CN113204061B - 一种构建格点风速订正模型的方法及装置 - Google Patents
一种构建格点风速订正模型的方法及装置 Download PDFInfo
- Publication number
- CN113204061B CN113204061B CN202110759432.0A CN202110759432A CN113204061B CN 113204061 B CN113204061 B CN 113204061B CN 202110759432 A CN202110759432 A CN 202110759432A CN 113204061 B CN113204061 B CN 113204061B
- Authority
- CN
- China
- Prior art keywords
- historical
- wind speed
- grid point
- time period
- model
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种构建格点风速订正模型的方法及装置,方法包括:获取各格点在历史时段的历史气象数据以及历史地貌数据;针对每一格点,将同一历史时段的历史气象数据以及历史地貌数据输入气象特征提取模型,得到历史时段气象特征;针对每一格点,获取格点风速预测模型在各历史时段预报的格点历史风速预报结果;针对每一历史时段,获取格点历史风速预报结果及实际观测历史风速并计算格点历史时段误差;针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型。可以提升风速值预报的准确性。
Description
技术领域
本发明涉及气象预报技术领域,具体而言,涉及一种构建格点风速订正模型的方法及装置。
背景技术
格点风速是人们根据实时观测风速数据与大气物理模型,对固定步幅的经纬度风速情况进行计算的结果。格点风速预测是气象预测中的一个重要分支,对人们日常生活、工农业生产等都有极为重要的影响。但由于格点风速预测涉及大气物理学模型以及众多的气象因素,各物理量与地理环境之间的相互作用关系十分复杂,因此,目前针对大气物理学模型,例如,国家气象中心(NMC,National Meteorological Center)、欧洲气象中心(EC,European Centre)等格点风速预测模型的格点风速预测,由于各大气物理学模型考虑的气象因素不同,采用的算法不同,会存在这样或那样的缺陷,使得单一的大气物理学模型预报的格点风速准确性较低。
发明内容
有鉴于此,本发明的目的在于提供构建格点风速订正模型的方法及装置,以提高风速值的预报准确性。
第一方面,本发明实施例提供了构建格点风速订正模型的方法,包括:
获取各格点在预设历史时段的历史气象数据以及历史地貌数据;
针对每一格点,将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征;
针对每一格点,获取预设数的格点风速预测模型在各历史时段预报的格点历史风速预报结果;
针对每一历史时段,获取该历史时段的格点历史风速预报结果及实际观测历史风速,依据格点历史风速预报结果与实际观测历史风速,计算格点历史时段误差;
针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述格点风速订正训练模型包括动作网络子模型以及价值网络子模型,所述针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型,包括:
针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差进行拼接,得到拼接数据;
将拼接数据输入动作网络子模型中的全连接特征层,得到各格点风速预测模型的训练权重;
将该历史时段的拼接数据以及训练权重输入价值网络子模型中的全连接特征层,得到各格点风速预测模型对预设历史预报时段的格点风速预报加权结果;
依据格点风速预报加权结果以及历史预报时段对应的格点风速实测值,计算价值损失,若价值损失大于预先设置的价值损失阈值,更新所述全连接特征层的参数,进行下一历史时段的训练,直至价值损失不大于价值损失阈值,得到格点风速订正模型。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述方法还包括:
获取预报格点在当前时段的当前气象数据以及当前地貌数据;
将当前气象数据以及当前地貌数据进行拼接,输入预先训练好的气象特征提取模型,得到当前时段气象特征;
针对所述预报格点的各历史时段,获取所述预设数的格点风速预测模型对各历史时段进行预报的预报格点历史风速预报结果;
基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差;
将当前时段气象特征以及各模型误差输入格点风速订正模型的全连接特征层,得到各格点风速预测模型的预测权重;
获取所述预设数的格点风速预测模型基于当前时段分别进行预报的格点未来风速预报结果;
针对每一格点风速预测模型,计算该格点风速预测模型的格点未来风速预报结果与预测权重的乘积,基于各乘积得到所述预报格点的格点未来风速预报订正结果。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差,包括:
针对每一格点风速预测模型,计算一历史时段的预报格点历史风速预报结果以及实际历史风速的风速差值;
获取风速差值的平方和;
对各历史时段的平方和进行加权平均,得到所述格点风速预测模型的模型误差。
结合第一方面、第一方面的第一种可能的实施方式至第三种可能的实施方式中的任一种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述气象特征提取模型包括:气象特征提取网络以及全局池化网络,所述将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征,包括:
针对每一历史时段,将该历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取网络,得到历史气象初始特征;依据全局池化网络对历史气象初始特征进行全局池化处理,得到历史时段气象特征。
结合第一方面、第一方面的第一种可能的实施方式至第三种可能的实施方式中的任一种可能的实施方式,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述方法还包括:
对历史地貌数据进行双线性插值处理,以使历史地貌数据的尺寸与历史气象数据的尺寸相同;
对历史气象数据以及插值处理后的历史地貌数据分别进行标准化、正则化处理。
结合第一方面、第一方面的第一种可能的实施方式至第三种可能的实施方式中的任一种可能的实施方式,本发明实施例提供了第一方面的第六种可能的实施方式,其中,所述历史气象数据包括:地面温度数据、地面湿度数据、风速U分量数据和风速V分量数据,历史地貌数据包括:地形数据、地物数据和太阳高度角数据。
第二方面,本发明实施例还提供了一种构建格点风速订正模型的装置,包括:
数据获取模块,用于获取各格点在预设历史时段的历史气象数据以及历史地貌数据;
特征提取模块,用于针对每一格点,将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征;
预报结果获取模块,用于针对每一格点,获取预设数的格点风速预测模型在各历史时段预报的格点历史风速预报结果;
误差计算模块,用于针对每一历史时段,获取该历史时段的格点历史风速预报结果及实际观测历史风速,依据格点历史风速预报结果与实际观测历史风速,计算格点历史时段误差;
风速订正模块,用于针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型。
第三方面,本申请实施例提供了一种计算机设备,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,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
本发明实施例提供的构建格点风速订正模型的方法及装置,通过获取各格点在预设历史时段的历史气象数据以及历史地貌数据;针对每一格点,将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征;针对每一格点,获取预设数的格点风速预测模型在各历史时段预报的格点历史风速预报结果;针对每一历史时段,获取该历史时段的格点历史风速预报结果及实际观测历史风速,依据格点历史风速预报结果与实际观测历史风速,计算格点历史时段误差;针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型。这样,通过构建格点风速订正模型,对多个格点风速预测模型进行权重分析,从而对格点风速预测模型的输出结果进行融合订正,能够有效提升风速值的预报准确性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的构建格点风速订正模型的方法流程示意图;
图2示出了本发明实施例所提供的构建格点风速订正模型的装置结构示意图;
图3为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种构建格点风速订正模型的方法及装置,下面通过实施例进行描述。
图1示出了本发明实施例所提供的构建格点风速订正模型的方法流程示意图。如图1所示,该方法包括:
步骤101,获取各格点在预设历史时段的历史气象数据以及历史地貌数据;
本发明实施例中,格点是指包含一定范围的区域,在该区域内,可能包含有一个或多个观测站点,若格点内包含多个观测站点,作为一可选实施例,则该格点的历史气象数据可以为各观测站点的历史气象数据的加权平均值。
本发明实施例中,对于每一格点,在每一历史时段,对应一历史气象数据,而对于历史地貌数据,可以是多个历史时段对应一历史地貌数据,也可以是一个历史时段对应一历史地貌数据。作为一可选实施例,历史时段与目前的格点风速预测模型的预测时段相一致,例如,预测时段是三点、六点,则历史时段也选取三点、六点。
本发明实施例中,作为一可选实施例,历史气象数据包括:地面温度数据、地面湿度数据、风速U分量数据和风速V分量数据,历史地貌数据包括:地形数据、地物数据和太阳高度角数据。
本发明实施例中,由于历史气象数据与历史地貌数据可能由不同的气象数据采集设备进行采集得到,尺寸可能不同。因而,作为一可选实施例,该方法还包括:
对历史地貌数据进行双线性插值处理,以使历史地貌数据的尺寸与历史气象数据的尺寸相同;
对历史气象数据以及插值处理后的历史地貌数据分别进行标准化、正则化处理。
本发明实施例中,作为一可选实施例,以历史气象数据的尺寸为基准,对尺寸与历史气象数据不同的历史地貌数据,进行双线性插值,使得插值后的历史地貌数据尺寸与历史气象数据尺寸相同。例如,对于尺寸为H hh xW h 的历史地貌数据,通过双线性插值的方法,将尺寸变换为历史气象数据的尺寸H lh xW l 。
本发明实施例中,由于数据中包含的数据种类不同,为了便于对各种类数据进行统一处理,需要对各种类数据分别进行标准化、正则化处理。以地貌数据为例,分别对地形数据、地物数据、太阳高度角数据进行标准化、正则化操作。
本发明实施例中,作为一可选实施例,该方法还包括:
针对每一格点的每一历史时段,对该格点的该历史时段的历史气象数据和历史地貌数据进行数据融合,得到历史数据集。
本发明实施例中,对于每一格点,将同一历史时段的地面多模态的历史气象数据与历史地貌数据融合,得到历史数据集,每一格点的每一历史时段对应一历史数据集。例如,对于某一个点的某一历史时段,将大小为TxHxW的历史气象数据与大小为CxHxW的历史地貌数据进行叠加,获得大小为(T+C)xHxW的历史数据集,其中,T为历史气象数据包含的数据种类数,H为历史气象数据宽度,W为历史气象数据长度,C为历史地貌数据包含的数据种类数,HxW为数据的尺寸。例如,对于历史地貌数据,包含地形数据、地物数据、太阳高度角数据,对应的数据种类数为3。
步骤102,针对每一格点,将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征;
本发明实施例中,对于进行数据融合得到的历史数据集,将历史数据集输入气象特征提取模型,关于气象特征提取模型的训练,具体可参见相关技术文献,在此略去详述。
本发明实施例中,历史时段气象特征包含有各种类数据的历史时段气象特征。例如,对于历史地貌数据,对应的历史时段气象特征包含:地形数据气象特征、地物数据气象特征、太阳高度角数据气象特征。
本发明实施例中,以历史时段为单位,将历史气象数据以及历史地貌数据输入气象特征提取模型。
本发明实施例中,作为一可选实施例,气象特征提取模型包括:气象特征提取网络以及全局池化网络,将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征,包括:
针对每一历史时段,将该历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取网络,得到历史气象初始特征;依据全局池化网络对历史气象初始特征进行全局池化处理,得到历史时段气象特征。
本发明实施例中,气象特征提取网络为深度卷积网络,利用深度卷积网络对历史数据集(历史气象数据以及历史地貌数据)进行历史气象初始特征提取以及池化处理。
本发明实施例中,作为一可选实施例,全局池化操作如下:
其中,
M i 为第i种类数据的历史时段气象特征;
X i,m,n 为第i种类数据的第m行第n列的像素点的气象特征。
步骤103,针对每一格点,获取预设数的格点风速预测模型在各历史时段预报的格点历史风速预报结果;
本发明实施例中,预设数可依据实际需要设置,作为一可选实施例,若格点风速预测模型分别为EC、NMC以及DL,相应地,预设数为3,则针对每一格点,获取三种不同格点风速预测模型分别在各历史时段的格点历史风速预报结果。作为一可选实施例,格点历史风速预报结果包括:风速U分量数据、风速V分量数据、时段数据。
本发明实施例中,格点风速预测模型在历史时段的格点历史风速预报结果是指,该格点风速预测模型依据该历史时段前的历史气象数据,预报历史时段得到的风速预报结果。
步骤104,针对每一历史时段,获取该历史时段的格点历史风速预报结果及实际观测历史风速,依据格点历史风速预报结果与实际观测历史风速,计算格点历史时段误差;
本发明实施例中,不同的格点风速预测模型,在同一历史时段的格点历史时段误差,可能相同,也可能不同。假设格点大小为NxM,该格点包含NxM个观测站点,观测站点的横纵坐标分别为x,y,该观测站点的实际观测历史风速为R(x,y),该观测站点的格点历史风速预报结果为P(x,y),格点历史时段误差采用均方差,利用下式进行计算格点风速预测模型在该格点的格点历史时段误差:
式中,
E为格点历史时段误差。
步骤105,针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型。
本发明实施例中,格点风速订正训练模型包括动作网络子模型以及价值网络子模型,作为一可选实施例,针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型,包括:
针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差进行拼接,得到拼接数据;
将拼接数据输入动作网络子模型中的全连接特征层,得到各格点风速预测模型的训练权重;
将该历史时段的拼接数据以及训练权重输入价值网络子模型中的全连接特征层,得到各格点风速预测模型对预设历史预报时段的格点风速预报加权结果;
依据格点风速预报加权结果以及历史预报时段对应的格点风速实测值,计算价值损失,若价值损失大于预先设置的价值损失阈值,更新所述全连接特征层的参数,进行下一历史时段的训练,直至价值损失不大于价值损失阈值,得到格点风速订正模型。
本发明实施例中,作为一可选实施例,各格点风速预测模型的训练权重之和为1。
本发明实施例中,价值损失不大于预先设置的价值损失阈值对应的格点风速订正训练模型为格点风速订正模型。格点风速实测值可以从获取的历史气象数据中进行提取。若价值损失大于预先设置的价值损失阈值,依据反向传播算法更新全连接特征层的参数,然后,选取另一历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差进行拼接,对动作网络子模型以及价值网络子模型进行训练,如此循环。
本发明实施例中,动作网络子模型中的全连接特征层与价值网络子模型中的全连接特征层的参数相同。
本发明实施例中,在强化学习框架下,价值网络子模型的输出为奖励值,该奖励值对动作网络子模型的输出进行评价。作为一可选实施例,奖励值根据动作函数输出加权值,计算最终预测结果与实际预测结果的误差取负。
本发明实施例中,作为一可选实施例,在对动作网络子模型与价值网络子模型训练时,使用深度确定性策略梯度(DDPG,Deep Deterministic Policy Gradient)算法,使用随机梯度下降(SGD,Stochastic Gradient Descent)优化器优化,对动作网络子模型与价值网络子模型使用学习率分别为0.001,0.05,动作网络子模型与价值网络子模型更新权重为0.9。
本发明实施例中,作为一可选实施例,该方法还包括:
A11,获取预报格点在当前时段的当前气象数据以及当前地貌数据;
本发明实施例中,若预报格点内包含有多个观测站点,则对多个观测站点测量得到的当前气象数据中的各种类数据分别进行平均,以及,对多个观测站点测量得到的当前地貌数据中的各种类数据分别进行平均,得到该预报格点在当前时段的当前气象数据以及当前地貌数据。
A12,将当前气象数据以及当前地貌数据进行拼接,输入预先训练好的气象特征提取模型,得到当前时段气象特征;
A13,针对所述预报格点的各历史时段,获取所述预设数的格点风速预测模型对各历史时段进行预报的预报格点历史风速预报结果;
本发明实施例中,每一格点风速预测模型,在每一历史时段,对应有对该历史时段进行预报得到的一预报格点历史风速预报结果。
A14,基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差;
本发明实施例中,作为一可选实施例,基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差,包括:
针对每一格点风速预测模型,计算一历史时段的预报格点历史风速预报结果以及实际历史风速的风速差值;
获取风速差值的平方和;
对各历史时段的平方和进行加权平均,得到所述格点风速预测模型的模型误差。
本发明实施例中,利用下式计算格点风速预测模型的模型误差:
式中,
A15,将当前时段气象特征以及各模型误差输入格点风速订正模型的全连接特征层,得到各格点风速预测模型的预测权重;
A16,获取所述预设数的格点风速预测模型基于当前时段分别进行预报的格点未来风速预报结果;
A17,针对每一格点风速预测模型,计算该格点风速预测模型的格点未来风速预报结果与预测权重的乘积,基于各乘积得到所述预报格点的格点未来风速预报订正结果。
本发明实施例中,各格点风速预测模型的预测权重之和为1,将各乘积进行求和,得到格点未来风速预报订正结果,若各格点风速预测模型的预测权重之和为其他值,将各乘积进行求和后取平均值,得到格点未来风速预报订正结果。
本发明实施例中,假设有t个格点风速预测模型,预报格点内包含有3x3个观测站点,设各格点风速预测模型基于当前时段进行预测,对应的格点未来风速预报结果分别为M 1 ,M 2 ,…,M t ,,对应的预测权重分别为r 1 ,r 2 ,…,r t ,,其中,某一格点风速预测模型对应的格点未来风速预报结果的矩阵形式可以表示为:
式中,M i 为第i个格点风速预测模型对应的格点未来风速预报结果;
本发明实施例中,格点未来风速预报结果可以是各观测站点的未来风速预报结果的平均。
本发明实施例中,对不同的格点风速预测模型的格点未来风速预报结果进行加权求和,可以得到预报格点的格点未来风速预报订正结果:
本发明实施例中,在多个现有格点风速预测模型的基础上,通过构建包含深度卷积网络的格点风速订正模型,利用多模态气象数据与各历史时段的格点历史误差构建训练集,利用强化学习方法在训练集上对格点风速训练模型进行训练,在训练完成后,可以对多个格点风速预测模型进行预测权重分析,从而对现有格点风速预测模型的输出结果进行融合订正,无需要考虑格点风速预测模型本身的特点与特性,具有灵活性好﹑实时性高﹑智能化﹑鲁棒性强,收敛能力好的特点,能够有效提升预报的风速值的准确性。
为说明本发明实施例的订正效果,利用本发明实施例的方法,对华南地区地面2019年9月2020年7月上中旬0至24小时逐3小时格点风速进行预测,本发明实施例的方法,相比于单个格点风速预测模型,预测性能有较大的提升。
图2示出了本发明实施例所提供的构建格点风速订正模型的装置结构示意图。如图2所示,该装置包括:
数据获取模块201,用于获取各格点在预设历史时段的历史气象数据以及历史地貌数据;
本发明实施例中,作为一可选实施例,气象数据包括:地面温度数据、地面湿度数据、风速U分量数据和风速V分量数据,地貌数据包括:地形数据、地物数据和太阳高度角数据。
特征提取模块202,用于针对每一格点,将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征;
本发明实施例中,历史时段气象特征包含有各种类数据的历史时段气象特征。
本发明实施例中,作为一可选实施例,气象特征提取模型包括:气象特征提取网络以及全局池化网络,所述将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征,包括:
针对每一历史时段,将该历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取网络,得到历史气象初始特征;依据全局池化网络对历史气象初始特征进行全局池化处理,得到历史时段气象特征。
预报结果获取模块203,用于针对每一格点,获取预设数的格点风速预测模型在各历史时段预报的格点历史风速预报结果;
误差计算模块204,用于针对每一历史时段,获取该历史时段的格点历史风速预报结果及实际观测历史风速,依据格点历史风速预报结果与实际观测历史风速,计算格点历史时段误差;
本发明实施例中,格点历史时段误差采用均方差。
风速订正模块205,用于针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型。
本发明实施例中,作为一可选实施例,风速订正模块205包括:
拼接单元(图中未示出),用于针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差进行拼接,得到拼接数据;
权重参数获取单元,用于将拼接数据输入动作网络子模型中的全连接特征层,得到各格点风速预测模型的训练权重;
加权结果获取单元,用于将该历史时段的拼接数据以及训练权重输入价值网络子模型中的全连接特征层,得到各格点风速预测模型对预设历史预报时段的格点风速预报加权结果;
模型确定单元,用于依据格点风速预报加权结果以及历史预报时段对应的格点风速实测值,计算价值损失,若价值损失大于预先设置的价值损失阈值,更新所述全连接特征层的参数,进行下一历史时段的训练,直至价值损失不大于价值损失阈值,得到格点风速订正模型。
本发明实施例中,作为一可选实施例,该装置还包括:
风速预报模块(图中未示出),用于获取预报格点在当前时段的当前气象数据以及当前地貌数据;
将当前气象数据以及当前地貌数据进行拼接,输入预先训练好的气象特征提取模型,得到当前时段气象特征;
针对所述预报格点的各历史时段,获取所述预设数的格点风速预测模型对各历史时段进行预报的预报格点历史风速预报结果;
基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差;
将当前时段气象特征以及各模型误差输入格点风速订正模型的全连接特征层,得到各格点风速预测模型的预测权重;
获取所述预设数的格点风速预测模型基于当前时段分别进行预报的格点未来风速预报结果;
针对每一格点风速预测模型,计算该格点风速预测模型的格点未来风速预报结果与预测权重的乘积,基于各乘积得到所述预报格点的格点未来风速预报订正结果。
本发明实施例中,作为一可选实施例,基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差,包括:
针对每一格点风速预测模型,计算一历史时段的预报格点历史风速预报结果以及实际历史风速的风速差值;
获取风速差值的平方和;
对各历史时段的平方和进行加权平均,得到所述格点风速预测模型的模型误差。
本发明实施例中,作为另一可选实施例,该装置还包括:
一致性处理模块,用于对历史地貌数据进行双线性插值处理,以使历史地貌数据的尺寸与历史气象数据的尺寸相同;
对历史气象数据以及插值处理后的历史地貌数据分别进行标准化、正则化处理。
本发明实施例中,对各种类数据分别进行标准化、正则化处理。以地貌数据为例,分别对地形数据、地物数据、太阳高度角数据进行标准化、正则化操作。
如图3所示,本申请一实施例提供了一种计算机设备300,用于执行图1中的构建格点风速订正模型的方法,该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序,其中,上述处理器302执行上述计算机程序时实现上述构建格点风速订正模型的方法的步骤。
具体地,上述存储器301和处理器302能够为通用的存储器和处理器,这里不做具体限定,当处理器302运行存储器301存储的计算机程序时,能够执行上述构建格点风速订正模型的方法。
对应于图1中的构建格点风速订正模型的方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述构建格点风速订正模型的方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述构建格点风速订正模型的方法。
在本申请所提供的实施例中,应该理解到,所揭露***和方法,可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,***或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory ,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。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所述以权利要求的保护范围为准。
Claims (8)
1.一种构建格点风速订正模型的方法,其特征在于,包括:
获取各格点在预设历史时段的历史气象数据以及历史地貌数据;
针对每一格点,将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征;
针对每一格点,获取预设数的格点风速预测模型在各历史时段预报的格点历史风速预报结果,每一格点风速预测模型在每一历史时段对应有一格点历史风速预报结果;
针对每一历史时段,获取该历史时段的格点历史风速预报结果及实际观测历史风速,依据格点历史风速预报结果与实际观测历史风速,计算格点历史时段误差;
针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型;
所述格点风速订正训练模型包括动作网络子模型以及价值网络子模型,所述针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型,包括:
针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差进行拼接,得到拼接数据;
将拼接数据输入动作网络子模型中的全连接特征层,得到各格点风速预测模型的训练权重;
将该历史时段的拼接数据以及训练权重输入价值网络子模型中的全连接特征层,得到各格点风速预测模型对预设历史预报时段的格点风速预报加权结果;
依据格点风速预报加权结果以及历史预报时段对应的格点风速实测值,计算价值损失,若价值损失大于预先设置的价值损失阈值,更新所述全连接特征层的参数,进行下一历史时段的训练,直至价值损失不大于价值损失阈值,得到格点风速订正模型;
所述方法还包括:
获取预报格点在当前时段的当前气象数据以及当前地貌数据;
将当前气象数据以及当前地貌数据进行拼接,输入预先训练好的气象特征提取模型,得到当前时段气象特征;
针对所述预报格点的各历史时段,获取所述预设数的格点风速预测模型对各历史时段进行预报的预报格点历史风速预报结果;
基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差;
将当前时段气象特征以及各模型误差输入格点风速订正模型的全连接特征层,得到各格点风速预测模型的预测权重;
获取所述预设数的格点风速预测模型基于当前时段分别进行预报的格点未来风速预报结果;
针对每一格点风速预测模型,计算该格点风速预测模型的格点未来风速预报结果与预测权重的乘积,基于各乘积得到所述预报格点的格点未来风速预报订正结果。
2.根据权利要求1所述的方法,其特征在于,所述基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差,包括:
针对每一格点风速预测模型,计算一历史时段的预报格点历史风速预报结果以及实际历史风速的风速差值;
获取风速差值的平方和;
对各历史时段的平方和进行加权平均,得到所述格点风速预测模型的模型误差。
3.根据权利要求1或2所述的方法,其特征在于,所述气象特征提取模型包括:气象特征提取网络以及全局池化网络,所述将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征,包括:
针对每一历史时段,将该历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取网络,得到历史气象初始特征;依据全局池化网络对历史气象初始特征进行全局池化处理,得到历史时段气象特征。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
对历史地貌数据进行双线性插值处理,以使历史地貌数据的尺寸与历史气象数据的尺寸相同;
对历史气象数据以及插值处理后的历史地貌数据分别进行标准化、正则化处理。
5.根据权利要求1或2所述的方法,其特征在于,所述历史气象数据包括:地面温度数据、地面湿度数据、风速U分量数据和风速V分量数据,历史地貌数据包括:地形数据、地物数据和太阳高度角数据。
6.一种构建格点风速订正模型的装置,其特征在于,包括:
数据获取模块,用于获取各格点在预设历史时段的历史气象数据以及历史地貌数据;
特征提取模块,用于针对每一格点,将同一历史时段的历史气象数据以及历史地貌数据输入预先训练好的气象特征提取模型,得到该历史时段的历史时段气象特征;
预报结果获取模块,用于针对每一格点,获取预设数的格点风速预测模型在各历史时段预报的格点历史风速预报结果;
误差计算模块,用于针对每一历史时段,获取该历史时段的格点历史风速预报结果及实际观测历史风速,依据格点历史风速预报结果与实际观测历史风速,计算格点历史时段误差;
风速订正模块,用于针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差,输入格点风速订正训练模型,对格点风速订正训练模型进行训练,得到格点风速订正模型;
风速订正模块包括:
拼接单元,用于针对每一历史时段,将该历史时段的历史时段气象特征以及各格点风速预测模型在该历史时段的格点历史误差进行拼接,得到拼接数据;
权重参数获取单元,用于将拼接数据输入动作网络子模型中的全连接特征层,得到各格点风速预测模型的训练权重;
加权结果获取单元,用于将该历史时段的拼接数据以及训练权重输入价值网络子模型中的全连接特征层,得到各格点风速预测模型对预设历史预报时段的格点风速预报加权结果;
模型确定单元,用于依据格点风速预报加权结果以及历史预报时段对应的格点风速实测值,计算价值损失,若价值损失大于预先设置的价值损失阈值,更新所述全连接特征层的参数,进行下一历史时段的训练,直至价值损失不大于价值损失阈值,得到格点风速订正模型;
风速预报模块,用于获取预报格点在当前时段的当前气象数据以及当前地貌数据;
将当前气象数据以及当前地貌数据进行拼接,输入预先训练好的气象特征提取模型,得到当前时段气象特征;
针对所述预报格点的各历史时段,获取所述预设数的格点风速预测模型对各历史时段进行预报的预报格点历史风速预报结果;
基于各历史时段的预报格点历史风速预报结果与实际历史风速,计算各格点风速预测模型的模型误差;
将当前时段气象特征以及各模型误差输入格点风速订正模型的全连接特征层,得到各格点风速预测模型的预测权重;
获取所述预设数的格点风速预测模型基于当前时段分别进行预报的格点未来风速预报结果;
针对每一格点风速预测模型,计算该格点风速预测模型的格点未来风速预报结果与预测权重的乘积,基于各乘积得到所述预报格点的格点未来风速预报订正结果。
7.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至5任一所述的构建格点风速订正模型的方法的步骤。
8.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至5任一所述的构建格点风速订正模型的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759432.0A CN113204061B (zh) | 2021-07-06 | 2021-07-06 | 一种构建格点风速订正模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759432.0A CN113204061B (zh) | 2021-07-06 | 2021-07-06 | 一种构建格点风速订正模型的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204061A CN113204061A (zh) | 2021-08-03 |
CN113204061B true CN113204061B (zh) | 2021-10-08 |
Family
ID=77022741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110759432.0A Active CN113204061B (zh) | 2021-07-06 | 2021-07-06 | 一种构建格点风速订正模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204061B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516320B (zh) * | 2021-09-14 | 2021-12-10 | 国能日新科技股份有限公司 | 基于多目标遗传算法风速订正和预测风速优化方法及装置 |
CN114545528B (zh) * | 2022-03-09 | 2024-02-06 | 北京墨迹风云科技股份有限公司 | 一种基于机器学习的气象数值模式要素预报后订正方法和装置 |
CN116663432B (zh) * | 2023-07-28 | 2023-10-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种百米高度风速预报订正降尺度方法及装置 |
CN117951446B (zh) * | 2023-12-12 | 2024-06-18 | 江苏欧普瑞信息科技有限公司 | 一种信号发射塔的监测方法及*** |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109358381A (zh) * | 2018-09-12 | 2019-02-19 | 浙江省气象科学研究所 | 一种站点预报风速订正方法 |
CN110187727B (zh) * | 2019-06-17 | 2021-08-03 | 武汉理工大学 | 一种基于深度学习和强化学习的玻璃熔炉温度控制方法 |
CN111723929A (zh) * | 2020-05-08 | 2020-09-29 | 广州华工中云信息技术有限公司 | 一种基于神经网络的数值预报产品订正方法、装置和*** |
CN111929748B (zh) * | 2020-09-17 | 2022-12-09 | 南京浦蓝大气环境研究院有限公司 | 一种气象要素预报方法和*** |
CN112668235B (zh) * | 2020-12-07 | 2022-12-09 | 中原工学院 | 基于离线模型预训练学习的ddpg算法的机器人控制方法 |
CN112748483B (zh) * | 2020-12-24 | 2022-08-19 | 北京思湃德信息技术有限公司 | 一种基于深度学习的气温预报偏差订正方法及装置 |
CN112684520B (zh) * | 2020-12-30 | 2022-12-13 | 北京墨迹风云科技股份有限公司 | 一种气象预报的订正方法、装置、计算机设备及存储介质 |
CN113011106B (zh) * | 2021-04-15 | 2021-12-03 | 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 |
CN112990354B (zh) * | 2021-04-15 | 2021-08-13 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种构建用于风速预测的深度卷积回归网络的方法及装置 |
-
2021
- 2021-07-06 CN CN202110759432.0A patent/CN113204061B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113204061A (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113204061B (zh) | 一种构建格点风速订正模型的方法及装置 | |
CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、*** | |
CN113253364B (zh) | 一种对站点风速预报结果进行订正的方法及装置 | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN110232471B (zh) | 一种降水传感网节点布局优化方法及装置 | |
CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
CN109472283B (zh) | 一种基于多重增量回归树模型的危险天气预测方法和装置 | |
CN107247690A (zh) | 估算气温的方法及服务终端 | |
CN112418498A (zh) | 用于智能温室的温度预测方法及*** | |
CN117592005B (zh) | Pm2.5浓度卫星遥感估算方法、装置、设备及介质 | |
CN109919515A (zh) | 生态环境质量评价方法及装置 | |
CN112417734B (zh) | 一种基于风电场地理信息的风速订正方法及装置 | |
CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
CN114240779B (zh) | 一种点云去噪方法、装置、设备及存储介质 | |
CN117708551B (zh) | 基于双精度gdp数据展布的洪涝灾害影响评估方法和*** | |
CN112990354B (zh) | 一种构建用于风速预测的深度卷积回归网络的方法及装置 | |
Le Toumelin et al. | A two-fold deep-learning strategy to correct and downscale winds over mountains | |
CN117131758A (zh) | 灌溉用水估算模型的训练方法、装置及灌溉用水估算方法 | |
CN116796649A (zh) | 一种基于机器学习的spei粗分辨率数据空间降尺度方法及装置 | |
CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
CN113159426A (zh) | 天气型相似性判断方法、装置、电子设备及可读存储介质 | |
CN115620171B (zh) | 树林蓄积量评估方法、装置、设备及存储介质 | |
CN116449460B (zh) | 基于卷积UNet和迁移学习的区域月降水预测方法及*** | |
CN117272182A (zh) | 一种逐日气温的预测方法、装置、介质及设备 |
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 |