CN115390161A - 基于人工智能的降水预测方法及装置 - Google Patents
基于人工智能的降水预测方法及装置 Download PDFInfo
- Publication number
- CN115390161A CN115390161A CN202210882346.3A CN202210882346A CN115390161A CN 115390161 A CN115390161 A CN 115390161A CN 202210882346 A CN202210882346 A CN 202210882346A CN 115390161 A CN115390161 A CN 115390161A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- time
- data
- radar echo
- echo data
- 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
Links
- 238000001556 precipitation Methods 0.000 title claims abstract description 412
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 112
- 230000006870 function Effects 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Ecology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Atmospheric Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开提供一种基于人工智能的降水预测方法,涉及人工智能领域,具体涉及图像识别、视频分析、深度学习技术,可应用在智慧城市、气象灾害预警场景。降水预测模型的训练方法包括:获取训练数据;构建包含第一编码器、第二编码器与第一解码器的神经网络模型;基于神经网络模型与多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据;基于时段观测降水数据与时段预测降水数据计算第一损失函数值,根据第一损失函数值调整神经网络模型的参数,得到降水预测模型。基于人工智能的降水预测方法包括:获取待处理雷达回波数据;将待处理雷达回波数据输入降水预测模型,根据降水预测模型输出的时刻预测降水数据得到降水预测结果。
Description
技术领域
本公开涉及人工智能领域,具体涉及图像识别、视频分析、深度学习技术,可应用在智慧城市、气象灾害预警场景下。提供了一种基于人工智能的降水预测方法、装置、电子设备与可读存储介质。
背景技术
降水预测对于科学地了解能量与水分循环、洪水暴雨的警报和预报、以及优化水资源管理都有重要的意义。因此,如何准确地进行降水预测,是一项亟待解决的问题。
发明内容
根据本公开的第一方面,提供了一种降水预测模型的训练方法,包括:获取训练数据,所述训练数据中包含多个时段观测降水数据以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据;构建包含第一编码器、第二编码器与第一解码器的神经网络模型,所述第一编码器用于根据时刻观测雷达回波数据输出第一编码特征,所述第二编码器用于根据所述第一编码特征输出第二编码特征,所述第一解码器用于根据所述第二编码特征输出时刻预测降水数据;基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据;基于所述时段观测降水数据以及与所述时段观测降水数据对应的时段预测降水数据计算第一损失函数值,根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型。
根据本公开的第二方面,提供了一种基于人工智能的降水预测方法,包括:获取待处理雷达回波数据;将所述待处理雷达回波数据输入降水预测模型,根据所述降水预测模型输出的时刻预测降水数据,得到降水预测结果。
根据本公开的第三方面,提供了一种降水预测模型的训练装置,包括:第一获取单元,用于获取训练数据,所述训练数据中包含多个时段观测降水数据以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据;构建单元,用于构建包含第一编码器、第二编码器与第一解码器的神经网络模型,所述第一编码器用于根据时刻观测雷达回波数据输出第一编码特征,所述第二编码器用于根据所述第一编码特征输出第二编码特征,所述第一解码器用于根据所述第二编码特征输出时刻预测降水数据;处理单元,用于基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据;训练单元,用于基于所述时段观测降水数据以及与所述时段观测降水数据对应的时段预测降水数据计算第一损失函数值,根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型。
根据本公开的第四方面,提供了一种基于人工智能的降水预测装置,包括:第二获取单元,用于获取待处理雷达回波数据;预测单元,用于将所述待处理雷达回波数据输入降水预测模型,根据所述降水预测模型输出的时刻预测降水数据,得到降水预测结果。
根据本公开的第五方面,提供了一种电子设备,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如上所述的方法。
根据本公开的第六方面,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,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出,本公开实现了基于时段级的观测降水数据得到能够进行时刻级降水预测的降水预测模型的目的,避免了无法获取时刻观测降水数据或者获取的时刻观测降水数据的质量较差,所导致的无法得到能够进行时刻级降水预测的降水预测模型或者得到的降水预测模型的预测准确性较低的技术问题,提升了降水预测模型在进行时刻级降水预测时的准确性,且时段级的观测降水数据较易获取,本实施例还能够进一步降低降水预测模型的训练成本、提升降水预测模型的训练效率。
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是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是根据本公开第六实施例的示意图;
图7是根据本公开第七实施例的示意图;
图8是根据本公开第八实施例的示意图;
图9是根据本公开第九实施例的示意图;
图10是用来实现本公开实施例的降水预测模型的训练或基于人工智能的降水预测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机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的降水预测模型的训练方法,具体包括如下步骤:
S101、获取训练数据,所述训练数据中包含多个时段观测降水数据以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据;
S102、构建包含第一编码器、第二编码器与第一解码器的神经网络模型,所述第一编码器用于根据时刻观测雷达回波数据输出第一编码特征,所述第二编码器用于根据所述第一编码特征输出第二编码特征,所述第一解码器用于根据所述第二编码特征输出时刻预测降水数据;
S103、基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据;
S104、基于所述时段观测降水数据以及与所述时段观测降水数据对应的时段预测降水数据计算第一损失函数值,根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型。
本实施例的降水预测模型的训练方法,通过获取时段级的观测降水数据以及时刻级的观测雷达回波数据,训练包含第一编码器、第二编码器与第一解码器的神经网络模型,以得到降水预测模型,实现了基于时段级的观测降水数据得到能够进行时刻级降水预测的降水预测模型的目的,避免了无法获取时刻观测降水数据或者获取的时刻观测降水数据的质量较差,所导致的无法得到能够进行时刻级降水预测的降水预测模型或者得到的降水预测模型的预测准确性较低的技术问题,提升了降水预测模型在进行时刻级降水预测时的准确性,且时段级的观测降水数据较易获取,本实施例还能够进一步降低降水预测模型的训练成本、提升降水预测模型的训练效率。
本实施例执行S101获取的训练数据中,时段观测降水数据为小时级的观测降水数据,观测降水数据为真实降水数据,例如1小时的观测降水数据、2小时的观测降水数据等;本实施例中的降水数据可以为降水量。
本实施例执行S101获取的训练数据中,时刻观测雷达回波数据为分钟级的观测雷达回波数据,观测雷达回波数据为真实雷达回波数据;本实施例中的雷达回波数据可以为雷达回波值,也可以为根据雷达回波值得到的雷达回波图像。
本实施例中,对应同一个时段观测降水数据的多个时刻观测雷达回波数据中,多个时刻观测雷达回波数据的时刻在时间上是连续的,且两个相邻的时刻观测雷达回波数据之间的时刻差为预设时间间隔;本实施例中的预设时间间隔可以为1分钟、2分钟、3分钟、4分钟、5分钟、6分钟、10分钟、15分钟、20分钟等可以被60分钟(即1小时)整除的值。
本实施例在执行S101时,还可以根据时刻观测降水数据所对应的时段值与预设时间间隔,确定与时段观测降水数据对应的时刻观测雷达回波数据的数量。
举例来说,若时段为13:00~14:00之间的1小时,预设时间间隔为10分钟,本实施例执行S101获取的与13:00~14:00这一时段的观测降水数据对应的时刻观测雷达回波数据的数量即为7(60÷10+1),具体为12:50的观测雷达回波数据、13:00的观测雷达回波数据、13:10的观测雷达回波数据、13:20的观测雷达回波数据、13:30的观测雷达回波数据、13:40的观测雷达回波数据与13:50的观测雷达回波数据。
本实施例在执行S101获取包含多个时段观测降水数据以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据的训练数据之后,执行S102构建包含第一编码器、第二编码器与第一解码器的神经网络模型。
本实施例执行S102构建的神经网络模型中,第一编码器用于根据所输入的时刻观测雷达回波数据,输出第一编码特征;第一编码器可以为基于卷积神经网络(Convolutional Neural Network,CNN)的编码器,其输出的第一编码特征用于反映雷达回波值或者雷达回波图像本身的特征。
本实施例执行S102构建的神经网络模型中,第二编码器用于根据第一解码器输出的第一编码特征,输出第二编码特征;第二编码器可以为基于循环神经网络(RecurrentNeural Network,RNN)的编码器,其输出的第二编码特征用于反映雷达回波值或者雷达回波图像的时空变化特征。
本实施例执行S102构建的神经网络模型中,第一解码器用于根据第二编码器输出的第二编码特征,输出时刻预测降水数据;第一解码器输出的时刻预测降水数据的时刻,为输入第一编码器的时刻观测雷达回波数据的时刻的下一时刻,时刻预测降水数据的时刻与时刻观测雷达回波的时刻之间的时刻差为预设时间间隔。
举例来说,若预设时间间隔为10分钟,若本实施例输入第一编码器的时刻观测雷达回波数据的时刻为13:10,则本实施例执行S102构建的神经网络模型中,第一解码器输出的时刻预测降水数据的时刻为13:20。
本实施例在执行S102构建包含第一编码器、第二编码器与第一解码器的神经网络模型之后,执行S103基于神经网络模型以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据。
具体地,本实施例在执行S103基于神经网络模型以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据时,可以采用的可选实现方式为:针对每个时段观测降水数据,将对应该时段观测降水数据的多个时刻观测雷达回波数据分别输入神经网络模型;根据神经网络模型针对所输入的每个时刻观测雷达回波数据输出的时刻预测降水数据,得到与该时段观测降水数据对应的时段预测降水数据;本实施例可以将多个时刻预测降水数据之间的相加结果,作为时段预测降水数据。
也就是说,本实施例通过神经网络模型,基于每个时刻观测雷达回波数据得到下一时刻的时刻预测降水数据,进而根据得到的多个时刻预测降水数据得到时段预测降水数据,从而与时段观测降水数据进行损失函数值的计算,实现了基于时段级的观测降水数据来训练得到能够进行时刻级的降水预测的降水预测模型的目的。
可以理解的是,本实施例在执行S103时,基于神经网络模型,对与每个时段观测降水数据对应的多个时刻观测雷达回波数据进行处理,从而分别得到与每个时段观测降水数据对应的时段预测降水数据;其中,时段预测降水数据的数量与时段观测降水数据的数量一致。
本实施例在执行S103得到与每个时段观测降水数据对应的时刻预测降水数据之后,执行S104基于时段观测降水数据以及与时段观测降水数据对应的时段预测降水数据计算第一损失函数值,根据第一损失函数值调整神经网络模型的参数,得到降水预测模型。
本实施例在执行S104基于时段观测降水数据以及与时段观测降水数据对应的时段预测降水数据计算第一损失函数值时,可以将两者之间的差值作为第一损失函数值,也可以将两者之间差值的绝对值作为第一损失函数值,本实施例对第一损失函数值的计算方式不进行限定。
本实施例在执行S104根据第一损失函数值调整神经网络模型的参数时,可以在确定所得到的第一损失函数值收敛时,停止调整神经网络模型的参数,从而得到降水预测模型。
本实施例执行S104得到的降水预测模型,能够根据输入的雷达回波数据,输出下一时刻的降水预测数据,该降水预测数据的时刻与雷达回波数据的时刻之间的时刻差为预设时间间隔,从而实现了降水预测模型能够进行分钟级的降水预测的目的。
图2是根据本公开第二实施例的示意图。如图2所示,本实施例在执行S102“构建包含第一编码器、第二编码器与第一解码器的神经网络模型”时,还可以包含如下步骤:
S201、构建包含所述第一编码器、所述第二编码器、所述第一解码器与第二解码器的神经网络模型,所述第二解码器用于根据所述第二编码特征输出时刻预测雷达回波数据。
也就是说,本实施例构建的神经网络模型中,除了包含第一编码器、第二编码器与第一解码器之外,还会包含第二解码器,使得神经网络模型中由第二编码器输出的第二编码特征能够分别输入第一解码器与第二解码器,进而在得到由第一解码器输出的时刻预测降水数据的同时,还得到由第二解码器输出的下一时刻的时刻预测雷达回波数据,使得训练得到的降水预测模型能够输出更为丰富的预测信息,提升了降水预测模型的预测性能。
本实施例执行S201构建的神经网络模型中,第二解码器用于根据第二编码器输出的第二编码特征,输出时刻预测雷达回波数据;第二解码器输出的时刻预测雷达回波数据的时刻,为输入第一编码器的时刻观测雷达回波数据的时刻的下一时刻,时刻预测雷达回波数据的时刻与时刻观测雷达回波数据的时刻之间的时刻差为预设时间间隔。
举例来说,若本实施例中输入第一编码器的时刻观测雷达回波数据的时刻为13:10,则第二解码器输出的时刻预测雷达回波数据的时刻为13:20。
图3是根据本公开第三实施例的示意图。如图3所示,本实施例在执行S103“基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据”时,还可以包含如下步骤:
S301、针对每个时段观测降水数据,根据与该时段观测降水数据对应的多个时刻观测雷达回波数据,获取多个观测时刻;
S302、确定所述多个观测时刻中的第一观测时刻与第二观测时刻;
S303、将与所述第一观测时刻对应的时刻观测雷达回波数据输入所述神经网络模型,将与所述第二观测时刻对应的时刻预测雷达回波数据输入所述神经网络模型;
S304、根据所述神经网络模型针对所述时刻观测雷达回波数据与所述时刻预测雷达回波数据输出的时刻预测降水数据,得到与该时段观测降水数据对应的时段预测降水数据。
也就是说,本实施例在构建的神经网络模型中包含第二解码器的情况下,还可以结合第二解码器输出的时刻预测雷达回波数据,即将时刻观测雷达回波数据与时刻预测雷达回波数据进行同时使用,得到与时段观测降水数据对应的时段预测降水数据,由于在不同的观测时刻使用了不同类型的雷达回波数据,因此本实施例能够增加神经网络模型训练时的复杂性,进一步提升训练得到的降水预测模型的预测准确性。
本实施例在执行S302确定多个观测时刻中的第一观测时刻与第二观测时刻时,可以按照预设选取规则,将从多个观测时刻中选取的时刻作为第一观测时刻,未被选取的时刻作为第二时刻。
其中,本实施例在执行S302时,预设选取规则可以为随机选取;预设选取规则还可以为将多个时刻观测雷达回波数据中,前N个时刻观测雷达回波数据对应的观测时刻作为第一观测时刻,其他时刻观测雷达回波数据对应的观测时刻作为第二观测时刻,N为大于等于1的正整数。
举例来说,若多个时刻观测雷达回波数据对应的观测时刻分别为12:50、13:00与13:10,若N为1,本实施例执行S302时可以将12:50作为第一观测时刻,将13:00与13:10作为第二观测时刻。
进一步地,本实施例在执行S303时,将与12:50对应的时刻观测雷达回波数据输入神经网络模型,得到神经网络模型输出的对应13:00的时刻预测雷达回波数据与时刻预测降水数据;将对应13:00的时刻预测雷达回波数据输入神经网络模型,得到神经网络模型输出的对应13:10的时刻预测雷达回波数据与时刻预测降水数据;进而再将对应13:10的时刻预测雷达回波数据分别输入神经网络模型,得到神经网络模型输出的对应13:20的时刻预测雷达回波数据与时刻预测降水数据。
图4是根据本公开第四实施例的示意图。如图4所示,本实施例在执行S104“根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型”时,还可以包含如下步骤:
S401、根据对应同一个时刻的时刻观测雷达回波数据与时刻预测雷达回波数据,计算第二损失函数值;
S402、根据所述第二损失函数值与所述第一损失函数值调整所述神经网络模型的参数,得到所述降水预测模型。
也就是说,本实施例通过时段观测降水数据与时段预测降水数据、以及时刻观测雷达回波数据与时刻预测雷达回波数据,这两类不同类型的数据得到的损失函数值,调整神经网络模型的参数,使得模型参数的调整会同时考虑降水数据与雷达回波数据,提升了神经网络模型在进行参数调整时的准确性,从而进一步提升训练得到的降水预测模型的预测准确性。
本实施例在执行S401根据对应同一时刻的时刻观测雷达回波数据与时刻预测雷达回波数据计算第二损失函数值时,可以将对应同一时刻的时刻观测雷达回波数据与时刻预测雷达回波数据之间的差值或者差值的绝对值(在雷达回波数据为雷达回波值的情况下),作为第二损失函数值;也可以将对应同一时刻的时刻观测雷达回波数据与时刻预测雷达回波数据之间的相似度(在雷达回波数据为雷达回波图像的情况下),作为第二损失函数值;本实施例对第二损失函数值的计算方式不进行限定。
本实施例在执行S402根据第一损失函数值与第二损失函数值调整神经网络模型的参数时,可以在确定所得到的第一损失函数值与第二损失函数值同时收敛时,停止调整神经网络模型的参数,从而得到降水预测模型。
图5是根据本公开第五实施例的示意图。图5中示出了训练神经网络模型时的结构图:如图5所示,在(T-10)时刻~T时刻,将对应各时刻的时刻观测雷达回波数据作为神经网络模型的输入,在(T+1)时刻~(T+9)时刻,将对应各时刻的时刻预测雷达回波数据作为神经网络模型的输入;进一步地,神经网络模型会同时根据降水数据对应的第一损失函数值以及雷达回波数据对应的第二损失函数值,进行参数的调整。
图6是根据本公开第六实施例的示意图。图6中示出了神经网络模型计算流程图:将雷达回波数据输入神经网络模型之后,首先由第一编码器根据雷达回波数据得到第一编码器特征,然后由第二编码器根据第一编码特征得到第二编码特征,最后将第二编码特征分别输入第一解码器与第二解码器,得到由第一解码器输出的时刻预测降水数据与由第二解码器输出的时刻预测雷达回波数据。
图7是根据本公开第七实施例的示意图。如图7所示,本实施例的基于人工智能的降水预测方法,具体包括如下步骤:
S701、获取待处理雷达回波数据;
S702、将所述待处理雷达回波数据输入降水预测模型,根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果。
本实施例的基于人工智能的降水预测方法,通过预先训练得到的降水预测模型对待处理雷达回波数据进行分钟级的降水预测,能够提升降水预测的实时性与有效性,且所得到的降水预测结果具有更高的准确性。
本实施例在执行S701获取待处理雷达回波数据时,可以将对应当前时刻的雷达回波数据,作为待处理雷达回波数据;基于当前时刻的雷达回波数据,降水预测模型能够得到(当前时刻+预设时间间隔)的时刻对应的降水预测结果。
本实施例执行S702得到的降水预测结果的时刻,与待处理雷达回波数据的时刻之间的时刻差为预设时间间隔;若预设时间间隔为10分钟,若待处理雷达回波数据的时刻为15:00,则所得到的降水预测结果的时刻为15:10。
本实施例在执行S702将待处理雷达回波数据输入降水预测模型,根据降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果时,还可以包含以下内容:根据待处理雷达回波数据的时刻,获取与待处理雷达回波数据对应的历史雷达回波数据;将历史雷达回波数据与待处理雷达回波数据依次(按照时间先后的顺序)输入降水预测模型,将降水预测模型针对待处理雷达回波数据输出的时刻预测降水数据,作为降水预测结果。
也就是说,本实施例还可以结合与待处理雷达回波数据对应的历史雷达回波数据,共同进行当前时刻的降水预测,由于历史雷达回波数据中包含雷达回波数据的时空变化信息,因此本实施例能够提升所得到的降水预测结果的准确性。
其中,本实施例执行S702获取的历史雷达回波数据的时刻与待处理雷达回波数据的时刻之间的时刻差,为1个或者多个预设时间间隔;例如,若预设时间间隔为10分钟,若待处理雷达回波数据的时刻为14:00,则历史雷达回波数据的时刻可以为13:50、13:40、13:30等。
本实施例在执行S702时,可以直接将降水预测模型输出的时刻预测降水数据作为降水预测结果。
另外,本实施例在执行S702根据降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果时,还可以包含以下内容:获取降水预测模型针对待处理雷达回波数据输出的时刻预测雷达回波数据,作为当前时刻预测雷达回波数据;将当前时刻预测雷达回波数据输入降水预测模型,得到降水预测模型输出的时刻预测降水数据,并将降水预测模型输出的时刻预测雷达回波数据,作为当前时刻预测雷达回波数据;返回将当前时刻预测雷达回波数据输入降水预测模型的步骤,以此循环进行,根据降水预测模型输出的多个时刻预测降水数据得到降水预测结果。
例如,若预设时间间隔为10分钟,若待处理雷达回波数据的时刻为14:00,则本实施例在执行S702时可以分别获取14:10、14:20、14:30等时刻的时刻预测降水数据。
也就是说,本实施例还可以通过降水预测模型输出的时刻预测雷达回波数据进行连续地降水预测,每个时刻预测降水数据之间的时刻差为预设时间间隔,从而在能够得到分钟级的预测降水数据的同时,还能够提升所得到的降水预测结果的全面性。
图8是根据本公开第八实施例的示意图。如图8所示,本实施例的降水预测模型的训练装置800,包括:
第一获取单元801、用于获取训练数据,所述训练数据中包含多个时段观测降水数据以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据;
构建单元802、用于构建包含第一编码器、第二编码器与第一解码器的神经网络模型,所述第一编码器用于根据时刻观测雷达回波数据输出第一编码特征,所述第二编码器用于根据所述第一编码特征输出第二编码特征,所述第一解码器用于根据所述第二编码特征输出时刻预测降水数据;
处理单元803、用于基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据;
训练单元804、用于基于所述时段观测降水数据以及与所述时段观测降水数据对应的时段预测降水数据计算第一损失函数值,根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型。
第一获取单元801获取的训练数据中,时段观测降水数据为小时级的观测降水数据,观测降水数据为真实降水数据;本实施例中的降水数据可以为降水量。
第一获取单元801获取的训练数据中,时刻观测雷达回波数据为分钟级的观测雷达回波数据,观测雷达回波数据为真实雷达回波数据;本实施例中的雷达回波数据可以为雷达回波值,也可以为根据雷达回波值得到的雷达回波图像。
本实施例中,对应同一个时段观测降水数据的多个时刻观测雷达回波数据中,多个时刻观测雷达回波数据的时刻在时间上是连续的,且两个相邻的时刻观测雷达回波数据之间的时刻差为预设时间间隔;本实施例中的预设时间间隔可以为1分钟、2分钟、3分钟、4分钟、5分钟、6分钟、10分钟、15分钟、20分钟等可以被60分钟(即1小时)整除的值。
第一获取单元801还可以根据时刻观测降水数据所对应的时段值与预设时间间隔,确定与时段观测降水数据对应的时刻观测雷达回波数据的数量。
本实施例在由第一获取单元801获取包含多个时段观测降水数据以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据的训练数据之后,由构建单元802构建包含第一编码器、第二编码器与第一解码器的神经网络模型。
构建单元802构建的神经网络模型中,第一编码器用于根据所输入的时刻观测雷达回波数据,输出第一编码特征;第一编码器可以为基于卷积神经网络(ConvolutionalNeural Network,CNN)的编码器,其输出的第一编码特征用于反映雷达回波值或者雷达回波图像本身的特征。
构建单元802构建的神经网络模型中,第二编码器用于根据第一解码器输出的第一编码特征,输出第二编码特征;第二编码器可以为基于循环神经网络(Recurrent NeuralNetwork,RNN)的编码器,其输出的第二编码特征用于反映雷达回波值或者雷达回波图像的时空变化特征。
构建单元802构建的神经网络模型中,第一解码器用于根据第二编码器输出的第二编码特征,输出时刻预测降水数据;第一解码器输出的时刻预测降水数据的时刻,为输入第一编码器的时刻观测雷达回波数据的时刻的下一时刻,时刻预测降水数据的时刻与时刻观测雷达回波的时刻之间的时刻差为预设时间间隔。
构建单元802在构建包含第一编码器、第二编码器与第一解码器的神经网络模型时,还可以包含如下步骤:构建包含第一编码器、第二编码器、第一解码器与第二解码器的神经网络模型,第二解码器用于根据第二编码特征输出时刻预测雷达回波数据。
也就是说,构建单元802构建的神经网络模型中,除了包含第一编码器、第二编码器与第一解码器之外,还会包含第二解码器,使得神经网络模型中由第二编码器输出的第二编码特征能够分别输入第一解码器与第二解码器,进而在得到由第一解码器输出的时刻预测降水数据的同时,还得到由第二解码器输出的下一时刻的时刻预测雷达回波数据,使得训练得到的降水预测模型能够输出更为丰富的预测信息,提升了降水预测模型的预测性能。
构建单元802构建的神经网络模型中,第二解码器用于根据第二编码器输出的第二编码特征,输出时刻预测雷达回波数据;第二解码器输出的时刻预测雷达回波数据的时刻,为输入第一编码器的时刻观测雷达回波数据的时刻的下一时刻,时刻预测雷达回波数据的时刻与时刻观测雷达回波数据的时刻之间的时刻差为预设时间间隔。
本实施例在由构建单元802构建包含第一编码器、第二编码器与第一解码器的神经网络模型之后,由处理单元803基于神经网络模型以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据。
具体地,处理单元803在基于神经网络模型以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据时,可以采用的可选实现方式为:针对每个时段观测降水数据,将对应该时段观测降水数据的多个时刻观测雷达回波数据分别输入神经网络模型;根据神经网络模型针对所输入的每个时刻观测雷达回波数据输出的时刻预测降水数据,得到与该时段观测降水数据对应的时段预测降水数据;本实施例可以将多个时刻预测降水数据之间的相加结果,作为时段预测降水数据。
也就是说,处理单元803通过神经网络模型,基于每个时刻观测雷达回波数据得到下一时刻的时刻预测降水数据,进而根据得到的多个时刻预测降水数据得到时段预测降水数据,从而与时段观测降水数据进行损失函数值的计算,实现了基于时段级的观测降水数据来训练得到能够进行时刻级的降水预测的降水预测模型的目的。
可以理解的是,处理单元803可以基于神经网络模型,对与每个时段观测降水数据对应的多个时刻观测雷达回波数据进行处理,从而分别得到与每个时段观测降水数据对应的时段预测降水数据;其中,时段预测降水数据的数量与时段观测降水数据的数量一致。
若构建单元802构建的神经网络模型中包含第二解码器,则处理单元803基于神经网络模型以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据”时,还可以包含如下步骤:针对每个时段观测降水数据,根据与该时段观测降水数据对应的多个时刻观测雷达回波数据,获取多个观测时刻;确定多个观测时刻中的第一观测时刻与第二观测时刻;将与第一观测时刻对应的时刻观测雷达回波数据输入神经网络模型,将与第二观测时刻对应的时刻预测雷达回波数据输入神经网络模型;根据神经网络模型针对时刻观测雷达回波数据与时刻预测雷达回波数据输出的时刻预测降水数据,得到与该时段观测降水数据对应的时段预测降水数据。
也就是说,本实施例在构建的神经网络模型中包含第二解码器的情况下,处理单元803还可以结合第二解码器输出的时刻预测雷达回波数据,即将时刻观测雷达回波数据与时刻预测雷达回波数据进行同时使用,得到与时段观测降水数据对应的时段预测降水数据,由于在不同的观测时刻使用了不同类型的雷达回波数据,因此本实施例能够增加神经网络模型训练时的复杂性,进一步提升训练得到的降水预测模型的预测准确性。
处理单元803在确定多个观测时刻中的第一观测时刻与第二观测时刻时,可以按照预设选取规则,将从多个观测时刻中选取的时刻作为第一观测时刻,未被选取的时刻作为第二时刻。
其中,处理单元803所使用的预设选取规则可以为随机选取;预设选取规则还可以为将多个时刻观测雷达回波数据中,前N个时刻观测雷达回波数据对应的观测时刻作为第一观测时刻,其他时刻观测雷达回波数据对应的观测时刻作为第二观测时刻,N为大于等于1的正整数。
本实施例在由处理单元803得到与每个时段观测降水数据对应的时刻预测降水数据之后,由训练单元804基于时段观测降水数据以及与时段观测降水数据对应的时段预测降水数据计算第一损失函数值,根据第一损失函数值调整神经网络模型的参数,得到降水预测模型。
训练单元804在基于时段观测降水数据以及与时段观测降水数据对应的时段预测降水数据计算第一损失函数值时,可以将两者之间的差值作为第一损失函数值,也可以将两者之间差值的绝对值作为第一损失函数值,本实施例对第一损失函数值的计算方式不进行限定。
训练单元804在根据第一损失函数值调整神经网络模型的参数时,可以在确定所得到的第一损失函数值收敛时,停止调整神经网络模型的参数,从而得到降水预测模型。
训练单元804得到的降水预测模型,能够根据输入的雷达回波数据,输出下一时刻的降水预测数据,该降水预测数据的时刻与雷达回波数据的时刻之间的时刻差为预设时间间隔,从而实现了降水预测模型能够进行分钟级的降水预测的目的。
若构建单元802构建的神经网络模型中包含第二解码器,则训练单元804在根据第一损失函数值调整神经网络模型的参数,得到降水预测模型时,还可以包含如下步骤:根据对应同一个时刻的时刻观测雷达回波数据与时刻预测雷达回波数据,计算第二损失函数值;根据第二损失函数值与第一损失函数值调整神经网络模型的参数,得到降水预测模型。
也就是说,训练单元804通过时段观测降水数据与时段预测降水数据、以及时刻观测雷达回波数据与时刻预测雷达回波数据,这两类不同类型的数据得到的损失函数值,调整神经网络模型的参数,使得模型参数的调整会同时考虑降水数据与雷达回波数据,提升了神经网络模型在进行参数调整时的准确性,从而进一步提升训练得到的降水预测模型的预测准确性。
训练单元804在根据对应同一时刻的时刻观测雷达回波数据与时刻预测雷达回波数据计算第二损失函数值时,可以将对应同一时刻的时刻观测雷达回波数据与时刻预测雷达回波数据之间的差值或者差值的绝对值(在雷达回波数据为雷达回波值的情况下),作为第二损失函数值;也可以将对应同一时刻的时刻观测雷达回波数据与时刻预测雷达回波数据之间的相似度(在雷达回波数据为雷达回波图像的情况下),作为第二损失函数值;本实施例对第二损失函数值的计算方式不进行限定。
训练单元804在根据第一损失函数值与第二损失函数值调整神经网络模型的参数时,可以在确定所得到的第一损失函数值与第二损失函数值同时收敛时,停止调整神经网络模型的参数,从而得到降水预测模型。
图9是根据本公开第九实施例的示意图。如图9所示,本实施例的基于人工智能的降水预测装置900,包括:
第二获取单元901、用于获取待处理雷达回波数据;
预测单元902、用于将所述待处理雷达回波数据输入降水预测模型,根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果。
第二获取单元901在获取待处理雷达回波数据时,可以将对应当前时刻的雷达回波数据,作为待处理雷达回波数据;基于当前时刻的雷达回波数据,降水预测模型能够得到(当前时刻+预设时间间隔)的时刻对应的降水预测结果。
预测单元902得到的降水预测结果的时刻,与待处理雷达回波数据的时刻之间的时刻差为预设时间间隔。
预测单元902在将待处理雷达回波数据输入降水预测模型,根据降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果时,还可以包含以下内容:根据待处理雷达回波数据的时刻,获取与待处理雷达回波数据对应的历史雷达回波数据;将历史雷达回波数据与待处理雷达回波数据依次(按照时间先后的顺序)输入降水预测模型,将降水预测模型针对待处理雷达回波数据输出的时刻预测降水数据,作为降水预测结果。
也就是说,预测单元902还可以结合与待处理雷达回波数据对应的历史雷达回波数据,共同进行当前时刻的降水预测,由于历史雷达回波数据中包含雷达回波数据的时空变化信息,因此本实施例能够提升所得到的降水预测结果的准确性。
其中,预测单元902获取的历史雷达回波数据的时刻与待处理雷达回波数据的时刻之间的时刻差,为1个或者多个预设时间间隔。
预测单元902可以直接将降水预测模型输出的时刻预测降水数据作为降水预测结果。
另外,预测单元902在根据降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果时,还可以包含以下内容:获取降水预测模型针对待处理雷达回波数据输出的时刻预测雷达回波数据,作为当前时刻预测雷达回波数据;将当前时刻预测雷达回波数据输入降水预测模型,得到降水预测模型输出的时刻预测降水数据,并将降水预测模型输出的时刻预测雷达回波数据,作为当前时刻预测雷达回波数据;返回将当前时刻预测雷达回波数据输入降水预测模型的步骤,以此循环进行,根据降水预测模型输出的多个时刻预测降水数据得到降水预测结果。
也就是说,预测单元902还可以通过降水预测模型输出的时刻预测雷达回波数据进行连续地降水预测,每个时刻预测降水数据之间的时刻差为预设时间间隔,从而在能够得到分钟级的预测降水数据的同时,还能够提升所得到的降水预测结果的全面性。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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。
如图10所示,是根据本公开实施例的降水预测模型的训练或基于人工智能的降水预测方法的电子设备的框图。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/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的展示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如降水预测模型的训练或基于人工智能的降水预测方法。例如,在一些实施例中,降水预测模型的训练或基于人工智能的降水预测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1008。
在一些实施例中,计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的降水预测模型的训练或基于人工智能的降水预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行降水预测模型的训练或基于人工智能的降水预测方法。
此处描述的***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)、复杂可编程逻辑设备(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降水预测模型的训练或基于人工智能的降水预测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:用于向用户展示信息的展示装置(例如,CRT(阴极射线管)或者LCD(液晶展示器)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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
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 (19)
1.一种降水预测模型的训练方法,包括:
获取训练数据,所述训练数据中包含多个时段观测降水数据以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据;
构建包含第一编码器、第二编码器与第一解码器的神经网络模型,所述第一编码器用于根据时刻观测雷达回波数据输出第一编码特征,所述第二编码器用于根据所述第一编码特征输出第二编码特征,所述第一解码器用于根据所述第二编码特征输出时刻预测降水数据;
基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据;
基于所述时段观测降水数据以及与所述时段观测降水数据对应的时段预测降水数据计算第一损失函数值,根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型。
2.根据权利要求1所述的方法,其中,所述基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据包括:
针对每个时段观测降水数据,将对应该时段观测降水数据的多个时刻观测雷达回波数据分别输入所述神经网络模型;
根据所述神经网络模型针对每个时刻观测雷达回波数据输出的时刻预测降水数据,得到与该时段观测降水数据对应的时段预测降水数据。
3.根据权利要求1所述的方法,其中,所述构建包含第一编码器、第二编码器与第一解码器的神经网络模型包括:
构建包含所述第一编码器、所述第二编码器、所述第一解码器与第二解码器的所述神经网络模型,所述第二解码器用于根据所述第二编码特征输出时刻预测雷达回波数据。
4.根据权利要求3所述的方法,其中,所述基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据包括:
针对每个时段观测降水数据,根据与该时段观测降水数据对应的多个时刻观测雷达回波数据,获取多个观测时刻;
确定所述多个观测时刻中的第一观测时刻与第二观测时刻;
将与所述第一观测时刻对应的时刻观测雷达回波数据输入所述神经网络模型,将与所述第二观测时刻对应的时刻预测雷达回波数据输入所述神经网络模型;
根据所述神经网络模型针对所述时刻观测雷达回波数据与所述时刻预测雷达回波数据输出的时刻预测降水数据,得到与该时段观测降水数据对应的时段预测降水数据。
5.根据权利要求3-4中任一项所述的方法,其中,所述根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型包括:
根据对应同一个时刻的时刻观测雷达回波数据与时刻预测雷达回波数据,计算第二损失函数值;
根据所述第二损失函数值与所述第一损失函数值调整所述神经网络模型的参数,得到所述降水预测模型。
6.一种基于人工智能的降水预测方法,包括:
获取待处理雷达回波数据;
将所述待处理雷达回波数据输入降水预测模型,根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果;
其中,所述降水预测模型是根据权利要求1-5中任一项方法训练得到。
7.根据权利要求6所述的方法,其中,所述将所述待处理雷达回波数据输入降水预测模型,根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果包括:
根据所述待处理雷达回波数据的时刻,获取与所述待处理雷达回波数据对应的历史雷达回波数据;
将所述历史雷达回波数据与所述待处理雷达回波数据依次输入所述降水预测模型,根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到所述降水预测结果。
8.根据权利要求6-7中任一项所述的方法,其中,所述根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果包括:
获取所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测雷达回波数据,作为当前时刻预测雷达回波数据;
将所述当前时刻预测雷达回波数据输入所述降水预测模型,得到所述降水预测模型输出的时刻预测降水数据,并将所述降水预测模型输出的时刻预测雷达回波数据,作为所述当前时刻预测雷达回波数据;
返回将所述当前时刻预测雷达回波数据输入所述降水预测模型的步骤,以此循环进行,根据多个时刻预测降水数据得到所述降水预测结果。
9.一种降水预测模型的训练装置,包括:
第一获取单元,用于获取训练数据,所述训练数据中包含多个时段观测降水数据以及与每个时段观测降水数据对应的多个时刻观测雷达回波数据;
构建单元,用于构建包含第一编码器、第二编码器与第一解码器的神经网络模型,所述第一编码器用于根据时刻观测雷达回波数据输出第一编码特征,所述第二编码器用于根据所述第一编码特征输出第二编码特征,所述第一解码器用于根据所述第二编码特征输出时刻预测降水数据;
处理单元,用于基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据;
训练单元,用于基于所述时段观测降水数据以及与所述时段观测降水数据对应的时段预测降水数据计算第一损失函数值,根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型。
10.根据权利要求9所述的装置,其中,所述处理单元在基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据时,具体执行:
针对每个时段观测降水数据,将对应该时段观测降水数据的多个时刻观测雷达回波数据分别输入所述神经网络模型;
根据所述神经网络模型针对每个时刻观测雷达回波数据输出的时刻预测降水数据,得到与该时段观测降水数据对应的时段预测降水数据。
11.根据权利要求9所述的装置,其中,所述构建单元在构建包含第一编码器、第二编码器与第一解码器的神经网络模型时,具体执行:
构建包含所述第一编码器、所述第二编码器、所述第一解码器与第二解码器的所述神经网络模型,所述第二解码器用于根据所述第二编码特征输出时刻预测雷达回波数据。
12.根据权利要求11所述的装置,其中,所述处理单元在基于所述神经网络模型以及所述与每个时段观测降水数据对应的多个时刻观测雷达回波数据,得到与每个时段观测降水数据对应的时段预测降水数据时,具体执行:
针对每个时段观测降水数据,根据与该时段观测降水数据对应的多个时刻观测雷达回波数据,获取多个观测时刻;
确定所述多个观测时刻中的第一观测时刻与第二观测时刻;
将与所述第一观测时刻对应的时刻观测雷达回波数据输入所述神经网络模型,将与所述第二观测时刻对应的时刻预测雷达回波数据输入所述神经网络模型;
根据所述神经网络模型针对所述时刻观测雷达回波数据与所述时刻预测雷达回波数据输出的时刻预测降水数据,得到与该时段观测降水数据对应的时段预测降水数据。
13.根据权利要求11-12中任一项所述的装置,其中,所述训练单元在根据所述第一损失函数值调整所述神经网络模型的参数,得到降水预测模型时,具体执行:
根据对应同一个时刻的时刻观测雷达回波数据与时刻预测雷达回波数据,计算第二损失函数值;
根据所述第二损失函数值与所述第一损失函数值调整所述神经网络模型的参数,得到所述降水预测模型。
14.一种基于人工智能的降水预测装置,包括:
第二获取单元,用于获取待处理雷达回波数据;
预测单元,用于将所述待处理雷达回波数据输入降水预测模型,根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果;
其中,所述降水预测模型是根据权利要求9-13中任一项装置训练得到。
15.根据权利要求14所述的装置,其中,所述预测单元在将所述待处理雷达回波数据输入降水预测模型,根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果时,具体执行:
根据所述待处理雷达回波数据的时刻,获取与所述待处理雷达回波数据对应的历史雷达回波数据;
将所述历史雷达回波数据与所述待处理雷达回波数据依次输入所述降水预测模型,根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到所述降水预测结果。
16.根据权利要求14-15中任一项所述的装置,其中,所述预测单元在根据所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测降水数据,得到降水预测结果时,具体执行:
获取所述降水预测模型针对所述待处理雷达回波数据输出的时刻预测雷达回波数据,作为当前时刻预测雷达回波数据;
将所述当前时刻预测雷达回波数据输入所述降水预测模型,得到所述降水预测模型输出的时刻预测降水数据,并将所述降水预测模型输出的时刻预测雷达回波数据,作为所述当前时刻预测雷达回波数据;
返回将所述当前时刻预测雷达回波数据输入所述降水预测模型的步骤,以此循环进行,根据多个时刻预测降水数据得到所述降水预测结果。
17.一种电子设备,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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210882346.3A CN115390161B (zh) | 2022-07-26 | 2022-07-26 | 基于人工智能的降水预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210882346.3A CN115390161B (zh) | 2022-07-26 | 2022-07-26 | 基于人工智能的降水预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115390161A true CN115390161A (zh) | 2022-11-25 |
CN115390161B CN115390161B (zh) | 2023-11-24 |
Family
ID=84117177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210882346.3A Active CN115390161B (zh) | 2022-07-26 | 2022-07-26 | 基于人工智能的降水预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115390161B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500578A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市千百炼科技有限公司 | 基于神经网络模型的天气雷达数据处理方法 |
CN116610959A (zh) * | 2023-07-19 | 2023-08-18 | 湖北省气象服务中心(湖北省专业气象服务台) | 基于unet-gru深度学习检验播云作业效果的方法和装置 |
CN116755181A (zh) * | 2023-08-11 | 2023-09-15 | 深圳市昆特科技有限公司 | 降水预测方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1114760A (ja) * | 1997-04-30 | 1999-01-22 | Nippon Telegr & Teleph Corp <Ntt> | 気象画像予測方法、装置および気象画像予測プログラムを記録した記録媒体 |
CN110929543A (zh) * | 2018-08-30 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
KR102248974B1 (ko) * | 2020-06-23 | 2021-05-06 | 세종대학교산학협력단 | 인공지능 기반 레이더 강수 예측 방법 및 그 장치 |
CN112819199A (zh) * | 2020-12-31 | 2021-05-18 | 上海眼控科技股份有限公司 | 降水量的预测方法、装置、设备和存储介质 |
CN113240169A (zh) * | 2021-05-10 | 2021-08-10 | 东南大学 | 基于多模态数据和上下采样的gru网络的短临降水预测方法 |
CN113255972A (zh) * | 2021-05-10 | 2021-08-13 | 东南大学 | 基于Attention机制的短临降水预测方法 |
CN114365153A (zh) * | 2019-10-04 | 2022-04-15 | 国际商业机器公司 | 预测天气雷达图像 |
-
2022
- 2022-07-26 CN CN202210882346.3A patent/CN115390161B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1114760A (ja) * | 1997-04-30 | 1999-01-22 | Nippon Telegr & Teleph Corp <Ntt> | 気象画像予測方法、装置および気象画像予測プログラムを記録した記録媒体 |
CN110929543A (zh) * | 2018-08-30 | 2020-03-27 | 阿里巴巴集团控股有限公司 | 一种气象数据处理方法及装置 |
CN114365153A (zh) * | 2019-10-04 | 2022-04-15 | 国际商业机器公司 | 预测天气雷达图像 |
KR102248974B1 (ko) * | 2020-06-23 | 2021-05-06 | 세종대학교산학협력단 | 인공지능 기반 레이더 강수 예측 방법 및 그 장치 |
CN112819199A (zh) * | 2020-12-31 | 2021-05-18 | 上海眼控科技股份有限公司 | 降水量的预测方法、装置、设备和存储介质 |
CN113240169A (zh) * | 2021-05-10 | 2021-08-10 | 东南大学 | 基于多模态数据和上下采样的gru网络的短临降水预测方法 |
CN113255972A (zh) * | 2021-05-10 | 2021-08-13 | 东南大学 | 基于Attention机制的短临降水预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500578A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市千百炼科技有限公司 | 基于神经网络模型的天气雷达数据处理方法 |
CN116500578B (zh) * | 2023-06-29 | 2023-09-05 | 深圳市千百炼科技有限公司 | 基于神经网络模型的天气雷达数据处理方法 |
CN116610959A (zh) * | 2023-07-19 | 2023-08-18 | 湖北省气象服务中心(湖北省专业气象服务台) | 基于unet-gru深度学习检验播云作业效果的方法和装置 |
CN116610959B (zh) * | 2023-07-19 | 2023-09-15 | 湖北省气象服务中心(湖北省专业气象服务台) | 基于unet-gru深度学习检验播云作业效果的方法和装置 |
CN116755181A (zh) * | 2023-08-11 | 2023-09-15 | 深圳市昆特科技有限公司 | 降水预测方法及相关装置 |
CN116755181B (zh) * | 2023-08-11 | 2023-10-20 | 深圳市昆特科技有限公司 | 降水预测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115390161B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115390161B (zh) | 基于人工智能的降水预测方法及装置 | |
CN112036668A (zh) | 用水量预测方法、装置、电子设备以及计算机可读介质 | |
CN113657467B (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
CN112652165B (zh) | 模型训练及路况预测方法、装置、设备、介质及程序产品 | |
JP7446359B2 (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN112668773A (zh) | 一种入库流量的预测方法、装置及电子设备 | |
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 | |
CN113628311B (zh) | 图像渲染方法、图像渲染装置、电子设备以及存储介质 | |
CN115203340A (zh) | 一种伴随关系确定方法、装置、设备和存储介质 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN117332897A (zh) | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 | |
CN113723607A (zh) | 时空数据处理模型的训练方法、装置、设备及存储介质 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN114051057B (zh) | 云设备排队时长的确定方法、装置、电子设备和介质 | |
CN114095390B (zh) | 区域内对象流量的预测方法、装置、设备及存储介质 | |
CN113851226A (zh) | 传染病疫情预测方法、装置及电子设备 | |
CN113723585A (zh) | 人口预测方法、装置、电子设备和存储介质 | |
CN113361519A (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
CN114742263B (zh) | 负荷预测方法、装置、电子设备及存储介质 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
CN113838450B (zh) | 音频合成及相应的模型训练方法、装置、设备及存储介质 | |
CN114501026B (zh) | 视频编码方法、装置、设备及存储介质 | |
CN117094452B (zh) | 干旱状态预测方法、干旱状态预测模型的训练方法及设备 | |
CN114329243A (zh) | 迁移信息确定方法及装置 |
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 |