长期天气预测方法、装置、计算机设备及存储介质制造方法及图纸

本申请公开了一种长期天气预测方法、装置、计算机设备及存储介质。该方法包括获取历史气象数据，并对历史气象数据进行数据清洗得到历史训练集；历史训练集包括若干个具有时间序列的子训练集；将若干个具有时间序列的子训练集按批次对LSTM模型进行训练；训练的过程具体包括在当前批次子训练集X

【技术实现步骤摘要】
长期天气预测方法、装置、计算机设备及存储介质


[0001]本专利技术涉及天气信息服务领域，特别涉及一种长期天气预测方法、装置、计算机设备及存储介质。

技术介绍

[0002]及时准确的气象信息对生产生活有着巨大的指导作用，随着经济活动的发展，人们对气象信息的服务要求逐渐增高，长期天气预测成为一个大家关注的重点领域。
[0003]然而某地区的气象数据是一类典型的高纬度时间序列数据，具有非线形，非平稳等特征，现有的时间序列模型对天气模型描述不够充分，预测效果不够准确，并且计算效率也较低。
[0004]使用深度学习方法处理天气序列问题，能一定程度上提高天气预测的准确率和计算效率。

技术实现思路

[0005]基于此，本申请实施例提供了一种长期天气预测方法、装置、计算机设备及存储介质，可以提高天气预测的准确率和计算效率。
[0006]第一方面，提供了一种长期天气预测方法，该方法包括：
[0007]获取历史气象数据，并对所述历史气象数据进行数据清洗得到历史训练集；所述历史训练集包括若干个具有时间序列的子训练集，每个所述子训练集具有相同的时间周期；
[0008]将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练；其中，在当前批次子训练集X
n
对所述LSTM模型进行训练结束后，得到的输出向量Y
n
，将所述输出向量Y
n
用于下一批次的训练；所述输出向量用于表征天气预测结果；
[0009]根据训练完成后的LSTM模型得到天气预测结果。
[0010]在其中一个实施例中，将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练之后，所述方法还包括：
[0011]获取增量气象数据，并对所述增量气象数据进行数据清洗得到增量训练集；
[0012]利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型；
[0013]根据增量训练后的LSTM模型得到天气预测结果。
[0014]在其中一个实施例中，利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型，包括：
[0015]利用LwF算法将增量训练后的LSTM模型对增量训练前的模型进行覆盖。
[0016]在其中一个实施例中，通过LSTM模型的遗忘门对所述历史训练集进行数据压缩。
[0017]在其中一个实施例中，所述LSTM模型包括一个顺序RNN的神经网络，并在顺序RNN的基础上添加门控单元。
[0018]在其中一个实施例中，所述门控单元包括遗忘门，其中遗忘门使用Sigmoid作为激
活函数。
[0019]在其中一个实施例中，将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练，包括：
[0020]通过反向传播算法更新所述LSTM模型中的各层参数。
[0021]第二方面，提供了一种长期天气预测装置，该装置包括：
[0022]获取模块，用于获取历史气象数据，并对所述历史气象数据进行数据清洗得到历史训练集；所述历史训练集包括若干个具有时间序列的子训练集，每个所述子训练集具有相同的时间周期；
[0023]训练模块，用于将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练；其中，在当前批次子训练集X
n
对所述LSTM模型进行训练结束后，得到的输出向量Y
n
，将所述输出向量Y
n
用于下一批次的训练；所述输出向量用于表征天气预测结果；
[0024]预测模块，用于根据训练完成后的LSTM模型得到天气预测结果。
[0025]第三方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面任一所述的长期天气预测方法。
[0026]第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一所述的长期天气预测方法。
[0027]本申请实施例提供的技术方案通过获取历史气象数据，并对历史气象数据进行数据清洗得到历史训练集；历史训练集包括若干个具有时间序列的子训练集；将若干个具有时间序列的子训练集按批次对LSTM模型进行训练；训练的过程具体包括在当前批次子训练集X
n
对LSTM模型进行训练结束后，得到的输出向量Y
n
，将输出向量Y
n
用于下一批次的训练；输出向量用于表征天气预测结果，根据训练完成后的LSTM模型得到天气预测结果。同时不断获取增量气象数据集进行增量训练经过训练可以得到增量学习后的模型，提高了时间和空间的利用率。相比于现有技术本申请可以提高天气预测的准确率和计算效率。
附图说明
[0028]图1为本申请实施例提供的长期天气预测方法实施环境示意图；
[0029]图2为本申请实施例提供的长期天气预测方法的流程图；
[0030]图3为本申请实施例提供另一种的长期天气预测方法的流程图；
[0031]图4为本申请实施例提供的一种长期天气预测装置的框图；
[0032]图5为本申请实施例提供的一种计算机设备的示意图。
具体实施方式
[0033]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0034]下面，将对本申请实施例提供的全息报文检测方法所涉及到的实施环境进行说明。
[0035]图1为本申请实施例提供的长期天气预测方法所涉及到的实施环境的示意图。如图1所示，该实施环境可以包括气象数据提供设备101和服务器102，其中，服务器102中存储有LSTM模型，该模型用于对气象数据进行数据清洗得到的训练集进行训练，并输出用于表
征天气预测结果的输出向量。气象数据提供设备101可以是各个地区的气象数据提供平台，且各个气象信息提供平台可以获取小时级别的气象数据。气象数据提供设备101通过网络通信将检测到的气象数据发送给服务器102。
[0036]请参考图2，其示出了本申请实施例提供的一种长期天气预测方法的流程图，该长期天气预测方法可以应用于图1中的服务器102中。如图2所示，该长期天气预测方法可以包括以下步骤：
[0037]步骤201，获取历史气象数据，并对历史气象数据进行数据清洗得到历史训练集。
[0038]在本申请实施例中，获取历史气象数据可以包括从各个地区的气象数据提供平台中获取历史气象数据，也可以包括人工终端直接向服务器输入历史气象数据，并对历史气象数据进行数据清洗得到历史训练集包括将获取到的历史气象数据按照所需要的维度进行数据清洗，再把清洗后符合格式标准的数据存储至服务器。
[0039]其中，获取到的气象数据如表1所示：
[0040]表1气象数据表
[0041][0042]对获取到的如实施观测时间、温度等等气象数据进行数据清洗，得到历史训练集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种长期天气预测方法，其特征在于，所述方法包括：获取历史气象数据，并对所述历史气象数据进行数据清洗得到历史训练集；所述历史训练集包括若干个具有时间序列的子训练集，每个所述子训练集具有相同的时间周期；将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练；其中，在当前批次子训练集X
n
对所述LSTM模型进行训练结束后，得到的输出向量Y
n
，将所述输出向量Y
n
用于下一批次的训练；所述输出向量用于表征天气预测结果；根据训练完成后的LSTM模型得到天气预测结果。2.根据权利要求1所述的方法，其特征在于，将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练之后，所述方法还包括：获取增量气象数据，并对所述增量气象数据进行数据清洗得到增量训练集；利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型；根据增量训练后的LSTM模型得到天气预测结果。3.根据权利要求2所述的方法，其特征在于，利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型，包括：利用LwF算法将增量训练后的LSTM模型对增量训练前的模型进行覆盖。4.根据权利要求1所述的方法，其特征在于，通过LSTM模型的遗忘门对所述历史训练集进行数据压缩。5.根据权利要求1所述的方法，其特征在于，所述LSTM模型包括一个顺序R...

【专利技术属性】
技术研发人员：王宗伟，
申请(专利权)人：北京琥珀创想科技有限公司，
类型：发明
国别省市：