的指标包括以下一种或多种：温度、湿度、风速、压力和降水量；
所述获取目标格点及相关格点集的第一历史气象数据之前，所述方法还包括：
将与目标格点距离最近的M个格点确定为目标格点的相关格点，加入相关格点集；所述距离根据半正矢公式计算得到。
3.根据权利要求2所述的降水量预测模型的训练方法，其特征在于，所述根据所述第一历史气象数据，确定出相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点，加入辅助格点集合，包括：
对所述第一历史气象数据进行聚类处理，将相关格点集中与目标格点的气象数据聚类结果相同的格点，加入第一格点集；
对于所述第一历史气象数据中的每一个指标，分别计算该指标对应的格点气象数据的变异系数，将变异系数小于第一阈值的格点，加入与该指标对应的第二格点集；
将所述第一格点集和所述第一历史气象数据中每一个指标对应的第二格点集共同的交集，确定为所述辅助格点集；
其中，所述第一历史气象数据包括所述目标格点与相关格点集的格点在当前时刻之前Y年内的气象数据，Y为预设整数；所述第一阈值为60%。
4.根据权利要求1所述的降水量预测模型的训练方法，其特征在于，所述基于所述目标格点和所述辅助格点集在T0时刻之前的气象数据构造训练输入数据，包括：
获取T0时刻之前的第一时段内，所述目标格点的第一格点气象数据、所述目标格点所在地的本地气象站所采集的第一实际气象数据，以及T0时刻之前的D天内，所述第一时段内所述目标格点的第二格点气象数据；
获取T0时刻之前的第一时段内，所述辅助格点集中所有格点各自的第三格点气象数据，以及T0时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点各自的第四格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第一格点气象数据、第一实际气象数据、第二格点气象数据、第三格点气象数据和第四格点气象数据作为所述训练输入数据。
5.根据权利要求4所述的降水量预测模型的训练方法，其特征在于，所述基于所述目标格点的气象站在T0时刻之后采集的实际降水量数据构造训练输出数据，包括：
获取从T0时刻开始，所述目标格点所在地的本地气象站以Ti为间隔时长采集到的N个实际降水量数据，将所述N个实际降水量数据作为所述训练输出数据；
其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数。
6.一种降水量预测方法，其特征在于，包括：
基于目标格点和辅助格点集在当前时刻之前的气象数据构造预测输入数据；
将所述预测输入数据输入降水量预测模型中，将降水量预测模型的输出作为降水量预测结果；
其中，所述辅助格点集根据目标格点及相关格点集的第一历史气象数据得到，所述辅助格点集中的格点为相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点；所述相关格点集中包含的格点为所述目标格点周围预设范围内的格点；所述降水量预测模型根据上述权利要求1-5任一项所述的方法训练得到。
7.根据权利要求6所述的降水量预测方法，其特征在于，所述降水量预测结果包括从预测时刻开始，间隔时长为Ti的N个未来降水量预测值；其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数。
8.根据权利要求6所述的降水量预测方法，其特征在于，所述基于目标格点和辅助格点集在当前时刻之前的气象数据构造预测输入数据，包括：
获取当前时刻之前的第一时段内，所述目标格点的第五格点气象数据、所述目标格点的本地气象站所采集的第二实际气象数据，以及当前时刻之前的D天内，所述第一时段内，所述目标格点的第六格点气象数据；
获取当前时刻之前的第一时段内，所述辅助格点集中所有格点各自的第七格点气象数据，以及当前时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点各自的第八格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第五格点气象数据、第二实际气象数据、第六格点气象数据、第七格点气象数据和第八格点气象数据作为所述预测输入数据。
9.一种降水量预测模型的修正方法，其特征在于，包括：
基于目标格点和辅助格点集在T1时刻之前的气象数据构造修正输入数据；以及，基于所述目标格点的气象站在T1时刻之后采集的实际降水量数据构造修正输出数据；
将所述修正输入数据作为所述降水量预测模型的输入，将所述修正输出数据作为所述降水量预测模型的训练目标，对所述降水量预测模型进行训练，当所述降水量预测模型的输出达到预设目标后，得到修正后的所述降水量预测模型；
其中，T1时刻在所述降水量预测模型上一次训练的初始时刻之后；所述辅助格点集根据目标格点及相关格点集的第一历史气象数据得到，所述辅助格点集中的格点为相关格点集中与所述目标格点的气象数据的指标满足预设条件的格点；所述相关格点集中包含的格点为所述目标格点周围预设范围内的格点；所述降水量预测模型根据上述权利要求1-5任一项所述的方法训练得到。
10.根据权利要求9所述的降水量预测模型的修正方法，其特征在于，所述基于目标格点和辅助格点集在T1时刻之前的气象数据构造修正输入数据，包括：
获取T1时刻之前的第一时段内，所述目标格点的第九格点气象数据、所述目标格点的本地气象站所采集的第三实际气象数据，以及T1时刻之前的D天内，所述第一时段内，所述目标格点的第十格点气象数据；
获取T1时刻之前的第一时段内，所述辅助格点集中所有格点的第十一格点气象数据，以及T1时刻之前的D天内，所述第一时段内，所述辅助格点集中所有格点的第十二格点气象数据；
其中，第一时段为预设的一天24小时内的任意连续时段；D为预设整数；
将所述第九格点气象数据、第三实际气象数据、第十格点气象数据、第十一格点气象数据和第十二格点气象数据作为所述修正输入数据。
11.根据权利要求9或10任一项所述的降水量预测模型的修正方法，其特征在于，所述基于所述目标格点的气象站在T1时刻之后采集的实际降水量数据构造修正输出数据，包括：
获取从T1时刻开始，所述目标格点的本地气象站以Ti为间隔时长采集到的N个实际降水量数据，将所述N个实际降水量数据作为所述修正输出数据；其中，Ti为大于一分钟，小于一小时的时间长度，N为预设整数；
所述方法还包括：根据预设频率对所述降水量预测模型进行修正；所述预设频率为一个星期，或一个月。
12.一种降水量预测模型的训练装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的降水量预测模型的训练方法。
13.一种降水量预测装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求6至8任一项所述的降水量预测方法。
14.一种降水量预测模型的修正装置，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求9至11任一项所述的降水量预测模型的修正方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410298520.9A CN117910658A (zh) | 2024-03-15 | 2024-03-15 | 一种降水量预测方法、模型的训练与修正方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410298520.9A CN117910658A (zh) | 2024-03-15 | 2024-03-15 | 一种降水量预测方法、模型的训练与修正方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117910658A true CN117910658A (zh) | 2024-04-19 |
Family
ID=90690821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410298520.9A Pending CN117910658A (zh) | 2024-03-15 | 2024-03-15 | 一种降水量预测方法、模型的训练与修正方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117910658A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0720255A (ja) * | 1993-06-30 | 1995-01-24 | Nippon Telegr & Teleph Corp <Ntt> | 並列計算型気象レーダ画像予測装置 |
| CN108761576A (zh) * | 2018-05-28 | 2018-11-06 | 国网山西省电力公司电力科学研究院 | 一种x波段气象雷达与雨量站数据融合方法及系统 |
| CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
| CN113011106A (zh) * | 2021-04-15 | 2021-06-22 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种多数值模式集成预报方法及装置 |
| CN114418211A (zh) * | 2022-01-17 | 2022-04-29 | 宁波市电力设计院有限公司 | 降水量的修正方法以及修正装置 |
| CN114742179A (zh) * | 2022-06-13 | 2022-07-12 | 南京信息工程大学 | 基于ecmwf的格点预报偏差修正方法 |
| CN114879281A (zh) * | 2022-04-21 | 2022-08-09 | 华北电力大学 | 一种基于深度学习的降水量预测方法 |
| CN115204495A (zh) * | 2022-07-18 | 2022-10-18 | 中国南方电网有限责任公司 | 一种电网沿线站点预测气象数据的修正方法及装置 |
| CN115421218A (zh) * | 2022-08-22 | 2022-12-02 | 大连理工大学 | 基于虚拟站点的格状遥测雨量和点状实测雨量的融合框架 |
| CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
| CN116224474A (zh) * | 2023-01-03 | 2023-06-06 | 华南农业大学 | 一种基于深度学习和时空信息的降水数据订正方法 |
| CN117233869A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于GRU-BiTCN的站点短期风速预测方法 |
-
2024
- 2024-03-15 CN CN202410298520.9A patent/CN117910658A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0720255A (ja) * | 1993-06-30 | 1995-01-24 | Nippon Telegr & Teleph Corp <Ntt> | 並列計算型気象レーダ画像予測装置 |
| CN108761576A (zh) * | 2018-05-28 | 2018-11-06 | 国网山西省电力公司电力科学研究院 | 一种x波段气象雷达与雨量站数据融合方法及系统 |
| CN109991685A (zh) * | 2019-04-03 | 2019-07-09 | 北京市天元网络技术股份有限公司 | 一种基于多lstm模型融合的降水量预测方法以及装置 |
| CN113011106A (zh) * | 2021-04-15 | 2021-06-22 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种多数值模式集成预报方法及装置 |
| CN114418211A (zh) * | 2022-01-17 | 2022-04-29 | 宁波市电力设计院有限公司 | 降水量的修正方法以及修正装置 |
| CN114879281A (zh) * | 2022-04-21 | 2022-08-09 | 华北电力大学 | 一种基于深度学习的降水量预测方法 |
| CN114742179A (zh) * | 2022-06-13 | 2022-07-12 | 南京信息工程大学 | 基于ecmwf的格点预报偏差修正方法 |
| CN115204495A (zh) * | 2022-07-18 | 2022-10-18 | 中国南方电网有限责任公司 | 一种电网沿线站点预测气象数据的修正方法及装置 |
| CN115421218A (zh) * | 2022-08-22 | 2022-12-02 | 大连理工大学 | 基于虚拟站点的格状遥测雨量和点状实测雨量的融合框架 |
| CN116224474A (zh) * | 2023-01-03 | 2023-06-06 | 华南农业大学 | 一种基于深度学习和时空信息的降水数据订正方法 |
| CN116128141A (zh) * | 2023-02-07 | 2023-05-16 | 国家海洋环境预报中心 | 风暴潮预测方法、装置、存储介质及电子设备 |
| CN117233869A (zh) * | 2023-11-15 | 2023-12-15 | 南京信息工程大学 | 一种基于GRU-BiTCN的站点短期风速预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mwangi et al. | Forecasting droughts in East Africa | |
| CN110222911B (zh) | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 | |
| US20070185653A1 (en) | Method and system for automated location dependent probabilistic tropical cyclone forecast | |
| CN109782373B (zh) | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 | |
| CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
| CN112070286A (zh) | 复杂地形流域的降水预报预警系统 | |
| JP4369816B2 (ja) | 全国合成レーダ雨量情報提供システム | |
| CN107991722A (zh) | 天气预测模型的建立方法、预测方法和预测装置 | |
| US11719858B2 (en) | Determination of location-specific weather information for agronomic decision support | |
| CN108983324A (zh) | 一种基于卡尔曼滤波的气温预报方法及系统 | |
| CN113344291A (zh) | 城市内涝淹没范围的预报方法、装置、介质和设备 | |
| US20210358051A1 (en) | Systems and methods for predictive modeling via simulation | |
| KR20200048232A (ko) | 하천 건천화 평가 방법 및 이를 수행하는 장치들 | |
| Georgakakos et al. | Evaluation of real-time hydrometeorological ensemble prediction on hydrologic scales in Northern California | |
| CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
| CN111666314B (zh) | 基于多因子的风暴潮易损性评估方法、装置和计算机设备 | |
| CN117390555A (zh) | 一种实现泥石流灾害风险多维分类预测方法 | |
| CN117910658A (zh) | 一种降水量预测方法、模型的训练与修正方法及装置 | |
| CN116643328A (zh) | 一种基于网络预报的城市内涝预报方法 | |
| CN116224474A (zh) | 一种基于深度学习和时空信息的降水数据订正方法 | |
| KR101865791B1 (ko) | 태풍 리스크 분석 시스템 및 이를 이용한 태풍 리스크 분석 방법 | |
| Nurdin et al. | Gis-based landslide susceptibility assessment and factor effect analysis by certainty factor in upstream of Jeneberang river, Indonesia | |
| CN114818464A (zh) | 一种基于测站的网格雨量计算方法 | |
| Do et al. | Analysis of urban expansion and flood risk change in Da Nang city in Central Vietnam | |
| CN107451691B (zh) | 基于下垫面情况的冬季输电线路高度风速预报方法及系统 |
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 |