CN112561199B - 天气参数预测模型训练方法、天气参数预测方法及装置 - Google Patents
天气参数预测模型训练方法、天气参数预测方法及装置 Download PDFInfo
- Publication number
- CN112561199B CN112561199B CN202011541723.4A CN202011541723A CN112561199B CN 112561199 B CN112561199 B CN 112561199B CN 202011541723 A CN202011541723 A CN 202011541723A CN 112561199 B CN112561199 B CN 112561199B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- correlation information
- sites
- stations
- parameter 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 585
- 238000012512 characterization method Methods 0.000 claims description 36
- 230000007613 environmental effect Effects 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W2001/006—Main server receiving weather information from several sub-stations
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
本公开公开了天气参数预测模型训练方法、天气参数预测方法及装置,涉及深度学习、大数据等人工智能领域。具体实现方案为:根据多个监测站点之间的空间相关性信息,建立天气参数预测模型;根据多个监测站点的天气参数的观测值以及所述天气参数预测模型输出的多个监测站点的天气参数的预测值,对所述天气参数预测模型进行调整。本公开能够提高预测天气参数的准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习、大数据等人工智能领域。
背景技术
随着经济科技的发展,人们生活条件的提高,人们对生命健康的关注度也越来越高,对生活环境也具有越来越高的品质和安全性要求。
由于工业化水平的快速提高,空气质量成为与人们生命健康问题密切相关的因素之一,对天气参数预测的需求也在天气预报、旅游出行等领域逐步提升。预测数据能够足够准确是人们对天气参数预测和天气预报的首要需求之一。
发明内容
本公开提供了一种天气参数预测模型训练方法、天气参数预测方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种天气参数预测模型训练方法,包括:
根据多个监测站点之间的空间相关性信息,建立天气参数预测模型;
根据多个监测站点的天气参数的观测值以及天气参数预测模型输出的多个监测站点的天气参数的预测值,对天气参数预测模型进行调整。
根据本公开的另一方面,提供了一种天气参数预测方法,包括:
将多个监测站点的历史观测值和环境上下文特征中的至少一种作为输入数据,输入天气参数预测模型,天气参数预测模型本公开任意一项实施例所提供的天气参数预测模型;
采用天气参数预测模型,根据输入数据获得多个监测站点的历史观测值和环境上下文特征中的至少一种,确定多个监测站点的空间相关性信息;
采用天气参数预测模型,根据多个监测站点的空间相关性信息,输出天气参数的预测值。
根据本公开的另一方面,提供了一种天气参数预测模型训练装置,包括:
建立模块,用于根据多个监测站点之间的空间相关性信息,建立天气参数预测模型;
调整模块,用于根据多个监测站点的天气参数的观测值以及天气参数预测模型输出的多个监测站点的天气参数的预测值,对天气参数预测模型进行调整。
根据本公开的另一方面,提供了一种天气参数预测装置,包括:
输入模块,用于将多个监测站点的历史观测值和环境上下文特征中的至少一种作为输入数据,输入天气参数预测模型,天气参数预测模型为本公开任意一项实施例所提供的天气参数预测模型;
空间相关模块,用于采用天气参数预测模型,根据输入数据获得多个监测站点的历史观测值和环境上下文特征中的至少一种,确定多个监测站点的空间相关性信息;
预测模块,用于采用天气参数预测模型,根据多个监测站点的空间相关性信息,输出天气参数的预测值。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开任一实施例中的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术解决了提高了天气参数预测模型准确预测的能力。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一实施例的天气参数预测模型训练方法示意图;
图2是根据本公开另一实施例的天气参数预测方法示意图;
图3A是根据本公开一示例的监测站点示意图;
图3B是根据本公开一示例的空气质量监测站点的观测数据示意图;
图3C是根据本公开一示例的天气监测站点的观测数据示意图;
图4是根据本公开一示例的模型结构示意图;
图5是根据本公开一示例的天气参数预测模型训练方法示意图;
图6是根据本公开一实施例的天气参数预测模型训练装置示意图;
图7是根据本公开另一实施例的天气参数预测模型训练装置示意图;
图8是根据本公开又一实施例的天气参数预测模型训练装置示意图;
图9是根据本公开又一实施例的天气参数预测模型训练装置示意图;
图10是根据本公开又一实施例的天气参数预测模型训练装置示意图;
图11是根据本公开又一实施例的天气参数预测模型训练装置示意图;
图12是根据本公开又一实施例的天气参数预测模型训练装置示意图;
图13是用来实现本公开实施例的天气参数预测模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开实施例提供了一种天气参数预测模型训练方法,如图1所示,包括:
步骤S11:根据多个监测站点之间的空间相关性信息,建立天气参数预测模型;
步骤S12:根据多个监测站点的天气参数的观测值以及天气参数预测模型输出的多个监测站点的天气参数的预测值,对天气参数预测模型进行调整。
监测站点可以是用于监测不同天气参数的监测站点。比如,监测站点可以是风速监测站点、空气质量(AQI,Air Quality Index)监测站点、天气预报监测站点等。
本实施例中,天气参数可以是天气预报中的任意一种预报参数,也可以是空气质量参数。
天气预报中涉及的参数,可以是气温、湿度、压强、风速、风向等参数中的至少一种。
多个监测站点,既可以只包含用于监测同一种天气参数的监测站点,也可以包含用于监测不同种类的天气参数的监测站点。
多个监测站点,可以用于监测相同的天气参数,也可以用于监测不同的天气参数。
多个监测站点之间的空间相关性信息,可以是多个监测站点中,每两个监测站点之间的空间相关性信息。也可以是将多个监测站点进行聚类后得到的各个类别的多个监测站点之间的空间相关性信息。
比如,将多个监测站点根据地理距离进行划分,划分为第一监测站点集合、第二监测站点集合、第三监测站点集合,那么,多个监测站点之间的空间相关性信息的确定方式为:分别针对三个集合,计算集合中的监测站点之间的空间相关性信息;将各个集合中的监测站点之间的空间相关性信息结合为多个监测站点之间的空间相关性信息。
根据多个监测站点的天气参数的观测值以及天气参数预测模型输出的多个监测站点的天气参数的预测值,对天气参数预测模型进行调整,可以是在模型构建后、训练模型的阶段,对天气参数预测模型进行调整;也可以是在模型训练完成并部署之后,通过实际使用所产生的数据对天气参数预测模型进行进一步调整优化。
多个监测站点之间的空间相关性信息,也可以包含多个监测站点的时间相关性信息。多个监测站点的时间相关性信息,可以是分别针对每个监测站点进行历史时间与当前时间的相关性信息进行计算,然后将多个监测站点的计算结果进行集合,得到多个监测站点的时间相关性信息。
本公开实施例中,在构建天气参数预测模型时,根据多个监测站点之间的空间相关性信息进行构建,从而模型在预测天气参数时,能够根据多个监测站点之间的空间相关性信息进行预测,从而提高天气参数预测模型预测天气参数的准确性。
在一种实施方式中,多个监测站点包括多个类别的监测站点,每个类别的所述监测站点用于监测对应类别的天气参数。比如,一部分监测站点用于监测A类别的天气参数,另一部分监测站点用于监测B类别的天气参数,A类别和B类别为不同类别,可以分别包含多个类别。当分别包含多个类别时,A类别和B类别可以部分相同,比如,A类别包含a1、a2、b1类别;B类别包含b2、b1类别。
多个监测站点之间的空间相关性信息,包括多个类别的监测站点之间的空间相关性信息。
本实施例中,每个类别的监测站点,可以用于监测同一种天气参数。
多个类别的监测站点之间的空间相关性信息,既可以包括同个类别的不同监测站点之间的空间相关性信息,也可以包括不类别的不同监测站点之间的空间相关性信息。
本公开实施例中,空间相关性信息主要可以指与距离相关的信息,可以包括水平距离,也可以包括垂直水平面的距离。
空间相关性信息,也可以包括因为地理环境、地理位置所产生的空间相关性信息,比如,同一风道上的两个距离相近的监测站点,相互之间的空间相关性可能较大。
再如,处于风速较高的区域的两个距离相近的监测站点之间的空间相关性可能会大于处于风速较低的区域的两个距离相近的监测站点之间的空间相关性。
再如,两个距离相近的监测站点,可能因为其中一个靠近海洋等特殊地理环境,从而二者之间的空间相关性可能会受到影响。
将多个类别的监测站点之间的空间相关性信息作为依据,构建天气参数预测模型,使得天气参数预测模型的构建过程能够利用不同天气参数之间的相互影响,比如,风速、风向对空气质量、温度、湿度等天气参数的影响,提高天气参数预测的准确性。
在一种实施方式中,多个类别的监测站点之间的空间相关性信息,是根据每个监测站点与其他监测站点的空间相关性信息确定的。
每个监测站点与其他监测站点,包括每个监测站点本身,以及该监测站点的邻居监测站点。比如,一共存在3个监测站点,针对3个监测站点,每个监测站点具有一个邻居监测站点。
每个监测站点的邻居监测站点,可以根据监测站点之间的距离进行确定,比如,距离小于10km、20km或者30km……的监测站点为具有邻居关系的监测站点。
比如,监测站点A、B、C的距离分别为,A、B间距小于设定距离限制,A、C间距大于设定距离限制,B、C间距小于设定距离限制。则A的邻居监测站点为B,B的邻居监测站点为C、A,C的邻居监测站点为B。
考虑到距离较近的区域之间的天气参数影响程度较高,在本实施例中,多个类别的监测站点之间的空间相关性信息为具有相邻关系的监测站点的空间相关性信息,从而能够适当减少计算量,同时充分考虑监测站点之间的影响,提高预测效率以及预测结果的准确性。
在一种实施方式中,多个监测站点之间的空间相关性信息,包括每个监测站点与其他监测站点的空间相关性信息;
每个监测站点与其他监测站点的空间相关性信息是根据每个监测站点到其他监测站点之间的动态连线权重、每个监测站点与其他监测站点的观测数据、每个监测站点及其他监测站点的类别确定的。
本实施例中,其他监测站点的邻居监测站点。每个监测站点到其邻居监测站点之间的动态连线,可以为将每个监测站点与其邻居监测站点进行连接形成的连线。
每个监测站点到其邻居监测站点之间的动态连线权重,为每个监测站点到其邻居监测站点之间的动态连线的权重。其中,每个监测站点到其邻居监测站点之间的动态连线为有向连线。比如监测站点A到B的连线,与监测站点B到A的连线可以为不同的连线。
每个监测站点的观测数据,可以是每个监测站点对所负责监测的天气参数的监测数据。
每个监测站点及其邻居监测站点的类别,可以包括每个监测站点的类别、每个监测站点的邻居监测站点的类别。
比如,针对监测站点A,具有邻居监测站点B、C、D,那么,监测站点A与其邻居监测站点的空间相关性信息,包括监测站点A和B的空间相关性信息、监测站点A和C的空间相关性信息、监测站点A和D的空间相关性信息。
进一步的,监测站点A和B的空间相关性信息,是根据A和B之间的动态连线权重、A和B的观测数据、A和B的类别确定的。
监测站点A和C的空间相关性信息,是根据A和C之间的动态连线权重、A和C的观测数据、A和C的类别确定的。
监测站点A和D的空间相关性信息,是根据A和D之间的动态连线权重、A和D的观测数据、A和D的类别确定的。
本实施例中,通过确定每个监测站点与其邻居监测站点(其他监测站点)的空间相关性信息,能够获得监测站点之间的相关性,同时也能够避免多余的计算,提高天气参数的预测效率和预测准确性。
在一种实施方式中,每个监测站点到其他监测站点之间的动态连线权重是根据每个监测站点到其他监测站点之间的球面距离、每个监测站点与其他监测站点的环境上下文特征确定的。
每个监测站点到其邻居监测站点之间的球面距离,可以是每个监测站点到其邻居监测站点之间的地球表面的球面距离。
每个监测站点与其邻居监测站点的环境上下文特征,可以包括监测站点的环境上下文特征、监测站点的邻居监测站点的环境上下文特征。
具体例如,监测站点A的邻居监测站点包括B和C。则监测站点A和邻居监测站点B之间的动态连线权重,是根据A和B之间的球面距离、A的环境上下文特征、B的环境上下文特征确定的。
进一步的,监测站点A和邻居监测站点C之间的动态连线权重,是根据A和C之间的球面距离、A的环境上下文特征、C的环境上下文特征确定的。
本实施例中,在确定每个监测站点与其邻居监测站点之间的相关性信息时,结合监测站点和其邻居监测站点之间的距离、环境上下文特征信息进行确定,从而,使得天气参数的预测能够同时考虑监测站点之间的空间关系和监测站点的环境信息,使得预测结果更加准确。
在一种实施方式中,每个监测站点与其他监测站点之间的空间相关性信息的确定方式为:
将每个监测站点与其他监测站点的观测数据投影到同一的表征空间,得到每个监测站点与其他监测站点的投影值;
根据每个监测站点与其他监测站点的投影值,确定多个类别的监测站点之间的空间相关性信息。
本实施例中,由于不同类别的监测站点,所获得的天气参数不同,比如,风速监测站点所监测的天气参数为风速,空气质量监测站点所监测的天气参数为空气质量,因此,将每个监测站点与其邻居监测站点的观测数据投影到同一表征空间,方便后续进行统一计算,同时保留各个监测站点的观测数据信息。
在一种实施方式中,每个监测站点与其其他监测站点的相关性信息,是根据每个监测站点与其所有其他监测站点的空间相关性信息确定的。
比如,在一种示例中,监测站点A的邻居监测站点为B、C,那么,监测站点A与其邻居监测站点的相关性信息,是根据A和B的相关性信息、A和C的相关性信息确定的。
同时,在计算过程中,需要以每一个监测站点为参照,计算该监测站点与其邻居监测站点的相关性信息。
比如,在另一种示例中,监测站点一共包括A、B、C,A的邻居监测站点为B、C,B的邻居监测站点为A,C的邻居监测站点为A。则需计算A与其邻居监测站点的相关性信息、B与其邻居监测站点的相关性信息、C与其邻居监测站点的相关性信息。其中,A与其邻居监测站点的相关性信息包括:A与B的相关性信息、A与C的相关性信息。B与其邻居监测站点的相关性信息包括B与A的相关性信息。C与其邻居监测站点的相关性信息包括C与A的相关性信息。
仍然参照上述示例,在计算A与B的相关性信息、B与A的相关性信息时,A与B的动态连线权重和B与A的动态连线权重,分别对应不同方向且重叠的有向边,即有向边A-B和有向边B-A。
本实施例中,根据每个监测站点与其所有邻居监测站点的相关性信息,确定每个监测站点与其相邻监测站点的相关性信息,从而能够充分把握站点之间的相邻关系,使得预测结果更加准确。
在一种实施方式中,每个监测站点与其他监测站点的相关性信息是根据其他监测站点的投影值、每个监测站点到其他监测站点之间的动态连线权重、每个监测站点的类别、每个其他监测站点的类别确定的。
每个监测站点与其邻居监测站点的相关性信息时,能够充分考虑到每个监测站点与其邻居监测站点之间的相关关系,从而,使得天气参数的预测结果更加准确。
在一种实施方式中,每个监测站点与其他监测站点的相关性信息的计算方式为:
针对每个其他监测站点,将每个其他监测站点与每个监测站点之间的动态连线权重、每个其他监测站点与每个监测站点之间的动态连线类型、每个其他监测站点的投影值相乘,得到其他监测站点的第一表征值;
针对每个其他监测站点,将其他监测站点的表征值采用非线性激活函数进行计算,得到其他监测站点的第二表征值;
针对每个监测站点,将所有其他监测站点的第二表征值进行拼接,得到每个监测站点与其他监测站点的相关性信息。
本实施例中,上述参数为参与计算的相邻监测站点的参数。比如,监测站点A具有邻居监测站点B和C,则针对监测站点A,将A和B之间的动态连线权重、A和B之间的动态连线类型参数和B的投影值相乘,根据相乘结果得到B的第一表征值。将B的第一表征值采用非线性激活函数进行计算,得到B的第二表征值。
后续针对监测站点C进行同样过程的计算,得到A的所有邻居监测站点的第二表征值。
本实施例中,通过上述计算方式,能够提高天气参数预测结果的准确性,使得天气参数预测模型有着更高的综合预测能力。
在一种实施方式中,多个类别的监测站点,包括第一类别的天气参数的监测站点和第二类别的天气参数的监测站点。
本实施例中,第一类别的天气参数,可以是天气预报的相关参数,比如温度、湿度、风速、风向、气压等天气数据中的至少一种,可对应用于进行天气预报的天气监测站点。第二类别的天气参数,可以是空气质量参数,可以对应于专门用于监测空气质量的空气质量监测站点。
随着天气参数的种类的增加,监测站点的类别也在逐渐增加,将不同类别的监测站点的观测结果进行整合,进行天气参数的预测,从而能够提高预测的准确性。
在一种实施方式中,根据多个监测站点之间的空间相关性信息,建立天气参数预测模型,包括:
根据多个监测站点之间的空间相关性信息和监测站点的历史时空相关性信息,确定多个监测站点的时空相关性信息;
根据多个监测站点的时空相关性信息,建立天气参数预测模型。
监测站点的历史时空相关性信息,为当前时刻之前的一个或多个历史时刻的历史时空相关性信息。可以在通过天气参数预测模型进行上一时刻的天气参数预测是产生。
历史时空相关性信息,可以包括监测站点的多个历史时刻的时间相关性信息和空间相关性信息。监测站点的多个历史时刻的时间相关性信息,每个监测站点自身的观测值在历史时刻与当前时刻的相关性信息;也可以是多个监测站点的观测值在历史时刻与当前时刻相互之间的相关性信息。
在建立天气参数预测模型时,同时考虑多个监测站点的空间相关性信息和时间相关性信息,从而提高预测模型的预测准确程度。
在一种实施方式中,根据多个监测站点之间的空间相关性信息和监测站点的历史时空相关性信息,确定多个监测站点的时空相关性信息,包括:
对多个监测站点之间的空间相关性信息和监测站点的历史时空相关性信息进行门控循环操作,得到多个监测站点之间的时空相关性信息。
本实施例中,门控循环操作可通过门控循环单元(GRU,Gate Recurrent Unit)执行。
通过门控循环单元进行门控循环操作,可根据多个监测站点之间第一时刻的空间相关性信息和监测站点在第一时刻之前的历史时刻的时空相关性信息,确定第一时刻的多个监测站点的时空相关性信息。
还可通过门控循环单元进行门控循环操作,可根据多个监测站点之间第二时刻的空间相关性信息和监测站点在第二时刻之前的历史时刻的时空相关性信息,确定第二时刻的多个监测站点的时空相关性信息,第二时刻为第一时刻的下一时刻,第二时刻之前的历史时刻包括第一时刻。
通过门控循环操作,能够针对多个历史时刻,逐步循环计算出前面的历史时刻对后面的历史时刻的影响,提高时空相关性信息计算的准确性,进一步提高天气参数预测模型的准确预测能力。
在一种实施方式中,根据多个监测站点的天气参数的观测值以及天气参数预测模型输出的多个监测站点的天气参数的预测值,对天气参数预测模型进行调整,包括:
根据观测值和预测值的最小二乘误差,计算损失值;
根据损失值,调整天气参数预测模型。
观测值和预测值,可以为同一类别的天气参数的观测值和预测值,比如,同为温度的观测值和预测值。
本实施例中,采用观测值和预测值的最小二乘误差对模型进行调整优化,从而,模型的预测结果能够通过调整进一步更为准确,模型的预测功能能够更为完善。
本公开实施例还提供一种天气参数预测方法,如图2所示,包括:
步骤S21:将多个监测站点的历史观测值和环境上下文特征中的至少一种作为输入数据,输入天气参数预测模型,天气参数预测模型为本公开任意一项实施例提供的天气参数预测模型;
步骤S22:采用天气参数预测模型,根据输入数据获得多个监测站点的历史观测值和环境上下文特征中的至少一种,确定多个监测站点的空间相关性信息;
步骤S23:采用天气参数预测模型,根据多个监测站点的空间相关性信息,输出天气参数的预测值。
本实施例中,需要预测何种类别的天气参数,就可以将何种类别的天气参数的历史观测值作为输入。历史观测值可以是多个历史时间点的观测值。
将多个监测站点的历史观测值和环境上下文特征作中的至少一种作为输入数据,即可以将多个监测站点的一种天气参数的历史观测值作为输入数据,也可以将多个监测站点的一种环境上下文特征作为输入数据。
环境上下文特征可根据环境信息获得,比如,绿化状况、工业区状况、道路状况等环境状况的一种或多种。
本公开实施例采用天气参数预测模型进行天气参数预测,天气参数预测模型为本公开任意一项实施例提供的天气参数预测模型训练方法得到的模型,从而,在预测时,模型能够考虑多个监测站点之间的空间相关性信息进行天气参数的预测,具有较高的预测准确性。
在一种实施方式中,采用天气参数预测模型,根据多个监测站点的空间相关性信息,输出天气参数的预测值,包括:
采用天气参数预测模型,根据多个监测站点的空间相关性信息,确定多个监测站点的时空相关性信息;
采用天气参数预测模型,根据多个监测站点的时空相关性信息,确定多个监测站点的天气参数的预测值。
本实施例中,在预测时,结合多个监测站点的空间相关性信息,确定多个监测站点的时空相关性信息,进而根据时空相关性信息进行预测,从而,预测结果考虑了多个监测站点之间的空间相关性以及不同时刻的时间相关性,预测结果更为准确。
在本公开一种示例中,某个地区的监测站点分布如图3A所示,其中,S0和S1分别表示两种类别的监测站点。在图3A所示的地区中,两种类别的监测站点实时监测城市中的不同位置但相关的空气质量和天气状况。分布在图3A对应的地理空间上的不同类型的站点是异质的,分别监测不同的实时大气信息。
图3B为图3A中的空气质量监测站点S0所得到的观测值随时间变化的情况。图3C为图3A中的天气监测站点S1所得到的观测值随时间变化的情况。
本示例中可以根据监测站的实时观测值以及周边的环境上下文特征(比如周边POI分布和路网特征),提出了一种异质图神经网络建模不同类型站点之间的空间动态相关性,通过异质循环神经网络(GRU)作为编码器捕捉站点的时间相关性,以此得到同时包含站点过去的时空相关性的表征向量,最后通过解码器(GRU)来联合预测未来所有站点的空气质量或天气状况,天气参数预测模型的整体框架可以如图4所示。
天气参数预测模型的输入数据包括历史观测值、历史观测值对应的时刻、环境上下文特征,在预测阶段,通过异质图神经网络、GRU编码器和GRU解码器进行数据处理以及天气参数的预测。在模型调整阶段,通过MSE(Mean Square Error,均方误差)损失函数计算损失值,对天气参数预测模型进行预测。
在本公开一种示例中,天气参数预测模型训练方法包括图5所示的步骤:
步骤S51:建立异质站点图。
本示例中,异质站点可以为用于监测不同的天气参数的监测站点,也可以为监测数据所处的范围具有明显差异的监测站点。异质站点可以表示本公开其它实施例中所述的不同类别的监测站点。
本示例中,在地理空间上邻近的监测站点的观测值之间是高度相关并且相互影响的,而且这种相关性是随着时间动态变化的。比如某区域的POI分布稀疏,密度比较小,同时风速比较大。那么该区域的空气质量和天气监测站会具有更强的相关性。若能建模监测站之间的这种异质空间动态相关性,便能更好地对空气质量和天气进行联合预测。
因此本示例通过构建一个异质站点图G(有向图)将可能地理空间邻近的监测站关联起来。异质站点图包括节点和边,其中,节点可以是分布在空间中的各个监测站点,一个节点用于表示一个监测站点。边可以是站点之间的连线,进一步的,监测站点之间的连线可以为有向连线。
本示例假设距离近的站点之间具有较强的相关性,因此示例性的,对距离少于20km的任意两个监测站点对应的节点进行连线,形成一条边,对于能够连线的两个监测站点,互为对方的邻居监测站点,即:
其中,dist(vi,vj)表示监测站点si和sj之间的球面距离。如果使用sa和sw分别代表空气质量监测站点和天气监测站点。因为监测站点具有异质性,所以异质站点图上一共有两种不用类型的节点,分别表示两种不同类别的监测站点。由于监测站点之间的边为有向边,因此,异质站点图中可能包括四种不同类型的的边Ψ={sa-sa,sa-sw,sw-sw,sw-sa},本示例使用表示si的监测站点的类别,/>
步骤S52:基于异质图神经网络建模不同监测站点的空间动态相关性。
基于以上异质站点图G,本示例提出了一种异质图神经网络,用于检测监测站点之间的空间交互,即空间相关性信息。因为监测站点之间的空间相关性是随时间动态变化的,在不同时刻,对应不同的天气,监测站点之间的空间相关性随着天气的变化而变化,因而也随着时间的变化而变化。进而,不同监测站点之间边的权重也是随时间动态变化。
本示例中,基于当前各个监测站点的观测值,以及环境上下文特征,使用注意力机制来实时的捕获不同时刻监测站点之间的关系。
给定某个时刻站点si的观测值xi,本示例首先设计了一个基于站点类型的转换层,将异构的观测数据(不同类别的监测站点的观测值)投影到统一的表征空间中其中/>是一个低维的表征向量,/>是一个在类别为/>的站点之间共享的可学习的参数矩阵。
随即,本示例引入一种与边的类型相关的注意力机制,来量化不同环境下的同质和异质站点之间的空间复杂非线性相关性。给定监测站点si,sj,站点sj连向站点si的边的类型为r∈Ψ,两个站点之间的动态边权重为:
其中Attn表示注意力机制函数,可以根据需要进行设定,用以衡量两个监测站点之间的空间相关性大小。ci,cj分别是监测站点si,sj周围的环境上下文特征(具体可以包括POI分布,路网特征)。dij可以表示两个监测站点之间的球面距离。可以表示异质站点图G中与监测站点si有边相连的邻居监测站点(即本示例中距离小于设定值20km的其它监测站点)。
基于本示例可以进一步定义上下文感知的异质图卷积操作,其通过聚合邻居监测站点表征来更新站点的表征:
其中,可以是基于边的类型r聚合的监测站点表征,σ可以是非线性激活函数,Wr可以是相同边的类型r对应的共享参数。本示例中,通过拼接监测站点si的所有邻居监测站点,得到站点si的最终表征:
其中||表示拼接操作。本示例可以通过将这一层异质图神经网络的输出作为下一层的输入,重复计算公式(2)-公式(4),即可得到编码了多阶邻居关系的监测站点si的表征向量。
步骤S53:基于异质循环神经网络建模监测站点的时间相关性。
本示例使用门控循环神经网络(GRU)捕捉监测站点的在时间上的相关性,由于不同类别的监测站点的时间序列是异质的,因此本示例中,对不同类型的监测站点使用不同的参数来建模:
/>
通过将t-1时刻门控循环神经网络的输出和t时刻异质图神经网络的输出/>作为模型的输入数据,结合门控机制可得到t时刻的输出/>其中,/>是相同类别的监测站点之间共享的模型参数。/>可以为模型内部的中间变量。由于/>包含了t时刻监测站点与其所有邻居监测站点的动态空间相关性信息,/>包含了t时刻之前监测站点与其所有邻居监测站点的时空相关性信息,因此得到的/>将同时编码了过去的时空信息。
在模型的预测阶段,本示例使用另一个GRU作为解码器进行逐步的AQI预测和天气预测,解码器生成的预测值为解码器每次输出的一系列值,为同一类别的天气参数,比如,解码器输出的第一序列,为温度预测值,解码器输出的第二序列,为空气质量预测值,等等。
步骤S54:模型训练。
本示例中,模型的优化目标是最小化预测值和真实值之间的最小二乘误差(MSE),损失值的目标函数可表示为:
τ可以为时间点预设的数值,即预测时间步长。
本公开实施例还提供了一种天气参数预测模型训练装置,如图6所示,包括:
建立模块61,用于根据多个监测站点之间的空间相关性信息,建立天气参数预测模型;
调整模块62,用于根据多个监测站点的天气参数的观测值以及天气参数预测模型输出的多个监测站点的天气参数的预测值,对天气参数预测模型进行调整。
在一种实施方式中,所述多个监测站点包括多个类别的监测站点,每个类别的所述监测站点用于监测对应类别的天气参数。
在一种实施方式中,多个类别的监测站点之间的空间相关性信息,是根据每个监测站点与其他监测站点的空间相关性信息确定的;每个监测站点的邻居监测站点为多个类别的监测站点中,与每个监测站点具有邻居关系的监测站点。
在一种实施方式中,多个监测站点之间的空间相关性信息,包括每个监测站点与其他监测站点的空间相关性信息,监测站点之间的邻居关系是根据监测站点之间的距离确定的;
每个监测站点与其他监测站点的空间相关性信息是根据每个监测站点到其他监测站点之间的动态连线权重、每个监测站点与其他监测站点的观测数据、每个监测站点及其他监测站点的类别确定的。
在一种实施方式中,每个监测站点到其他监测站点之间的动态连线权重是根据每个监测站点到其他监测站点之间的球面距离、每个监测站点与其他监测站点的环境上下文特征确定的。
在一种实施方式中,每个监测站点与其他监测站点的空间相关性信息通过装置的下述模块进行确定:
投影模块71,用于将每个监测站点与其他监测站点的观测数据投影到同一的表征空间,得到每个监测站点与其他监测站点的投影值;
投影值处理模块72,用于根据每个监测站点与其他监测站点的投影值,确定多个类别的监测站点之间的空间相关性信息。
在一种实施方式中,每个监测站点与其他监测站点的相关性信息,是根据每个监测站点与所有其他监测站点的空间相关性信息确定的。
在一种实施方式中,每个监测站点与其他监测站点的相关性信息是根据其他监测站点的投影值、每个监测站点到其他监测站点之间的动态连线权重、每个监测站点的类别、每个其他监测站点的类别确定的。
在一种实施方式中,如图8所示,每个监测站点与其他监测站点的相关性信息通过空气参数预测模型训练装置的下述模块进行确定:
第一表征值模块81,用于针对每个其他监测站点,将每个其他监测站点与每个监测站点之间的动态连线权重、每个其他监测站点与每个监测站点之间的动态连线类型、每个其他监测站点的投影值相乘,得到其他监测站点的第一表征值;
第二表征值模块82,用于针对每个其他监测站点,将其他监测站点的表征值采用非线性激活函数进行计算,得到其他监测站点的第二表征值;
拼接模块83,用于针对每个监测站点,将所有其他监测站点的第二表征值进行拼接,得到每个监测站点与其他监测站点的相关性信息。
在一种实施方式中,多个类别的监测站点,包括第一类别的天气参数的监测站点和第二类别的天气参数的监测站点。
在一种实施方式中,如图9所示,建立模块包括:
时空相关单元91,用于根据多个监测站点之间的空间相关性信息和监测站点的历史时空相关性信息,确定多个监测站点的时空相关性信息;
时空信息处理单元92,用于根据多个监测站点的时空相关性信息,建立天气参数预测模型。
在一种实施方式中,时空相关单元还用于:
对多个监测站点之间的空间相关性信息和监测站点的历史时空相关性信息进行门控循环操作,得到多个监测站点之间的时空相关性信息。
在一种实施方式中,如图10所示,调整模块包括:
损失单元101,用于根据观测值和预测值的最小二乘误差,计算损失值;
损失值处理单元102,用于根据损失值,调整天气参数预测模型。
本公开实施例还提供一种天气参数预测装置,如图11所示,包括:
输入模块111,用于将多个监测站点的历史观测值和环境上下文特征中的至少一种作为输入数据,输入天气参数预测模型,天气参数预测模型为本公开任意一项实施例所提供的天气参数预测模型;
空间相关模块112,用于采用天气参数预测模型,根据输入数据获得多个监测站点的历史观测值和环境上下文特征中的至少一种,确定多个监测站点的空间相关性信息;
预测模块113,用于采用天气参数预测模型,根据多个监测站点的空间相关性信息,输出天气参数的预测值。
在一种实施方式中,如图12所示,预测模块包括:
时空单元121,用于采用天气参数预测模型,根据多个监测站点的空间相关性信息,确定多个监测站点的时空相关性信息;
时空信息处理单元122,用于采用天气参数预测模型,根据多个监测站点的时空相关性信息,确定多个监测站点的天气参数的预测值。
本公开实施例各数据处理装置中的各单元、模块或子模块的功能可以参见上述数据处理方法中的对应描述,在此不再赘述。
本公开各种实施例可应用于深度学习、大数据等人工智能领域。可用于具有多个行政区域的地区的天气数据的处理和天气参数的预测。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备130的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或要求的本公开的实现。
如图13所示,设备130包括计算单元131,其可以根据存储在只读存储器(ROM)132中的计算机程序或者从存储单元138加载到随机访问存储器(RAM)133中的计算机程序来执行各种适当的动作和处理。在RAM 133中,还可存储设备130操作所需的各种程序和数据。计算单元131、ROM 132以及RAM 133通过总线134彼此相连。输入输出(I/O)接口135也连接至总线134。
设备130中的多个部件连接至I/O接口135,包括:输入单元136,例如键盘、鼠标等;输出单元137,例如各种类型的显示器、扬声器等;存储单元138,例如磁盘、光盘等;以及通信单元139,例如网卡、调制解调器、无线通信收发机等。通信单元139允许设备130通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元131可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元131的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元131执行上文所描述的各个方法和处理,例如天气参数预测模型训练方法。例如,在一些实施例中,天气参数预测模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元138。在一些实施例中,计算机程序的部分或者全部可以经由ROM 132和/或通信单元139而被载入和/或安装到设备130上。当计算机程序加载到RAM 133并由计算单元131执行时,可以执行上文描述的天气参数预测模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元131可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行天气参数预测模型训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (27)
1.一种天气参数预测模型训练方法,包括:
根据多个监测站点之间的空间相关性信息,建立天气参数预测模型;
根据多个监测站点的天气参数的观测值以及所述天气参数预测模型输出的多个监测站点的天气参数的预测值,对所述天气参数预测模型进行调整;
其中,根据多个监测站点之间的空间相关性信息,建立天气参数预测模型,包括:
根据多个监测站点之间的空间相关性信息和所述监测站点的历史时空相关性信息,确定所述多个监测站点的时空相关性信息,其中,所述多个监测站点之间的空间相关性信息,是根据每个监测站点到其他监测站点之间的动态连线权重、每个所述监测站点与其他监测站点的观测数据、所述每个监测站点及其他监测站点的类别确定的;
根据所述多个监测站点的时空相关性信息,建立所述天气参数预测模型。
2.根据权利要求1所述的方法,其中,所述多个监测站点包括多个类别,每个类别的所述监测站点用于监测对应类别的天气参数。
3.根据权利要求2所述的方法,其中,所述每个监测站点到其他监测站点之间的动态连线权重是根据所述每个监测站点到其他监测站点之间的球面距离、所述每个监测站点与其他监测站点的环境上下文特征确定的。
4.根据权利要求2或3所述的方法,其中,所述每个监测站点与其他监测站点的空间相关性信息的确定方式为:
将所述每个监测站点与其他监测站点的观测数据投影到同一的表征空间,得到所述每个监测站点与其他监测站点的投影值;
根据每个监测站点与其他监测站点的投影值,确定所述多个类别的监测站点之间的空间相关性信息。
5.根据权利要求4所述的方法,其中,所述每个监测站点与其他监测站点的空间相关性信息,是根据所述每个监测站点与其所有其他监测站点的空间相关性信息确定的。
6.根据权利要求5所述的方法,其中,所述每个监测站点与其他监测站点的相关性信息是根据所述其他监测站点的投影值、所述每个监测站点到其他监测站点之间的动态连线权重、所述每个监测站点的类别、所述其他监测站点的类别确定的。
7.根据权利要求6所述的方法,其中,所述每个监测站点与其他监测站点的空间相关性信息的计算方式为:
针对每个其他监测站点,将所述每个其他监测站点与所述每个监测站点之间的动态连线权重、所述每个其他监测站点与所述每个监测站点之间的动态连线类型、所述每个其他监测站点的投影值相乘,得到其他监测站点的第一表征值;
针对所述每个其他监测站点,将所述其他监测站点的第一表征值采用非线性激活函数进行计算,得到其他监测站点的第二表征值;
针对所述每个监测站点,将所有其他监测站点的第二表征值进行拼接,得到所述每个监测站点与其他监测站点的空间相关性信息。
8.根据权利要求2-3中任意一项所述的方法,其中,所述多个类别的监测站点,包括第一类别的天气参数的监测站点和第二类别的天气参数的监测站点。
9.根据权利要求8所述的方法,其中,所述根据多个监测站点之间的空间相关性信息和所述监测站点的历史时空相关性信息,确定所述多个监测站点的时空相关性信息,包括:
对所述多个监测站点之间的空间相关性信息和所述监测站点的历史时空相关性信息进行门控循环操作,得到所述多个监测站点之间的时空相关性信息。
10.根据权利要求1所述的方法,其中,所述根据多个监测站点的天气参数的观测值以及所述天气参数预测模型输出的多个监测站点的天气参数的预测值,对所述天气参数预测模型进行调整,包括:
根据所述观测值和所述预测值的最小二乘误差,计算损失值;
根据所述损失值,调整所述天气参数预测模型。
11.一种天气参数预测方法,包括:
将多个监测站点的历史观测值和环境上下文特征中的至少一种作为输入数据,输入天气参数预测模型,所述天气参数预测模型为权利要求1-10中任意一项所述的天气参数预测模型;
采用所述天气参数预测模型,根据所述输入数据获得所述多个监测站点的历史观测值和环境上下文特征中的至少一种,确定所述多个监测站点的空间相关性信息;
采用所述天气参数预测模型,根据所述多个监测站点的空间相关性信息,输出天气参数的预测值。
12.根据权利要求11所述的方法,其中,所述采用所述天气参数预测模型,根据所述多个监测站点的空间相关性信息,输出天气参数的预测值,包括:
采用所述天气参数预测模型,根据所述多个监测站点的空间相关性信息,确定所述多个监测站点的时空相关性信息;
采用所述天气参数预测模型,根据所述多个监测站点的时空相关性信息,确定所述多个监测站点的所述天气参数的预测值。
13.一种天气参数预测模型训练装置,包括:
建立模块,用于根据多个监测站点之间的空间相关性信息,建立天气参数预测模型;
调整模块,用于根据多个监测站点的天气参数的观测值以及所述天气参数预测模型输出的多个监测站点的天气参数的预测值,对所述天气参数预测模型进行调整;
其中,所述建立模块还用于根据多个监测站点之间的空间相关性信息和所述监测站点的历史时空相关性信息,确定所述多个监测站点的时空相关性信息,其中,所述多个监测站点之间的空间相关性信息,是根据每个监测站点到其他监测站点之间的动态连线权重、每个所述监测站点与其他监测站点的观测数据、所述每个监测站点及其他监测站点的类别确定的;根据所述多个监测站点的时空相关性信息,建立所述天气参数预测模型。
14.根据权利要求13所述的装置,其中,所述多个监测站点包括多个类别的监测站点,每个类别的所述监测站点用于监测对应类别的天气参数。
15.根据权利要求14所述的装置,其中,所述每个监测站点到其他监测站点之间的动态连线权重是根据所述每个监测站点到其他监测站点之间的球面距离、所述每个监测站点与其他监测站点的环境上下文特征确定的。
16.根据权利要求14或15所述的装置,其中,所述每个监测站点与其他监测站点的空间相关性信息通过所述装置的下述模块进行确定:
投影模块,用于将所述每个监测站点与其他监测站点的观测数据投影到同一的表征空间,得到所述每个监测站点与其他监测站点的投影值;
投影值处理模块,用于根据每个监测站点与其他监测站点的投影值,确定所述多个类别的监测站点之间的空间相关性信息。
17.根据权利要求16所述的装置,其中,所述每个监测站点与其他监测站点的空间相关性信息,是根据所述每个监测站点与其所有其他监测站点的空间相关性信息确定的。
18.根据权利要求17所述的装置,其中,所述每个监测站点与其他监测站点的相关性信息是根据所述其他监测站点的投影值、所述每个监测站点到其他监测站点之间的动态连线权重、所述每个监测站点的类别、所述其他监测站点的类别确定的。
19.根据权利要求18所述的装置,其中,所述每个监测站点与其他监测站点的空间相关性信息通过所述装置的下述模块进行确定:
第一表征值模块,用于针对每个其他监测站点,将所述每个其他监测站点与所述每个监测站点之间的动态连线权重、所述每个其他监测站点与所述每个监测站点之间的动态连线类型、所述每个其他监测站点的投影值相乘,得到其他监测站点的第一表征值;
第二表征值模块,用于针对所述每个其他监测站点,将所述其他监测站点的第一表征值采用非线性激活函数进行计算,得到其他监测站点的第二表征值;
拼接模块,用于针对所述每个监测站点,将所有其他监测站点的第二表征值进行拼接,得到所述每个监测站点与其他监测站点的空间相关性信息。
20.根据权利要求14-16中任意一项所述的装置,其中,所述多个类别的监测站点,包括第一类别的天气参数的监测站点和第二类别的天气参数的监测站点。
21.根据权利要求20所述的装置,其中,所述时空相关单元还用于:
对所述多个监测站点之间的空间相关性信息和所述监测站点的历史时空相关性信息进行门控循环操作,得到所述多个监测站点之间的时空相关性信息。
22.根据权利要求13所述的装置,其中,所述调整模块包括:
损失单元,用于根据所述观测值和所述预测值的最小二乘误差,计算损失值;
损失值处理单元,用于根据所述损失值,调整所述天气参数预测模型。
23.一种天气参数预测装置,包括:
输入模块,用于将多个监测站点的历史观测值和环境上下文特征中的至少一种作为输入数据,输入天气参数预测模型,所述天气参数预测模型为权利要求13-22中任意一项所述的天气参数预测模型;
空间相关模块,用于采用所述天气参数预测模型,根据所述输入数据获得所述多个监测站点的历史观测值和环境上下文特征中的至少一种,确定所述多个监测站点的空间相关性信息;
预测模块,用于采用所述天气参数预测模型,根据所述多个监测站点的空间相关性信息,输出天气参数的预测值。
24.根据权利要求23所述的装置,其中,所述预测包括:
时空单元,用于采用所述天气参数预测模型,根据所述多个监测站点的空间相关性信息,确定所述多个监测站点的时空相关性信息;
时空信息处理单元,用于采用所述天气参数预测模型,根据所述多个监测站点的时空相关性信息,确定所述多个监测站点的所述天气参数的预测值。
25. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1-12中任一项所述的方法。
27.一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011541723.4A CN112561199B (zh) | 2020-12-23 | 2020-12-23 | 天气参数预测模型训练方法、天气参数预测方法及装置 |
US17/373,113 US20210341646A1 (en) | 2020-12-23 | 2021-07-12 | Weather parameter prediction model training method, weather parameter prediction method, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011541723.4A CN112561199B (zh) | 2020-12-23 | 2020-12-23 | 天气参数预测模型训练方法、天气参数预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561199A CN112561199A (zh) | 2021-03-26 |
CN112561199B true CN112561199B (zh) | 2024-06-21 |
Family
ID=75031745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011541723.4A Active CN112561199B (zh) | 2020-12-23 | 2020-12-23 | 天气参数预测模型训练方法、天气参数预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210341646A1 (zh) |
CN (1) | CN112561199B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493017B (zh) * | 2022-01-28 | 2024-07-16 | 南京邮电大学 | 基于参数迁移的水质预测方法 |
CN114858212A (zh) * | 2022-04-20 | 2022-08-05 | 惠州工程职业学院 | 基于物联网的园林监测*** |
CN116010857A (zh) * | 2023-03-24 | 2023-04-25 | 山东联合能源管道输送有限公司 | 一种用于港口原油的智慧管控*** |
CN116526478B (zh) * | 2023-07-03 | 2023-09-19 | 南昌工程学院 | 基于改进的蛇群优化算法的短期风电功率预测方法及*** |
CN117420615A (zh) * | 2023-11-10 | 2024-01-19 | 国网江苏省电力有限公司 | 基于时空注意力联合门控网络的沿海站点风速预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488317A (zh) * | 2014-09-17 | 2016-04-13 | 日本电气株式会社 | 用于预测空气质量的***和方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005249455A (ja) * | 2004-03-02 | 2005-09-15 | Hitachi Ltd | 予測方法、そのプログラム及び予測システム |
US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
US9471884B2 (en) * | 2014-05-30 | 2016-10-18 | International Business Machines Corporation | Multi-model blending |
JP2017187371A (ja) * | 2016-04-05 | 2017-10-12 | 株式会社日立パワーソリューションズ | 気象予測装置及び風力発電所 |
CN108701274B (zh) * | 2017-05-24 | 2021-10-08 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与*** |
WO2020131187A2 (en) * | 2018-09-26 | 2020-06-25 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
US11366248B2 (en) * | 2019-12-29 | 2022-06-21 | International Business Machines Corporation | Combining forecasts of varying spatial and temporal resolution |
CN111368887B (zh) * | 2020-02-25 | 2024-05-03 | 平安科技(深圳)有限公司 | 雷雨天气预测模型的训练方法及雷雨天气预测方法 |
US11300708B2 (en) * | 2020-03-02 | 2022-04-12 | International Business Machines Corporation | Tuning weather forecasts through hyper-localization |
US11506816B2 (en) * | 2020-05-01 | 2022-11-22 | Google Llc | Using mobile data to improve weather information |
CN111458769B (zh) * | 2020-05-26 | 2021-05-28 | 南京大学 | 用于输电线路环境气象数据预测的方法及*** |
CN112288164B (zh) * | 2020-10-29 | 2023-04-07 | 四川大学 | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 |
KR20220064604A (ko) * | 2020-11-12 | 2022-05-19 | 광주과학기술원 | 기온예측시스템 |
-
2020
- 2020-12-23 CN CN202011541723.4A patent/CN112561199B/zh active Active
-
2021
- 2021-07-12 US US17/373,113 patent/US20210341646A1/en not_active Abandoned
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488317A (zh) * | 2014-09-17 | 2016-04-13 | 日本电气株式会社 | 用于预测空气质量的***和方法 |
Non-Patent Citations (1)
Title |
---|
韩丰 等.循环神经网络在雷达临近预报中的应用.《应用气象学报》.2019,第30卷(第10期),第61-69页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112561199A (zh) | 2021-03-26 |
US20210341646A1 (en) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561199B (zh) | 天气参数预测模型训练方法、天气参数预测方法及装置 | |
Farsi et al. | Deployment techniques in wireless sensor networks, coverage and connectivity: A survey | |
CN112541302B (zh) | 空气质量预测模型训练方法、空气质量预测方法及装置 | |
CN112561191B (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
CN113329437B (zh) | 无线网络信号传播路径损耗预测方法及电子设备 | |
Fadlullah et al. | Value iteration architecture based deep learning for intelligent routing exploiting heterogeneous computing platforms | |
CN110346654B (zh) | 基于普通克里金插值的电磁频谱地图构建方法 | |
CN112835715B (zh) | 基于强化学习的无人机任务卸载策略的确定方法和装置 | |
CN113705959A (zh) | 网络资源分配方法及电子设备 | |
CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN115915364A (zh) | 通信基站的节能方法、装置、计算机可读介质及设备 | |
US12028720B2 (en) | Method and node for handling sensor nodes and fog nodes in a communications system | |
Lv et al. | Internet of Things and augmented reality in the age of 5G | |
CN115797565A (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、***及预测终端 | |
CN113609904A (zh) | 一种基于动态全局信息建模和孪生网络的单目标跟踪算法 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
Yoon et al. | Prediction of machine learning base for efficient use of energy infrastructure in smart city | |
Fu et al. | A learning-based algorithm for fog computing deployment in iot network | |
Gital et al. | LSTM network for predicting medium to long term electricity usage in residential buildings (Rikkos Jos-City, Nigeria) | |
Zhou et al. | Modeling load distribution for rural photovoltaic grid areas using image recognition | |
CN113887843B (zh) | 一种风电场输出功率的群体预测方法和*** | |
Pagano et al. | SWI-FEED: Smart Water IoT Framework for Evaluation of Energy and Data in Massive Scenarios | |
Tossa et al. | Optimizing Coverage and Deployment of Wireless Sensor Networks Based on Image Processing |
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 |