一种气象预测方法、装置、存储介质及电子设备制造方法及图纸

本申请提出一种气象预测方法、装置、存储介质及电子设备，包括：获取初始数据集，其中，初始数据集包括在待预测时间点前D个时间维度下的气象特征集合，气象特征集合包括各个目标区域所对应的气象特征；基于量子卷积层和气象特征集合获取每一个时间维度对应的量子卷积特征图；将前D个时间维度对应的量子卷积特征图输入预训练的预测神经网络，输出在待预测时间点是各个目标区域对应的气象预测特征。用量子卷积替换经典LSTM中的经典神经网络中计算复杂度高的部分，实现网络计算的部分加速，从而提高特征提取和数据处理的效率，进而提升气象预测的效率。象预测的效率。象预测的效率。

【技术实现步骤摘要】
一种气象预测方法、装置、存储介质及电子设备


[0001]本申请涉及量子领域，具体而言，涉及一种气象预测方法、装置、存储介质及电子设备。

技术介绍

[0002]气象预测具有重要意义，因为它影响到农业、运输和国际商务等基础领域的日常活动。预测降水率、洪水发生的风险或飓风发生的可能性，就有可能拯救人类的生命和拯救人类的现有资源。
[0003]传统的天气预报方法依赖于先验，如大气的热力学特性、数据的统计分布，或包含具有不同初始条件的多个模型的集成学习。这类模型属于数值天气预报(NWP)方法，通常依赖于超级计算机的处理能力。数值模型变得越来越复杂，它们对高计算能力的需求日益增加。从这些模型中获得结果可能需要数小时的等待，这限制了它们提供可操作预测的能力。
[0004]因此，如何完成气象快速实时精准预测，成为了本领域技术人员所关注的难题。

技术实现思路

[0005]本申请的目的在于提供一种气象预测方法、装置、存储介质及电子设备，以至少部分改善上述问题。
[0006]为了实现上述目的，本申请实施例采用的技术方案如下：
[0007]第一方面，本申请实施例提供一种气象预测方法，所述方法包括：
[0008]获取初始数据集，其中，所述初始数据集包括在待预测时间点前D个时间维度下的气象特征集合，所述气象特征集合包括各个目标区域所对应的气象特征；
[0009]基于量子卷积层和所述气象特征集合获取每一个时间维度对应的量子卷积特征图；
[0010]将前D个时间维度对应的量子卷积特征图输入预训练的预测神经网络，输出在所述待预测时间点是各个目标区域对应的气象预测特征。
[0011]第二方面，本申请实施例提供一种气象预测装置，所述装置包括：
[0012]信息获取单元，用于获取初始数据集，其中，所述初始数据集包括在待预测时间点前D个时间维度下的气象特征集合，所述气象特征集合包括各个目标区域所对应的气象特征；
[0013]处理单元，用于基于量子卷积层和所述气象特征集合获取每一个时间维度对应的量子卷积特征图；
[0014]所述处理单元还用于将前D个时间维度对应的量子卷积特征图输入预训练的预测神经网络，输出在所述待预测时间点是各个目标区域对应的气象预测特征。
[0015]第三方面，本申请实施例提供一种存储介质，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上述的方法。
[0016]第四方面，本申请实施例提供一种电子设备，所述电子设备包括：处理器和存储
器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现上述的方法。
[0017]相对于现有技术，本申请实施例所提供的一种气象预测方法、装置、存储介质及电子设备，包括：获取初始数据集，其中，初始数据集包括在待预测时间点前D个时间维度下的气象特征集合，气象特征集合包括各个目标区域所对应的气象特征；基于量子卷积层和气象特征集合获取每一个时间维度对应的量子卷积特征图；将前D个时间维度对应的量子卷积特征图输入预训练的预测神经网络，输出在待预测时间点是各个目标区域对应的气象预测特征。用量子卷积替换经典LSTM中的经典神经网络中计算复杂度高的部分，实现网络计算的部分加速，从而提高特征提取和数据处理的效率，进而提升气象预测的效率。
[0018]为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0019]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0020]图1为本申请实施例提供的电子设备的结构示意图；
[0021]图2为本申请实施例提供的气象预测方法的流程示意图；
[0022]图3为本申请实施例提供的一种气象特征集合的网格示意图；
[0023]图4为本申请实施例提供的S103的子步骤示意图；
[0024]图5为本申请实施例提供的量子卷积层的结构示意图之一；
[0025]图6为本申请实施例提供的量子卷积层的结构示意图之二；
[0026]图7为本申请实施例提供的S103
‑
2的子步骤示意图；
[0027]图8为本申请实施例提供的气象预测方法的流程示意图之一；
[0028]图9为本申请实施例提供的预测神经网络的结构示意图；
[0029]图10为本申请实施例提供的气象预测装置的单元示意图。
[0030]图中：102
‑
处理器；104
‑
存储器；106
‑
传输装置；108
‑
输入输出设备；201
‑
信息获取单元；202
‑
处理单元。
具体实施方式
[0031]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0032]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0033]与数值天气预测(NWP)的物理模型相比，深度学习模型可以在接收数据的几分钟内提供结果，利用以年数计数聚合的大数据，并使用成本更低的模型做出准确的预测。针对气象数据复杂度高、实时环境变化不确定性高和短时气象预测难度大的问题，开展面向复杂实时的量子气象预测技术研究，以解决气象快速实时精准预测的问题，借助量子计算的并行计算优势，对机器学习模型进行加速计算，提高气象预测的效率。
[0034]本申请提出基于混合量子经典的ConvLSTM模型，借于量子计算的并行性，可以解决在大规模数据集上的时空序列预测问题。混合量子经典的ConvLSTM模型中，用量子卷积替换经典LSTM中的经典神经网络中计算复杂度高的部分，实现网络计算的部分加速，从而提高特征提取和数据处理的效率。采用混合量子经典的ConvLSTM算法，能够有效的减少模型的参数量，降低计算的复杂度，加快计算速度。采用混合量子经典的ConvLSTM模型，首先对输入的气象数据序列进行处理，经过量子线路将数据转换成量子态，通过量子并行计算加快气象数据的处理速度，使用量子卷积提取时空序列数据间的内在特征联系。对于整体混合量子经典的ConvLSTM模型架构而言，不同的门处理操作，建立或学习到合适的时空序列的依赖关系。然后，经过参数位移法的量子优化操作，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气象预测方法，其特征在于，所述方法包括：获取初始数据集，其中，所述初始数据集包括在待预测时间点前D个时间维度下的气象特征集合，所述气象特征集合包括各个目标区域所对应的气象特征；基于量子卷积层和所述气象特征集合获取每一个时间维度对应的量子卷积特征图；将前D个时间维度对应的量子卷积特征图输入预训练的预测神经网络，输出在所述待预测时间点是各个目标区域对应的气象预测特征。2.如权利要求1所述的气象预测方法，其特征在于，所述基于量子卷积层和所述气象特征集合获取每一个时间维度对应的量子卷积特征图的步骤，包括：按照预设规则从所述气象特征集合中确定卷积对象组合，其中，所述卷积对象组合包括n个目标区域的气象特征；基于所述量子卷积层分别对每一个卷积对象组合中的n个气象特征进行处理，获取对应的输出量子态；基于卷积对象组合对应的输出量子态确定时间维度对应的量子卷积特征图。3.如权利要求2所述的气象预测方法，其特征在于，所述量子卷积层包括量子态编码单元和变分量子单元，所述量子态编码单元和所述变分量子单元依次排列；所述量子态编码单元用于将所述卷积对象组合中的n个气象特征编码到对应的量子态上；所述变分量子单元，用于关联量子比特的量子态信息，并提取量子态信息携带的气象特征作为输出量子态。4.如权利要求3所述的气象预测方法，其特征在于，所述量子态编码单元包括n个RY门，n个RY门分别作用于n个量子比特，所述基于所述量子卷积层分别对每一个卷积对象组合中的n个气象特征进行处理，获取对应的输出量子态的步骤，包括：依据卷积...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：合肥本源量子计算科技有限责任公司，
类型：发明
国别省市：