一种基于Unet和DCN_LSTM的降水预测方法技术

本发明专利技术公开了一种基于Unet和DCN_LSTM的降水预测方法，涉及天气预报技术领域，可以减少训练时间，提升了降水预测的时效性，将两种模型有效结合，提升降水预测的精准度，同时能够有效捕获时空相关性，使用可形变卷积学习输入对隐藏状态和记忆细胞的偏置量，可以通过输入来调整卷积核的位置，使得卷积核位置不再是固定的，能对降水区域特征有效提取，使用了贝叶斯算法，能够解决手动调参的繁琐，通过贝叶斯算法可以学习到最佳的超参数组合，通过多项指标评价，使用Unet和DCN_LSTM混合模型比使用单一模型预测精准度更高，效果更好。效果更好。效果更好。

【技术实现步骤摘要】
一种基于Unet和DCN_LSTM的降水预测方法


[0001]本专利技术涉及天气预报
，特别是涉及一种基于Unet和DCN_LSTM的降水预测方法。

技术介绍

[0002]暴雨事件会影响到人们的正常生活，造成重大的生命损失和财产损失，因此，准确的降水预测对人们生活和出行起到至关重要的作用，降水的提前预测可以向公众、减少灾害风险的机构、政府部门以及基础设施的管理人员提供早期警报，在暴雨预警发布后，上述相关人员、机构以及部门按照预定的标准操作程序来采取对应行动，以拯救生命和保护财产，所以降水预测对航空服务、公共安全以及人民的各个领域都有着巨大的影响，降水预测一直是一个重大问题，准确的预测降雨不仅对人们出行和对社会都至关重要，同时也可以避免暴雨和泥石流等重大灾害的出现。
[0003]降水预测的传统方法主要是基于数值预报模式（NWP),是指通过大气实况，采取超大型计算机作为数值计算工具，通过流体力学和热力学方程组，预测出未来一段时间的运动状态和天气状况，这种方法计算量超大，计算复杂，耗费时间长，对短时间降水预测显得无能为力。
[0004]现有的深度学习降水预测方法很多，但是都采取单一模型，没有将两个模型结合，单独使用Unet作为降水预测，可以提取的时间相关性太少，且不适合长时间预测，比如一小时预测，单独使用LSTM模型预测，计算量比较复杂，训练时间较长，而且模型参数量大，耗费计算机显存；因此，提出了一种基于Unet和DCN_LSTM的降水预测方法，与现有方法相比，能过有效提取时间空间相关性，由于特征图变小，可以更好的提取降水的全局特征，同时模型参数变小，训练时间变短，能够提升降水预测的精准度。

技术实现思路

[0005]为了解决以上技术问题，本专利技术提供一种基于Unet和DCN_LSTM的降水预测方法，包括以下步骤S1、获取气象雷达数据，并对气象雷达数据预处理；S2、构建Unet和DCN_LSTM混合模型；S3、对Unet和DCN_LSTM混合模型加入贝叶斯算法，进行超参数优化，寻找最优参数组合；S4、对Unet和DCN_LSTM混合模型进行测试；S5、对测试集预测的结果，通过像素值转换成雷达反射率，再根据雷达反射率与降雨量的关系求得降雨量。
[0006]本专利技术进一步限定的技术方案是：进一步的，步骤S1中，对气象雷达数据预处理的方法，包括以下步骤S1.1、对数据异常值和重复值进行剔除，并对数据的缺失值进行双线性插值；
S1.2、对数据集进行筛选，保证每个回波序列有20％的降水覆盖率；S1.3、对数据进行归一化处理，具体公式如下，其中，X
*
表示归一化的雷达回波强度值，X
max
表示雷达回波强度最大值，X
min
表示雷达回波强度最小值，X表示雷达回波强度值；S1.4、采用8:2的比例对数据集进行划分，即80%为训练集，20%为测试集。
[0007]前所述的一种基于Unet和DCN_LSTM的降水预测方法，步骤S2中，构建Unet和DCN_LSTM混合模型的方法，包括以下步骤S2.1、混合模型编码器部分，将训练集数据输入到模型中，经过两个3
×
3卷积层，再通过最大池化层，特征图变为原来大小的一半，再经过两个3
×
3卷积层，通道数加倍；S2.2、混合模型中间采用DCN_LSTM，用于提取雷达回波序列的时间特征和空间特征，DCN_LSTM由多个DCN_LSTM循环单元组成，用于将编码器输出的特征图进行分解，依次输入到DCN_LSTM循环单元中进行训练；S2.3、混合模型解码器部分，经过DCN_LSTM输出的雷达回波序列按通道进行拼接，然后经过两个3
×
3卷积层，再经过上采样，和编码器输出的的特征图跳过连接，再经过两个3
×
3卷积层和一个1
×
1卷积层，最后输出预测的雷达回波序列。
[0008]前所述的一种基于Unet和DCN_LSTM的降水预测方法，步骤S2.2中，DCN_LSTM利用可行变卷积学习输入X对隐藏状态H和记忆细胞C的偏移量，从而更新隐藏状态H和记忆细胞C，在输入图片上滑动，可行变卷积把得到的特征图作为输入，对特征图再施加一个卷积层，从而得到可行变卷积的变形偏移量，偏移层为2N,在平面上进行平移，需要改变x和y两个方向；可行变卷积的具体公式如下，其中，R表示一个3
×
3的卷积核，(
‑
1,
‑
1),(
‑
1,0),(0,1),(1,1)表示卷积核里的点，且坐标为整数；其中，表示可行变卷积得到的特征矩阵，表示在大小为3
×
3的卷积核内经过神经网络学习得到的每个点的学习量，表示中心点，即（0,0）点，表示定义在R范围内的点，相比标准卷积可行变卷积多了通过卷积学习到的一个偏移矩阵。
[0009]前所述的一种基于Unet和DCN_LSTM的降水预测方法，DCN_LSTM模型包括若干个DCN_LSTM循环单元，通过门控机制对特征信息进行筛选和传递，保留了convLSTM的遗忘门、输入门、调制门、输出门、时间记忆细胞以及隐藏状态，分别为f
t、
i
t、
g
t、
o
t、
C
t
以及H
t
；还包括
空间细胞M
t
，用于在不同层之间垂直地提取和传递空间结构特征，同时加入可行变卷积来学习输入X对隐藏状态H和记忆细胞C的偏移量，具体公式如下，其中，DCN表示可行变卷积网络，X
t
表示输入的图片，下坐标t表示输入的时刻，和分别表示隐藏状态和记忆细胞，下坐标t
‑
1表示上一个时刻，上坐标1表示第一层，和分别表示更新后得到的新的隐藏状态和记忆细胞。
[0010]前所述的一种基于Unet和DCN_LSTM的降水预测方法，DCN_LSTM模型中，用于更新记忆细胞的输入门、更新门以及遗忘门，公式如下，其中，i
t
表示更新记忆细胞的输入门；σ表示激活函数sigmoid；W
xi
表示对输入X，输入门i训练的参数矩阵；W
hi
表示对隐藏状态H，输入门i训练的参数矩阵；X
t
表示t时刻的输入；表示t
‑
1时刻，第l层的隐藏状态；b
i
表示对输入门i的偏置；g
t
表示更新记忆细胞的更新门；tanh表示激活函数tanh；W
xg
表示对输入X，更新门g训练的参数矩阵；W
hg
表示对隐藏状态H，更新门g训练的参数矩阵；b
g
表示对更新门g的偏置；f
t
表示更新记忆细胞的遗忘门；W
xf
表示对输入X，遗忘门f训练的参数矩阵；W
hf
表示对隐藏状态H，遗忘门f训练的参数矩阵；b
f
表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Unet和DCN_LSTM的降水预测方法，其特征在于：包括以下步骤S1、获取气象雷达数据，并对气象雷达数据预处理；S2、构建Unet和DCN_LSTM混合模型；S3、对Unet和DCN_LSTM混合模型加入贝叶斯算法，进行超参数优化，寻找最优参数组合；S4、对Unet和DCN_LSTM混合模型进行测试；S5、对测试集预测的结果，通过像素值转换成雷达反射率，再根据雷达反射率与降雨量的关系求得降雨量。2.根据权利要求1所述的一种基于Unet和DCN_LSTM的降水预测方法，其特征在于：所述步骤S1中，对气象雷达数据预处理的方法，包括以下步骤S1.1、对数据异常值和重复值进行剔除，并对数据的缺失值进行双线性插值；S1.2、对数据集进行筛选，保证每个回波序列有20％的降水覆盖率；S1.3、对数据进行归一化处理，具体公式如下，其中，X
*
表示归一化的雷达回波强度值，X
max
表示雷达回波强度最大值，X
min
表示雷达回波强度最小值，X表示雷达回波强度值；S1.4、采用8:2的比例对数据集进行划分，即80%为训练集，20%为测试集。3.根据权利要求1所述的一种基于Unet和DCN_LSTM的降水预测方法，其特征在于：所述步骤S2中，构建Unet和DCN_LSTM混合模型的方法，包括以下步骤S2.1、混合模型编码器部分，将训练集数据输入到模型中，经过两个3
×
3卷积层，再通过最大池化层，特征图变为原来大小的一半，再经过两个3
×
3卷积层，通道数加倍；S2.2、混合模型中间采用DCN_LSTM，用于提取雷达回波序列的时间特征和空间特征，DCN_LSTM由多个DCN_LSTM循环单元组成，用于将编码器输出的特征图进行分解，依次输入到DCN_LSTM循环单元中进行训练；S2.3、混合模型解码器部分，经过DCN_LSTM输出的雷达回波序列按通道进行拼接，然后经过两个3
×
3卷积层，再经过上采样，和编码器输出的的特征图跳过连接，再经过两个3
×
3卷积层和一个1
×
1卷积层，最后输出预测的雷达回波序列。4.根据权利要求3所述的一种基于Unet和DCN_LSTM的降水预测方法，其特征在于：所述步骤S2.2中，DCN_LSTM利用可行变卷积学习输入X对隐藏状态H和记忆细胞C的偏移量，从而更新隐藏状态H和记忆细胞C，在输入图片上滑动，可行变卷积把得到的特征图作为输入，对特征图再施加一个卷积层，从而得到可行变卷积的变形偏移量，偏移层为2N,在平面上进行平移，需要改变x和y两个方向；可行变卷积的具体公式如下，其中，R表示一个3
×
3的卷积核，(
‑
1,
‑
1),(
‑
1,0),(0,1),(1,1)表示卷积核里的点，且坐标为整数；
其中，表示可行变卷积得到的特征矩阵，表示在大小为3
×
3的卷积核内经过神经网络学习得到的每个点的学习量，表示中心点，即（0,0）点，表示定义在R范围内的点，相比标准卷积可行变卷积多了通过卷积学习到的一个偏移矩阵。5.根据权利要求4所述的一种基于Unet和DCN_LSTM的降水预测方法，其特征在于：所述DCN_LSTM模型包括若干个DCN_LSTM循环单元，通过门控机制对特征信息进行筛选和传递，保留了convLSTM的遗忘门、输入门、调制门、输出门、时间记忆细胞以及隐藏状态，分别为f
t、
i
t、
g
t、
o
t、
C
t
以及H
t
；还包括空间细胞M
t
，用于在不同层之间垂直地提取和传递空间结构特征，同时加入可行变卷积来学习输入X对隐藏状态H和记忆细胞C的偏移量，具体公式如下，其中，DCN表示可行变卷积网络，X
t
表示输入的图片，下坐标t表示输入的时刻，和分别表示隐藏状态和记忆细胞，下坐标t
‑
1表示上一个时刻，上坐标1表示第一层，和分别表示更新后得到的新的隐藏状态和记忆细胞。6.根据权利要求4所述的一种基于Unet和DCN_LSTM的降水预测方法，其特征在于：所述DCN_LSTM模型中，用于更新记忆细胞的输入门、更新门以及遗忘门，公式如下，其中，i
t
表示更新记忆细胞的输入门；σ表示激活函数sigmoid；W
xi
表示对输入X，输入门i训练的参数矩阵；W
hi
表示对隐藏状态H，输入门i训练的参数矩阵；X
t
表示t时刻的输入；表示t
‑
1时刻，第l层的隐藏状态；b
i
表示对输入门i的偏置；g
t
表示更新记忆细胞的更新门；tanh表示激活函数tanh；W
xg
表示对输入X，更新门g训练的参数矩阵；W
hg
表示对隐藏状态H，更新门g训练的参数矩阵；b
g
表示对更新门g的偏置；f
t
表示更新记忆细胞的遗忘门；W
xf
表示对输入X，遗忘门f训练的参数矩阵；W
hf...

【专利技术属性】
技术研发人员：秦华旺，包顺，戴跃伟，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：