气象云图预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及人工智能领域，尤其是一种气象云图预测方法、装置、计算机设备和存储介质。所述方法包括：获取待预测区域对应的历史气象云图；对所述历史气象云图进行处理得到动态信息；从所述历史气象云图中选取目标云图，对所述目标云图进行处理得到内容信息；将所述动态信息和所述内容信息进行融合，并将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图；所述生成对抗网络是基于最小二乘的训练方式训练得到的。采用本方法能够提高预测准确性。

Forecast method, device, computer equipment and storage medium of meteorological nephogram

【技术实现步骤摘要】
气象云图预测方法、装置、计算机设备和存储介质
本专利技术涉及气象雷达
，特别是涉及一种气象云图预测方法、装置、计算机设备和存储介质。
技术介绍
气象雷达回波，是由雷达发射、经大气及其悬浮物散射而返回的被雷达天线所接收的电磁波。由这些电磁波转换的信号所对应的图像称为气象雷达回波图。分析气象雷达回波图，可及时发现台风、雷暴、暴雨、冰雹、龙卷风等灾害性天气的强度、位置及其移动变化情况。传统技术中，采用持续性预报法或交叉相关法预报雷暴体的演变和运动。持续性预报法中，假设所有气象雷达回波的大小和强度在预报期间内保持不变，且以固定速度平移；交叉相关法是选取连续两个时刻的气象雷达回波图，将图像区域划分为32×32像素的图像子集，采用交叉相关法计算两幅图像的最佳匹配区域，根据前后图像匹配区域的位置和时间间隔，确定出每个图像子集的移动矢量，根据图像移动矢量集，利用后向轨迹方法对图像作短时外推预测。但是，上述持续性预报法和交叉相关法，均存在风暴体识别的准确度低的情况，使得强天气临近预报的准确度降低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高预测准确性的气象云图预测方法、装置、计算机设备和存储介质。一种气象云图预测方法，所述方法包括：获取待预测区域对应的历史气象云图；对所述历史气象云图进行处理得到动态信息；从所述历史气象云图中选取目标云图，对所述目标云图进行处理得到内容信息；将所述动态信息和所述内容信息进行融合，并将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图；所述生成对抗网络是基于最小二乘的训练方式训练得到的。在其中一个实施例中，所述将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图之后，还包括：按照时间顺序对所述目标气象云图进行排序；按照排序顺序依次显示所述目标气象云图。在其中一个实施例中，所述将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图之后，还包括：获取所述目标气象云图的显示张数，并根据所述显示张数将待显示区域进行划分；将所述目标气象云图显示在划分后的所述待显示区域中。在其中一个实施例中，所述获取待预测区域对应的历史气象云图，包括：获取待预测区域在多个连续历史时刻的历史气象云图；或者获取待预测区域对应的预设时刻的一张历史气象云图。在其中一个实施例中，所述生成对抗网络的训练方法包括：获取训练气象云图；通过预测网络对所述训练气象云图进行预测得到预测气象云图，并获取所述训练气象云图对应的真实气象云图；根据所述预测气象云图和所述真实气象云图对初始鉴别器进行训练，使得所述初始鉴别器对应的第一损失函数的值最小；根据训练完成的初始鉴别器、所述预测气象云图以及所述真实气象云图对所述预测网络进行训练，使得所述预测网络对应的第二损失函数的值最小，所述第一损失函数和所述第二损失函数是根据所述预测气象云图以及所述真实气象云图的图像均方值误差以及最小二乘损失得到的；循环对所述初始鉴别器和所述预测网络进行训练，直至所述第一损失函数和第二损失函数的值均小于预设值时，得到生成对抗网络。在其中一个实施例中，所述对所述历史气象云图进行处理得到动态信息，包括：将所获取到的历史气象云图输入至多层卷积递归神经网络中，得到动态信息。在其中一个实施例中，所述从所述历史气象云图中选取目标云图，对所述目标云图进行处理得到内容信息，包括：从所述历史气象云图中确定目标云图；所述目标云图对应的时刻与当前时刻的时间间隔最小；将所述目标云图输入至内容提取卷积神经网络中，得到所述目标云图的内容信息。在其中一个实施例中，所述对所述历史气象云图进行处理得到动态信息之前，还包括：根据预设尺寸对所述历史气象云图进行尺寸变换。一种气象云图预测装置，所述装置包括：历史云图获取模块，用于获取待预测区域对应的历史气象云图；动态信息获取模块，用于对所述历史气象云图进行处理得到动态信息；内容信息获取模块，用于从所述历史气象云图中选取目标云图，对所述目标云图进行处理得到内容信息；预测模块，用于将所述动态信息和所述内容信息进行融合，并将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图；所述生成对抗网络是基于最小二乘的训练方式训练得到的。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述中任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述中任一项所述的方法的步骤。上述气象云图预测方法、装置、计算机设备和存储介质，其根据待测区域对应的历史气象云图得到动态信息和内容信息，这样将动态信息和内容信息进行融合，以根据融合后的信息进行预测，即将融合后的信息输入至生成对抗网络中，得到对应的目标气象云图，这样该生成对抗网络是采用最小二乘的训练方式训练得到的，增加生成对抗网络的训练稳定性，减弱生成对抗网络训练过程中存在梯度回传湮灭的问题，从而保证了生成对抗网络的准确性，进而保证了气象云图预测的结果的准确性。附图说明图1为一个实施例中气象云图预测方法的应用场景图；图2为一个实施例中气象云图预测方法的流程示意图；图3为一个实施例中目标气象云图的显示示意图；图4为另外一个实施例中目标气象云图的显示示意图；图5为一个实施例中生成对抗网络训练过程的示意图；图6为一个实施例中的气象云图预测方法的网络结构图；图7为另外一个实施例中的气象云图预测方法的网络结构图；图8为一个实施例中气象云图预测装置的结构框图；图9为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的气象云图预测方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。终端102可以向服务器104发送气象云图预测指令，从而服务器104可以根据该气象云图预测指令，获取到待预测区域对应的历史气象云图，并根据历史气象云图进行处理得到动态信息以及内容信息，例如从历史气象云图中选取目标云图，对目标云图进行处理得到内容信息，这样服务器104将动态信息和内容信息进行融合，并将融合后的信息输入至生成对抗网络中，得到待预测区域在目标时间的目标气象云图；生成对抗网络是基于最小二乘的训练方式训练得到的。上述气象云图预测方法增加生成对抗网络的训练稳定性，减弱生成对抗网络训练过程中存在梯度回传湮灭的问题，从而保证了生成对抗网络的准确性，进而保证了气象云图预测的结果的准确性。其本文档来自技高网...

【技术保护点】
1.一种气象云图预测方法，其特征在于，所述方法包括：/n获取待预测区域对应的历史气象云图；/n对所述历史气象云图进行处理得到动态信息；/n从所述历史气象云图中选取目标云图，对所述目标云图进行处理得到内容信息；/n将所述动态信息和所述内容信息进行融合，并将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图；所述生成对抗网络是基于最小二乘的训练方式训练得到的。/n

【技术特征摘要】
1.一种气象云图预测方法，其特征在于，所述方法包括：
获取待预测区域对应的历史气象云图；
对所述历史气象云图进行处理得到动态信息；
从所述历史气象云图中选取目标云图，对所述目标云图进行处理得到内容信息；
将所述动态信息和所述内容信息进行融合，并将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图；所述生成对抗网络是基于最小二乘的训练方式训练得到的。


2.根据权利要求1所述的方法，其特征在于，所述将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图之后，还包括：
按照时间顺序对所述目标气象云图进行排序；
按照排序顺序依次显示所述目标气象云图。


3.根据权利要求1所述的方法，其特征在于，所述将融合后的信息输入至生成对抗网络中，得到所述待预测区域在目标时间的目标气象云图之后，还包括：
获取所述目标气象云图的显示张数，并根据所述显示张数将待显示区域进行划分；
将所述目标气象云图显示在划分后的所述待显示区域中。


4.根据权利要求1至3任意一项所述的方法，其特征在于，所述获取待预测区域对应的历史气象云图，包括：
获取待预测区域在多个连续历史时刻的历史气象云图；或者获取待预测区域对应的预设时刻的一张历史气象云图。


5.根据权利要求4所述的方法，其特征在于，所述生成对抗网络的训练方法包括：
获取训练气象云图；
通过预测网络对所述训练气象云图进行预测得到预测气象云图，并获取所述训练气象云图对应的真实气象云图；
根据所述预测气象云图和所述真实气象云图对初始鉴别器进行训练，使得所述初始鉴别器对应的第一损失函数的值最小；
根据训练完成的初始鉴别器、所述预测气象云图以及所述真实气象云图对所述预测网络进行训练，使得所述预测网络对应的第二损失函数的值最小，所述第一损失函数和所述第二损失函数是根据所述预测...

【专利技术属性】
技术研发人员：周康明，孟云龙，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31