降水预测方法技术

本发明专利技术提供了一种降水预测方法，该方法以不同时间分辨率的降水数据构建不同时间分辨率的样本集，从而可以使得不同样本集中的样本具备不同时次，形成了多分辨率多时次多尺度的降水样本，这样得到的降水预测模型即使用不同时间分辨率的降水实测序列，都可以得到较好的降水预测序列。在训练得到具备这种优势的降水预测模型的基础上，可以进行降水预测，从而使得未来一段相对长的时间内的预测结果都是准确的。确的。确的。

【技术实现步骤摘要】
降水预测方法


[0001]本专利技术涉及数据分析领域，尤其涉及一种降水预测方法。

技术介绍

[0002]降水的临近预报一直是天气预报的难点问题，其对城市内涝、地质灾 害和交通运输有着至关重要的影响。相关技术进行降水临近预报的普遍问 题在于预报效果会随时间快速下降，且对于非系统性局地强降水的预报能 力存在不足。预报效果的准确度伴随时间的快速下降对于临近降水预报的 时效性提升产生了明显掣肘。

技术实现思路

[0003]为了解决上述技术问题，本专利技术提出了一种降水预测方法。本专利技术具 体是以如下技术方案实现的：
[0004]本申请实施例提供一种降水预测模型训练方法，包括：
[0005]获取降水历史数据，所述降水历史数据为目标时间区间内、目标空间 区域下具备基础时间分辨率的降水数据；
[0006]对所述降水历史数据进行多尺度数据组织，得到多组数据集，每一组 数据集对应的时间分辨率均为所述基础时间分辨率的倍数，并且不同组的 数据集对应不同的时间分辨率；
[0007]根据每一组数据集构建对应的样本集，所述样本集中的每个样本均为 目标数量个样本点形成的序列，相邻的样本点时次也相邻，所述时次根据 所述数据集对应的时间分辨率确定，所述序列中前M个样本点分别对应的 降水数据作为模型的预测参考信息，后N个样本点分别对应的降水数据作 为标签信息；M和N均为大于3的正整数，并且M和N的和等于所述目标 数量；
[0008]根据各样本集训练神经网络，得到降水预测模型。
[0009]在一示例性实施方式中，所述神经网络为全连接网络，所述根据各样 本集训练神经网络，得到降水预测模型，包括：
[0010]将所述各样本集中的各样本均输入所述神经网络，依次进行卷积处理 和降水预测处理，得到各样本分别对应的后N个样本点分别对应的降水预 测信息；
[0011]根据各样本集中的各样本中的标签信息和与所述标签信息对应的降水 预测信息之间的差异，调整所述全连接网络的参数，得到所述降水预测模 型。
[0012]在一示例性实施方式中，所述样本集的数量共为7个，所述基础时间 分辨率为0.5小时，7个样本集对应的时间分辨率分别为0.5小时、1 小时、2小时、3小时、4小时、5小时和6小时，
[0013]所述目标数量为12，M为6，N为6。
[0014]本申请实施例还提供一种降水预测方法，使用降水预测模型进行降水 预测，所述降水预测模型使用上述的所述降水预测模型训练方法训练得到。
[0015]在一示例性实施方式中，所述方法还包括：
[0016]基于当前时刻确定预测时刻序列，所述预测时刻序列包括至少三个预 测时刻；
[0017]根据所述至少三个预测时刻，确定至少两个参考序列，每个所述参考 序列包括等时间间隔的M个参考点，各参考点均表征所述当前时刻之间的 时刻的降水实测值，并且每个所述参考序列所对应的目标预测时刻满足下 述要求：所述目标预测时刻与所述参考序列的末位参考点所对应的时次间 隔不超过1个目标时次，所述目标时次根据所述参考序列中的各相邻参考 点的时间间隔确定；
[0018]将所述至少两个参考序列输入所述降水预测模型，得到预测降水序列， 所述预测降水序列表征各预测时刻对应的降水预测值。
[0019]在一示例性实施方式中，所述将所述至少两个参考序列输入所述降水 预测模型，得到预测降水序列，包括：
[0020]将所述至少两个参考序列输入所述降水预测模型，得到每个参考序列 对应的预测序列；
[0021]根据每个预测序列中与所述预测时刻重合的时间点所对应的预测值， 得到所述预测降水序列。
[0022]在一示例性实施方式中，所述预测时刻序列包括六个预测时刻；
[0023]所述根据所述至少三个预测时刻，确定至少两个参考序列，包括：
[0024]确定各预测时刻分别对应的参考序列，使得这六个预测时刻分别对应 的参考序列所对应的目标时次分别指向1小时、2小时、3小时、4小时、5 小时和6小时。
[0025]在一示例性实施方式中，所述根据每个预测序列中与所述预测时刻重 合的时间点所对应的预测值，得到所述预测降水序列，包括：
[0026]提取每个预测序列对应的预测序列中的第一个预测值，得到所述预测 降水序列。
[0027]本专利技术实施例提供了一种降水预测方法，首先以不同时间分辨率的降 水数据构建不同时间分辨率的样本集，从而可以使得不同样本集中的样本 具备不同时次，形成了多分辨率多时次多尺度的降水样本，基于多分辨率 多时次多尺度的降水样本训练神经网络所得到的降水预测模型具备一个显 著优势，即使用不同时间分辨率的降水实测序列，都可以得到较好的降水 预测序列，并且准确度并不会因为时间分辨率的不同产生明显差别。
[0028]在训练得到具备这种优势的降水预测模型的基础上，可以进行降水预 测，降水预测过程使用了具备不同时次不同时间分辨率的参考序列，从而 可以得到具备不同时次的预测结果，或者称为预测结果序列，选择预测结 果序列中开始的一个预测结果或两个预测结果，合并得到预测降水序列， 因为预测降水预测序列中每个元素都是对应的预测结果序列中开始部分的 值，都具备非常高的准确度，因此，并不存在“预报效果的准确度伴随时 间的快速下降”的弊端，这一思路本申请实施例称之为时间跳跃，也就是 通过时间跳跃的方式解决了预报效果的准确度伴随时间的快速下降的技术 问题，从而使得未来一段相对长的时间内的预测结果都是准确的，克服了 单一时间样本会出现越往后越不准确的情况。
附图说明
[0029]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简单地介绍，显而易见地， 下面描述中的附图仅仅是
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它附图。
[0030]图1是本专利技术实施例提供的一种降水预测模型训练方法流程图；
[0031]图2是本专利技术实施例提供的样本集的示意图；
[0032]图3是本专利技术实施例提供的一种降水预测方法流程图；
[0033]图4是本专利技术实施例提供的实施效果图一；
[0034]图5是本专利技术实施例提供的实施效果图二。
具体实施方式
[0035]为了使本
的人员更好地理解本专利技术方案，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，所描述的实施例仅仅是本专利技术一部分的实施例，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做出创造性劳动 前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0036]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第 一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或 先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种降水预测模型训练方法，其特征在于，包括：获取降水历史数据，所述降水历史数据为目标时间区间内、目标空间区域下具备基础时间分辨率的降水数据；对所述降水历史数据进行多尺度数据组织，得到多组数据集，每一组数据集对应的时间分辨率均为所述基础时间分辨率的倍数，并且不同组的数据集对应不同的时间分辨率；根据每一组数据集构建对应的样本集，所述样本集中的每个样本均为目标数量个样本点形成的序列，相邻的样本点时次也相邻，所述时次根据所述数据集对应的时间分辨率确定，所述序列中前M个样本点分别对应的降水数据作为模型的预测参考信息，后N个样本点分别对应的降水数据作为标签信息；M和N均为大于3的正整数，并且M和N的和等于所述目标数量；根据各样本集训练神经网络，得到降水预测模型。2.根据权利要求1所述的方法，其特征在于，所述神经网络为全连接网络，所述根据各样本集训练神经网络，得到降水预测模型，包括：将所述各样本集中的各样本均输入所述神经网络，依次进行卷积处理和降水预测处理，得到各样本分别对应的后N个样本点分别对应的降水预测信息；根据各样本集中的各样本中的标签信息和与所述标签信息对应的降水预测信息之间的差异，调整所述全连接网络的参数，得到所述降水预测模型。3.根据权利要求1或2所述的方法，其特征在于，所述样本集的数量共为7个，所述基础时间分辨率为0.5小时，7个样本集对应的时间分辨率分别为0.5小时、1小时、2小时、3小时、4小时、5小时和6小时，所述目标数量为12，M为6，N为6。4.一种降水预测方法，其特征在于，使用降水预测模型进行降水预测，所述降水预测模型使用权利要求1至3中任一项所述...

【专利技术属性】
技术研发人员：谭超，陈骥，朱红旭，陈训来，姚弘祎，许涧峰，姜先齐，
申请(专利权)人：中国气象局人工影响天气中心，
类型：发明
国别省市：