CN114298445A - 基于图卷积神经网络的站点定量降水预报方法和*** - Google Patents

基于图卷积神经网络的站点定量降水预报方法和*** Download PDF

Info

Publication number
CN114298445A
CN114298445A CN202210228227.6A CN202210228227A CN114298445A CN 114298445 A CN114298445 A CN 114298445A CN 202210228227 A CN202210228227 A CN 202210228227A CN 114298445 A CN114298445 A CN 114298445A
Authority
CN
China
Prior art keywords
neural network
convolution
diffusion
graph
target
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.)
Granted
Application number
CN202210228227.6A
Other languages
English (en)
Other versions
CN114298445B (zh
Inventor
张国平
姜睿娇
高金兵
王曙东
王阔音
薛冰
丁劲
章芳
杨静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Original Assignee
Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center filed Critical Public Meteorological Service Center Of China Meteorological Administration National Early Warning Information Release Center
Priority to CN202210228227.6A priority Critical patent/CN114298445B/zh
Publication of CN114298445A publication Critical patent/CN114298445A/zh
Application granted granted Critical
Publication of CN114298445B publication Critical patent/CN114298445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于图卷积神经网络的站点定量降水预报方法和***，包括：以目标区域内的所有站点为顶点，以站点之间的相似性为权重，构建目标区域内站点的带权向图；目标区域为待预报站点所在区域；基于对带权向图的图卷积操作，构建扩散卷积层；将扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元；基于扩散卷积门控循环单元，构建目标神经网络；目标神经网络包括循环神经网络层；循环神经网络层包括扩散卷积门控循环单元；利用目标神经网络对待预报站点进行定量降水预报。本发明缓解了现有技术中存在的因忽略降水的空间依赖性而导致的预报不准确的技术问题。

Description

基于图卷积神经网络的站点定量降水预报方法和***
技术领域
本发明涉及降水预报技术领域，尤其是涉及一种基于图卷积神经网络的站点定量降水预报方法和***。
背景技术
更加精确和更高分辨率的定量降水估计（QPE）对在气象和水文上有至关重要的应用。传统的方法主要通过雷达反射率的Z-R关系间接测量降水密度，但是存在两个主要的缺点，导致QPE的性能不尽人意。首先，Z-R关系受制于严格的理想条件，而在实际情况下很难满足。第二，Z-R模型的一般操作是独立处理每个网格，因此忽略了降水的空间依赖性。
发明内容
有鉴于此，本发明的目的在于提供一种基于图卷积神经网络的站点定量降水预报方法和***，以缓解现有技术中存在的因忽略降水的空间依赖性而导致的预报不准确的技术问题。
第一方面，本发明实施例提供了一种基于图卷积神经网络的站点定量降水预报方法，包括：以目标区域内的所有站点为顶点，以站点之间的相似性为权重，构建所述目标区域内站点的带权向图；所述目标区域为待预报站点所在区域；基于对所述带权向图的图卷积操作，构建扩散卷积层；所述图卷积操作为将m个带权向图映射到n个带权向图的卷积操作；m和n均为正整数；将所述扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元；基于扩散卷积门控循环单元，构建目标神经网络；所述目标神经网络包括循环神经网络层；所述循环神经网络层包括所述扩散卷积门控循环单元；利用所述目标神经网络对所述待预报站点进行定量降水预报。
进一步地，对所述带权向图的图卷积操作包括：
Figure DEST_PATH_IMAGE001
for p∈{1,…,P}；其中，X为所述带权向图的特征，
Figure 875337DEST_PATH_IMAGE002
为所述带权向图，
Figure DEST_PATH_IMAGE003
表示卷积核参数，
Figure 125053DEST_PATH_IMAGE004
表示实矩阵空间，
Figure DEST_PATH_IMAGE005
和
Figure 48010DEST_PATH_IMAGE006
表示扩散过程和反向扩散的转移概率矩阵，k为扩散步，K-1代表最大的邻域阶数，p为矩阵列的标号，P为输入站点的特征维度，f表示非线性映射函数，DO表示入度，DI表示出度。
进一步地，所述扩散卷积层包括：
Figure DEST_PATH_IMAGE007
forq∈{1,…,Q}；其中，
Figure 785197DEST_PATH_IMAGE008
是输入，
Figure DEST_PATH_IMAGE009
是输出，a是激活函数，Q为输出站点的特征维度，q代表每个特征维度的取值，N为站点个数，
Figure 855922DEST_PATH_IMAGE010
是第p个输入和q个输出的参数。
进一步地，将所述扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元，包括：将所述预设门控循环神经网络中的矩阵乘法，替换成所述扩散卷积层，得到所述扩散卷积门控循环单元。
进一步地，在利用所述目标神经网络对所述待预报站点进行定量降水预报之前，还包括：利用随时间反向传播算法对所述目标神经网络进行训练，得到训练之后的目标神经网络。
进一步地，利用所述目标神经网络对所述待预报站点进行定量降水预报，包括：获取所述目标区域内的所有站点的连续m个历史时刻的气象要素；基于所述连续m个历史时刻的气象要素，构建m个带权向图；以所述m个带权向图作为输入，输入到所述训练之后的目标神经网络中，得到连续n个未来时刻的定量降水预报结果。
第二方面，本发明实施例还提供了一种基于图卷积神经网络的站点定量降水预报***，包括：第一构建模块，第二构建模块，第三构建模块，第四构建模块和预报模块；其中，所述第一构建模块，用于以目标区域内的所有站点为顶点，以站点之间的相似性为权重，构建所述目标区域内站点的带权向图；所述目标区域为待预报站点所在区域；所述第二构建模块，用于基于对所述带权向图的图卷积操作，构建扩散卷积层；所述图卷积操作为将m个带权向图映射到n个带权向图的卷积操作；m和n均为正整数；所述第三构建模块，用于将所述扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元；所述第四构建模块，用于基于扩散卷积门控循环单元，构建目标神经网络；所述目标神经网络包括循环神经网络层；所述循环神经网络层包括所述扩散卷积门控循环单元；所述预报模块，用于利用所述目标神经网络对所述待预报站点进行定量降水预报。
进一步地，还包括训练模块，用于：利用随时间反向传播算法对所述目标神经网络进行训练，得到训练之后的目标神经网络。
第三方面，本发明实施例还提供了一种电子设备，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第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方面所述方法。
本发明提供了一种基于图卷积神经网络的站点定量降水预报方法和***，通过构建待预报站点所在目标区域内的站点的带权向图，进而构建扩散卷积层和扩散卷积门控循环单元，可以使得最后所构建的目标神经网络兼顾降水过程在空间和时间上的强相关性，使得降水站点预测值更接近真实观测值，缓解了现有技术中存在的因忽略降水的空间依赖性而导致的预报不准确的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明实施例提供的一种基于图卷积神经网络的站点定量降水预报方法的流程图；
图2为本发明实施例提供的一种带权向图映射关系示意图；
图3为本发明实施例提供的一种扩散时空图卷积框架的架构示意图；
图4为本发明实施例提供的一种基于图卷积神经网络的站点定量降水预报***的示意图；
图5为本发明实施例提供的另一种基于图卷积神经网络的站点定量降水预报***的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一：
图1是根据本发明实施例提供的一种基于图卷积神经网络的站点定量降水预报方法的流程图。如图1所示，该方法具体包括如下步骤：
步骤S102，以目标区域内的所有站点为顶点，以站点之间的相似性为权重，构建目标区域内站点的带权向图；目标区域为待预报站点所在区域，站点为雨量站。
步骤S104，基于对带权向图的图卷积操作，构建扩散卷积层；图卷积操作为将m个带权向图映射到n个带权向图的卷积操作；m和n均为正整数。
可选地，在本发明实施例中，对带权向图的图卷积操作包括：
Figure 847011DEST_PATH_IMAGE011
for p∈{1,…,P}；
其中，角标中的“：”表示所有可能取值，X为带权向图的特征，
Figure 686791DEST_PATH_IMAGE002
为带权向图，
Figure 167451DEST_PATH_IMAGE012
表示卷积核参数，
Figure 459892DEST_PATH_IMAGE004
表示实矩阵空间，
Figure 254673DEST_PATH_IMAGE013
和
Figure 948960DEST_PATH_IMAGE014
表示扩散过程和反向扩散的转移概率矩阵，k为扩散步，K-1代表最大的邻域阶数，p为矩阵列的标号，P为输入站点的特征维度，f表示非线性映射函数，DO表示入度，DI表示出度。
扩散卷积层包括：
Figure 600521DEST_PATH_IMAGE015
forq∈{1,…,Q}；
其中，
Figure 583520DEST_PATH_IMAGE008
是输入，
Figure 978729DEST_PATH_IMAGE009
是输出，a是激活函数，Q为输出站点的特征维度，q代表每个特征维度的取值，N为站点个数，
Figure 527523DEST_PATH_IMAGE016
是第p个输入和q个输出的参数。
步骤S106，将扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元。
可选地，在本发明实施例中，将预设门控循环神经网络中的矩阵乘法，替换成扩散卷积层，得到扩散卷积门控循环单元。
步骤S108，基于扩散卷积门控循环单元，构建目标神经网络；目标神经网络包括循环神经网络层；循环神经网络层包括扩散卷积门控循环单元。
步骤S110，利用目标神经网络对待预报站点进行定量降水预报。
本发明提供了一种基于图卷积神经网络的站点定量降水预报方法，通过构建待预报站点所在目标区域内的站点的带权向图，进而构建扩散卷积层和扩散卷积门控循环单元，可以使得最后所构建的目标神经网络兼顾降水过程在空间和时间上的强相关性，使得降水站点预测值更接近真实观测值，缓解了现有技术中存在的因忽略降水的空间依赖性而导致的预报不准确的技术问题。
本发明实施例提供的模型，在每次接收到前m个时刻的天气情况时，需要先进行基于站点的图结构的建立，然后用于深度图卷积网络的训练，而后对于未来n个连续时刻的降水的真实值的预报。
具体地，在本发明实施例中，目标区域内共有N个站点，N为正整数。将N个站点表示成带权向图
Figure 51782DEST_PATH_IMAGE017
，其中，
Figure 318816DEST_PATH_IMAGE018
是顶点集，
Figure 517716DEST_PATH_IMAGE019
,ε是边集，并且
Figure 921015DEST_PATH_IMAGE020
是带权重的临界矩阵，表示顶点的相似性。将在
Figure 117642DEST_PATH_IMAGE021
上观测到的气象要素或者信息表示为图的特征
Figure 871971DEST_PATH_IMAGE022
,P是每个顶点的特征的维度。X(t)表示时间t观测到的图特征，QPE问题目的是学习一个函数h(.)，将m个历史的图映射到未来的n个图信号上，给定图
Figure 608983DEST_PATH_IMAGE021
：
Figure 70051DEST_PATH_IMAGE023
（1）
具体地，如图2所示，图2为本发明实施例提供的一种带权向图映射关系示意图。如图2所示，首先使用一个有向图来表示空间中的相关性。为了构建站点图，将站点视为图中的顶点
Figure 499895DEST_PATH_IMAGE018
，而通过站点之间的距离，通过带有阈值的高斯核函数得到顶点之间的边：
Figure 475942DEST_PATH_IMAGE024
（2）
其中σ是距离的标准差并且κ是阈值。
本发明实施例中的降水预测模型采用的是有向图别的双向图卷积模型。图的出度的对角矩阵为：
D O =diag(W1)（3）
其中
Figure 954328DEST_PATH_IMAGE025
。那么状态转移矩阵为：
Figure 597799DEST_PATH_IMAGE013
。在进行多次迭代之后，这样的一个马尔科夫过程(Markov process)就会收敛到一个平稳的分布
Figure 932965DEST_PATH_IMAGE026
：
Figure 101034DEST_PATH_IMAGE027
（4）
可选地，本发明实施例提供的一种空间上的图卷积操作为：
Figure 179849DEST_PATH_IMAGE028
for p∈{1,…,P} （5）
其中
Figure 677826DEST_PATH_IMAGE029
表示卷积核参数，
Figure 183894DEST_PATH_IMAGE013
和
Figure 337795DEST_PATH_IMAGE006
表示扩散过程和反向扩散的转移概率矩阵。
基于公式(5)的卷积操作，可以构建一个扩散卷积层，将P维特征映射到Q维输出上。具体地，将参数张量
Figure 157983DEST_PATH_IMAGE030
,其中
Figure 510467DEST_PATH_IMAGE031
是第p个输入和q个输出的参数。那么扩散卷积层为：
Figure 453015DEST_PATH_IMAGE032
forq∈{1,…,Q}； （6）
其中，
Figure 828633DEST_PATH_IMAGE033
是输入，
Figure 249250DEST_PATH_IMAGE034
是输出，a是激活函数。扩散卷积层学习图结构数据的表示。
在时间序列上，使用门控循环神经Gated Recurrent Units(GRU)，一种简单有效的循环神经网络单元RNN变体来捕捉时间上的相关性。具体地，在本发明实施例中，将GRU中的矩阵乘法换成了扩散卷积，得到了扩散卷积门控循环单元：
Figure 721820DEST_PATH_IMAGE035
（7）
Figure 5908DEST_PATH_IMAGE036
（8）
Figure 931139DEST_PATH_IMAGE037
（9）
Figure 155447DEST_PATH_IMAGE038
（10）
其中X (t),H (t)表示时间t的输入和输出，r (t),u (t)表示时间t的重置门(reset gate)和更新(update gate)。GRU可以用来构建循环神经网络层，使用随时间反向传播算法（BackPropogation Through Time，BPTT）训练。
在多步预测中，本发明实施例使用Sequence to Sequence架构，都是上述时空图卷积的模块。整个模型分为两部分：
编码解码器：输入为一个图，首先生成节点的表示。
解码器：输入为及节点的表示，输出为预测的序列。
图3为本发明实施例提供的一种扩散时空图卷积框架的架构示意图。整个网络通过BPTT循环生成目标时间序列的最大似然得到。扩散时空图卷积框架可以捕获时空依赖关系，应用到多种时空预测问题上。
可选地，在步骤S110之前，本发明实施例提供的方法还包括：利用随时间反向传播算法对目标神经网络进行训练，得到训练之后的目标神经网络。可选地，本发明实施例使用平均绝对值误差(MAE)函数作为用于训练的损失函数：
Figure 482523DEST_PATH_IMAGE039
（11）
其中，
Figure 704557DEST_PATH_IMAGE040
表示用于优化网络的所有节点数。y i 表示网络输出的预测值，
Figure 117084DEST_PATH_IMAGE041
表示站点上的降水的真实值。
Figure 879503DEST_PATH_IMAGE042
即可完成网络优化。
可选地，步骤S110还包括如下具体步骤：
步骤S1101，获取目标区域内的所有站点的连续m个历史时刻的气象要素；
步骤S1102，基于连续m个历史时刻的气象要素，构建m个带权向图；
步骤S1103，以m个带权向图作为输入，输入到训练之后的目标神经网络中，得到连续n个未来时刻的定量降水预报结果。
实施例二：
图4是根据本发明实施例提供的一种基于图卷积神经网络的站点定量降水预报***的示意图。如图4所示，该***包括：第一构建模块10，第二构建模块20，第三构建模块30，第四构建模块40和预报模块50。
具体地，第一构建模块10，用于以目标区域内的所有站点为顶点，以站点之间的相似性为权重，构建目标区域内站点的带权向图；目标区域为待预报站点所在区域。
第二构建模块20，用于基于对带权向图的图卷积操作，构建扩散卷积层；图卷积操作为将m个带权向图映射到n个带权向图的卷积操作；m和n均为正整数。
可选地，在本发明实施例中，对带权向图的图卷积操作包括：
Figure 998769DEST_PATH_IMAGE011
for p∈{1,…,P}；
其中，角标中的“：”表示所有可能取值，X为带权向图的特征，
Figure 454021DEST_PATH_IMAGE002
为带权向图，
Figure 353844DEST_PATH_IMAGE012
表示卷积核参数，
Figure 857638DEST_PATH_IMAGE004
表示实矩阵空间，
Figure 893727DEST_PATH_IMAGE013
和
Figure 519880DEST_PATH_IMAGE014
表示扩散过程和反向扩散的转移概率矩阵，k为扩散步，K-1代表最大的邻域阶数，p为矩阵列的标号，P为输入站点的特征维度，f表示非线性映射函数，DO表示入度，DI表示出度。
扩散卷积层包括：
Figure 346147DEST_PATH_IMAGE043
forq∈{1,…,Q}；
其中，
Figure 450370DEST_PATH_IMAGE008
是输入，
Figure 606544DEST_PATH_IMAGE009
是输出，a是激活函数，Q为输出站点的特征维度，q代表每个特征维度的取值，N为站点个数，
Figure 341282DEST_PATH_IMAGE031
是第p个输入和q个输出的参数。
第三构建模块30，用于将扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元。
第四构建模块40，用于基于扩散卷积门控循环单元，构建目标神经网络；目标神经网络包括循环神经网络层；循环神经网络层包括扩散卷积门控循环单元。
可选地，在本发明实施例中，将预设门控循环神经网络中的矩阵乘法，替换成扩散卷积层，得到扩散卷积门控循环单元。
预报模块50，用于利用目标神经网络对待预报站点进行定量降水预报。
本发明提供了一种基于图卷积神经网络的站点定量降水预报***，通过构建待预报站点所在目标区域内的站点的带权向图，进而构建扩散卷积层和扩散卷积门控循环单元，可以使得最后所构建的目标神经网络兼顾降水过程在空间和时间上的强相关性，使得降水站点预测值更接近真实观测值，缓解了现有技术中存在的因忽略降水的空间依赖性而导致的预报不准确的技术问题。
可选地，图5为根据本发明实施例提供的另一种基于图卷积神经网络的站点定量降水预报***的示意图。如图5所示，该***还包括训练模块60，用于：
利用随时间反向传播算法对目标神经网络进行训练，得到训练之后的目标神经网络。
本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述实施例一中的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于图卷积神经网络的站点定量降水预报方法，其特征在于，包括：
以目标区域内的所有站点为顶点，以站点之间的相似性为权重，构建所述目标区域内站点的带权向图；所述目标区域为待预报站点所在区域；
基于对所述带权向图的图卷积操作，构建扩散卷积层；所述图卷积操作为将m个带权向图映射到n个带权向图的卷积操作；m和n均为正整数；
将所述扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元；
基于扩散卷积门控循环单元，构建目标神经网络；所述目标神经网络包括循环神经网络层；所述循环神经网络层包括所述扩散卷积门控循环单元；
利用所述目标神经网络对所述待预报站点进行定量降水预报。
2.根据权利要求1所述的方法，其特征在于，对所述带权向图的图卷积操作包括：
Figure 991378DEST_PATH_IMAGE001
for p∈{1,…,P}；
其中，X为所述带权向图的特征，
Figure 102553DEST_PATH_IMAGE002
为所述带权向图，
Figure 113235DEST_PATH_IMAGE003
表示卷积核参数，
Figure 81191DEST_PATH_IMAGE004
表示实矩阵空间，
Figure 115006DEST_PATH_IMAGE005
和
Figure 561031DEST_PATH_IMAGE006
表示扩散过程和反向扩散的转移概率矩阵，k为扩散步，K-1代表最大的邻域阶数，p为矩阵列的标号，P为输入站点的特征维度，f表示非线性映射函数，DO表示入度，DI表示出度。
3.根据权利要求2所述的方法，其特征在于，所述扩散卷积层包括：
Figure 691798DEST_PATH_IMAGE007
forq∈{1,…,Q}；
其中，
Figure 830655DEST_PATH_IMAGE008
是输入，
Figure 853231DEST_PATH_IMAGE009
是输出，a是激活函数，Q为输出站点的特征维度，q代表每个特征维度的取值，N为站点个数，
Figure 102947DEST_PATH_IMAGE010
是第p个输入和q个输出的参数。
4.根据权利要求3所述的方法，其特征在于，将所述扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元，包括：
将所述预设门控循环神经网络中的矩阵乘法，替换成所述扩散卷积层，得到所述扩散卷积门控循环单元。
5.根据权利要求1所述的方法，其特征在于，在利用所述目标神经网络对所述待预报站点进行定量降水预报之前，还包括：
利用随时间反向传播算法对所述目标神经网络进行训练，得到训练之后的目标神经网络。
6.根据权利要求5所述的方法，其特征在于，利用所述目标神经网络对所述待预报站点进行定量降水预报，包括：
获取所述目标区域内的所有站点的连续m个历史时刻的气象要素；
基于所述连续m个历史时刻的气象要素，构建m个带权向图；
以所述m个带权向图作为输入，输入到所述训练之后的目标神经网络中，得到连续n个未来时刻的定量降水预报结果。
7.一种基于图卷积神经网络的站点定量降水预报***，其特征在于，包括：第一构建模块，第二构建模块，第三构建模块，第四构建模块和预报模块；其中，
所述第一构建模块，用于以目标区域内的所有站点为顶点，以站点之间的相似性为权重，构建所述目标区域内站点的带权向图；所述目标区域为待预报站点所在区域；
所述第二构建模块，用于基于对所述带权向图的图卷积操作，构建扩散卷积层；所述图卷积操作为将m个带权向图映射到n个带权向图的卷积操作；m和n均为正整数；
所述第三构建模块，用于将所述扩散卷积层嵌入到预设门控循环神经网络，构建扩散卷积门控循环单元；
所述第四构建模块，用于基于扩散卷积门控循环单元，构建目标神经网络；所述目标神经网络包括循环神经网络层；所述循环神经网络层包括所述扩散卷积门控循环单元；
所述预报模块，用于利用所述目标神经网络对所述待预报站点进行定量降水预报。
8.根据权利要求7所述的***，其特征在于，还包括训练模块，用于：
利用随时间反向传播算法对所述目标神经网络进行训练，得到训练之后的目标神经网络。
9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1-6任一项所述方法。
CN202210228227.6A 2022-03-10 2022-03-10 基于图卷积神经网络的站点定量降水预报方法和*** Active CN114298445B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210228227.6A CN114298445B (zh) 2022-03-10 2022-03-10 基于图卷积神经网络的站点定量降水预报方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210228227.6A CN114298445B (zh) 2022-03-10 2022-03-10 基于图卷积神经网络的站点定量降水预报方法和***

Publications (2)

Publication Number Publication Date
CN114298445A true CN114298445A (zh) 2022-04-08
CN114298445B CN114298445B (zh) 2022-06-03

Family

ID=80978576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210228227.6A Active CN114298445B (zh) 2022-03-10 2022-03-10 基于图卷积神经网络的站点定量降水预报方法和***

Country Status (1)

Country Link
CN (1) CN114298445B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085163A (zh) * 2020-08-26 2020-12-15 哈尔滨工程大学 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
US20210326723A1 (en) * 2020-04-21 2021-10-21 Microsoft Technology Licensing, Llc Predicted forecast offset from remote location sensor
CN113610286A (zh) * 2021-07-27 2021-11-05 中国地质大学（武汉） 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210326723A1 (en) * 2020-04-21 2021-10-21 Microsoft Technology Licensing, Llc Predicted forecast offset from remote location sensor
CN112085163A (zh) * 2020-08-26 2020-12-15 哈尔滨工程大学 一种基于注意力增强图卷积神经网络agc和门控循环单元gru的空气质量预测方法
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN113610286A (zh) * 2021-07-27 2021-11-05 中国地质大学（武汉） 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴春霖等: "卷积神经网络的PM2.5预报模型", 《测绘科学》 *
林靖皓等: "基于自注意力机制的双向门控循环单元和卷积神经网络的芒果产量预测", 《计算机应用》 *

Also Published As

Publication number Publication date
CN114298445B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Han et al. A deep learning method for bias correction of ECMWF 24–240 h forecasts
Cannon Quantile regression neural networks: Implementation in R and application to precipitation downscaling
CN107703564B (zh) 一种降雨预测方法、***及电子设备
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及***
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN113673769B (zh) 基于多元时间序列插补的图神经网络交通流预测方法
CN114240000A (zh) 一种基于时空图卷积网络的空气质量预测方法
CN112766603B (zh) 一种交通流量预测方法、***、计算机设备及存储介质
CN113610286B (zh) 顾及时空相关性和气象因素的pm2.5浓度预测方法及装置
CN113496310A (zh) 基于深度学习模型的大气污染物预测方法和***
Ihler et al. Graphical models for statistical inference and data assimilation
CN115859620A (zh) 一种基于多头注意力机制和图神经网络的径流重建方法
Zha et al. Multiple granularity spatiotemporal network for sea surface temperature prediction
CN114004152B (zh) 基于图卷积和循环神经网络的多风场风速时空预测方法
CN117612369A (zh) 短时交通流量预测方法、***、存储介质、设备及终端
CN116401949A (zh) 分布式光伏资源出力曲线推演方法、***、设备及介质
CN114298445B (zh) 基于图卷积神经网络的站点定量降水预报方法和***
CN117391139A (zh) 基于改进UNet神经网络的天气现象预报订正方法
CN117332227A (zh) 一种多时空尺度注意力机制的环境变量预测方法及设备
CN116955450A (zh) 一种融合流域产汇流时空过程的水文预报方法和***
CN117197632A (zh) 一种基于Transformer的电镜花粉图像目标检测方法
Xu et al. Time series prediction via recurrent neural networks with the information bottleneck principle
CN112446550B (zh) 一种短期建筑负荷概率密度预测方法
CN115293399A (zh) 一种基于时空图卷积网络的交通流量预测方法
CN115985086A (zh) 一种交通数据补全方法、***、终端以及存储介质

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