降水量的预测方法及装置制造方法及图纸

本发明专利技术实施例提供一种降水量的预测方法及装置，其中方法包括：获取目标区域内日粒度的历史降水量数据，所述日粒度的历史降水量数据的最后一个数据为预测时间前一天的降水量数据；对历史降水量数据进行归一化处理，获得归一化处理后的历史降水量数据；将所述归一化处理后的历史降水量数据输入至预先训练完成的神经网络模型中，获得预测时间的降水量数据。本发明专利技术实施例加强了对历史数据的感知能力，弥补了现有技术的不足，具有较强的泛化能力和较高的预报精度。

【技术实现步骤摘要】
降水量的预测方法及装置
本专利技术涉及气象预测方法，更具体地，涉及降水量的预测方法及装置。
技术介绍
洪涝和干旱等严重气象灾害一方面威胁了人民群众的人身和财产安全，另一方面也影响和制约了我国的经济社会发展。同时，准确的降水量预报也为水能发电、农林业灌溉等水利资源高效利用提供重要参考依据。因此，降水量预报的准确程度已成为影响国计民生的重要因素之一。提高降水量预报准确度越来越成为气象预报领域的十分重要的方向。然而，气象变化是一种物理形成过程异常复杂多变的自然现象，受到时间和空间因素的多重影响，仅影响降水的影响因子就达到上百个特征。目前，常用降水量统计预报方法有多元线性时滞回归方法、遗传因子分析方法、模糊处理分析方法等。以上方法均存在或多或少理论上的局限性。以多元线性时滞回归方法为例，该模型方法虽可建立多元影响特征，但线性模型的本质决定其无法较好拟合高维空间中的非线性曲面。因此已有方法预测准确度较低，泛化能力较差，应用效果有待提高。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的降水量的预测方法及装置。第一个方面，本专利技术实施例提供一种降水量的预测方法，包括：获取目标区域内日粒度的历史降水量数据，所述日粒度的历史降水量数据的最后一个数据为预测时间前一天的降水量数据；对历史降水量数据进行归一化处理，获得归一化处理后的历史降水量数据；将所述归一化处理后的历史降水量数据输入至预先训练完成的神经网络模型中，获得预测时间的降水量数据；其中，所述神经网络模型的训练方法包括：将归一化处理后的历史降水量数据按照时间先后顺序依次切分为训练集、测试集和验证集；构建LSTM-RNN结构的深度神经网络模型，根据所述训练集、测试集和验证集对所述深度神经网络模型进行训练、测试和验证。第二个方面，本专利技术实施例提供一种降水量的预测装置，包括：数据获取模块，用于获取目标区域内日粒度的历史降水量数据，所述日粒度的历史降水量数据的最后一个数据为预测时间前一天的降水量数据；归一化处理模块，用于对历史降水量数据进行归一化处理，获得归一化处理后的历史降水量数据；预测模块，用于将所述归一化处理后的历史降水量数据输入至预先训练完成的神经网络模型中，获得预测时间的降水量数据；其中，所述神经网络模型的训练方法包括：将归一化处理后的历史降水量数据按照时间先后顺序依次切分为训练集、测试集和验证集；构建LSTM-RNN结构的深度神经网络模型，根据所述训练集、测试集和验证集对所述深度神经网络模型进行训练、测试和验证第三方面，本专利技术实施例提供一种电子设备，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，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。本专利技术实施例提供的降水量的预测方法及装置，使用LSTM单元构建LSTM-RNN神经网络模型，通过获取目标区域内日粒度的历史降水量数据作为神经网络模型的训练样本，加强了对历史数据的感知能力，弥补了现有技术的不足，具有较强的泛化能力，具有较高的预报精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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为根据本专利技术实施例提供降水量的预测方法的流程示意图；图2为根据本专利技术实施例提供的降水量的预测装置的结构示意图；图3为根据本专利技术实施例提供的电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为了克服现有技术的上述问题，本专利技术实施例提供了一种降水量的预测方法，其专利技术构思为：使用LSTM单元构建LSTM-RNN神经网络模型，通过获取目标区域内日粒度的历史降水量数据作为神经网络模型的训练样本，加强了对历史数据的感知能力，弥补了现有技术的不足，具有较强的泛化能力，具有较高的预报精度。图1为根据本专利技术实施例提供的降水量的预测方法的流程示意图，如图所示，包括S101、获取目标区域内日粒度的历史降水量数据，日粒度的历史降水量数据的最后一个数据为预测时间前一天的降水量数据。本专利技术实施例获取的历史降水量数据是日粒度的，即获取的是历史上以天为单位的降水量。此外，本专利技术实施例获取的历史降水数据的最后一个数据是预测时间前一天的降水量，例如，预测目标区域2018年8月8号的降水量，获取的是2000年1月1日至2018年8月7号的降水量。在一些情况下，本专利技术实施例的预测窗口是可调节的，即可以预测多日，例如一周，甚至一个月的降水量，这种情况下获取的历史降水数据的最后一个数据同样是预测时间前一天的降水量，例如，预测目标区域2018年8月的降水量，获取的是2000年1月1日至2018年7月31号的降水量。S102、对历史降水量数据进行归一化处理，获得归一化处理后的历史降水量数据；通过对历史降水量进行归一化处理，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解。S103、将归一化处理后的历史降水量数据输入至预先训练完成的神经网络模型中，获得预测时间的降水量数据。其中，神经网络模型的训练方法包括：将归一化处理后的历史降水量数据按照时间先后顺序依次切分为训练集、测试集和验证集；构建LSTM-RNN结构的深度神经网络模型，根据训练集、测试集和验证集对深度神经网络模型进行训练、测试和验证。需要说明的是，本专利技术实施例的神经网络模型为LSTM-RNN结构，LSTM(LongShort-TermMemory，长短期记忆网络)，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。对于降水量预测来说，由于历史数据获取的越多，相当于预测日期的同期数据获取的越多，预测结果也会越准确，因此采用LSTM神经网络模型相比其他神经网络模型，更容易获得降水量的特征信息，进而预测出准确的结果。本专利技术实施例将历史降水量数据按照时间先后信息依次切分为训练集(trainset)、测试集(testset)和验证集(validationset)。其中，训练集用于建立模型，通过拟合寻找模型的初始参数，训练集建立一个模型，但是模型的效果仅体现了训练数据，但不一定适合同类的其他数据，所以建模前数据还分出验证集，通过让机器学习去优化调整模型的参数，在神经网络中，通常用验证集去寻找最优的网络深度(numberofhiddenlayers)，或者决定反向传播算法的停止点；在机器学习中，常用的交叉验证(CrossValidation)就是把训练数据集本身再细分成不同的验证数据集去训练模型。测试集用于评估模型的表现，并不会去调整优化模型。训练集、测试集和验证集的比例可以为50∶25∶25。在一个可选实施本文档来自技高网...

【技术保护点】
1.一种降水量的预测方法，其特征在于，包括：获取目标区域内日粒度的历史降水量数据，所述日粒度的历史降水量数据的最后一个数据为预测时间前一天的降水量数据；对历史降水量数据进行归一化处理，获得归一化处理后的历史降水量数据；将所述归一化处理后的历史降水量数据输入至预先训练完成的神经网络模型中，获得预测时间的降水量数据；其中，所述神经网络模型的训练方法包括：将所述归一化处理后的历史降水量数据按照时间先后顺序依次切分为训练集、测试集和验证集；构建LSTM‑RNN结构的深度神经网络模型，根据所述训练集、测试集和验证集对所述深度神经网络模型进行训练、测试和验证。

【技术特征摘要】
1.一种降水量的预测方法，其特征在于，包括：获取目标区域内日粒度的历史降水量数据，所述日粒度的历史降水量数据的最后一个数据为预测时间前一天的降水量数据；对历史降水量数据进行归一化处理，获得归一化处理后的历史降水量数据；将所述归一化处理后的历史降水量数据输入至预先训练完成的神经网络模型中，获得预测时间的降水量数据；其中，所述神经网络模型的训练方法包括：将所述归一化处理后的历史降水量数据按照时间先后顺序依次切分为训练集、测试集和验证集；构建LSTM-RNN结构的深度神经网络模型，根据所述训练集、测试集和验证集对所述深度神经网络模型进行训练、测试和验证。2.根据权利要求1所述的预测方法，其特征在于，所述深度神经网络模型包括输入层、隐藏层和输出层，所述隐藏层中各神经元为LSTM单元；其中，所述隐藏层的层数为6，每层隐藏层中LSTM单元的个数为650个；所述输入层和输出层的层数均为1。3.根据权利要求1或2所述的预测方法，其特征在于，在训练所述神经网络模型时，采用均值随机初始化方法初始化权值；采用误差反向传播算法更新权值；采用交叉熵准则计算误差。4.根据权利要求3所述的预测方法，其特征在于，所述LSTM神经元的连接方式采用45％的dropout处理；训练集的梯度下降方法采用mini-batch处理方式，mini-batch的次数设置为50，迭代次数epochs为1000；采用k折交叉验证法在验证集上优化深度神经网络模型超参数，k值设置为5；学习率设置为1。5.根据权利要求1所述的预测方法，其特征在于，所述对历史降水量数据进行归一化处理，之前还包括：对于所述历史降水量数据中的缺失数据，根据所述缺失数据的同期降水量数据的平均值进行补全，具...

【专利技术属性】
技术研发人员：陈亮，李林，
申请(专利权)人：北京市天元网络技术股份有限公司，
类型：发明
国别省市：北京,11