【技术实现步骤摘要】
一种多站点风速预测方法
[0001]本专利技术涉及信息技术和气象
,尤其涉及一种多站点风速预测方法。
技术介绍
[0002]风速预测作为天气预测重要组成之一,准确的风速预测对于经济,商业和管理非常重要,它会影响相关部门的决策过程和资源部署,不仅可以用于预测自然灾害,还可以为气候变化分析提供指导。由于受温度、海拔、地形、气压等因素的影响,风能具有波动性、随机性和不稳定性的特点,因此准确地进行风速预测面临很多挑战。
[0003]目前,天气预报方法通常包括基于NWP(值天气预报,Numerical Weather Prediction)模型、机器学习模型、深度学习模型等方式,但上述方式存在如下缺点和不足:
[0004]NWP模型通过求解复杂的数学方程,尽可能地模拟现实世界的大气、流体和热力学。这种方法需要巨大的计算能力,即使使用当前的技术设备和工具,也可能需要几个小时才能完成处理。
[0005]机器学习模型与NWP模型相比,虽然能够减少处理时间,但机器学习任务更多的是线性回归预测,对于空间的相关性缺乏考虑导致预测精度较低。
[0006]基于卷积神经网络(Convolutional Neural Network,CNN)的深度学习方法是在规则矩阵的前提下进行卷积操作,而风速站点分布如图1所示呈不均匀状态,难以在保证空间信息关联性不变的前提下进行规则排列,所以一般的卷积网络中无法捕获气象站之间的空间关系。
技术实现思路
[0007]本专利技术所要解决的技术问题是针对现有技术 ...
【技术保护点】
【技术特征摘要】
1.一种多站点风速预测方法,其特征在于,包括:对各个气象监测站采集的气象数据进行数据预处理;将不规则分布的各个气象监测站抽象为空间结构图,按照时间将不同节点之间的特征作为数据,组成由时间序列构成的时空数据流;将所述时空数据流输入预先构建的图动态注意力网络模型,进行多站点风速预测。2.根据权利要求1所述的多站点风速预测方法,其特征在于,所述空间结构图将气象监测站作为图的顶点,气象监测站之间的距离作为构建连接边的因素重构空间结构图的分布;将带权邻接矩阵W作为顶点之间的连接方式,所述空间结构图的带权邻接矩阵W的公式如下:其中,σ和ε是用于调整带权邻接矩阵W的分布和稀疏度的超参数,为常数,d
ij
表示节点i和节点j之间的距离。3.根据权利要求2所述的多站点风速预测方法,其特征在于,所述时空数据流第t时间步的空间结构图表达式如下:g
t
=(V
t
,E,W);其中,V
t
表示第t时刻上的顶点集N,N为顶点个数,不同时间步中顶点的数量不变,每个站点的特征属性随时间而变化,W表示带权邻接矩阵,E表示边集,是由带权邻接矩阵W得到的顶点之间的连接关系;基于时空图网络的多站点风速预测问题整体描述表示为:通过神经网络模型的构建获得建模函数f(
·
),通过历史输入数据预测未来时间的风速;其中,为图特征矩阵,C表示特征维度,t表示时间步,图特征矩阵表示时间步t的空间网络g的各个顶点观测值;T表示历史时空网络序列的长度,P表示要预测的目标时空网络序列的长度。4.根据权利要求1至3任一项所述的多站点风速预测方法,其特征在于,所述将所述时空数据流输入预先构建的图动态注意力网络模型,进行多站点风速预测,包括:在所述空间结构图中分别以每个顶点为中心按照带权邻接矩阵进行图采样,获得每个顶点的一阶邻居节点和二阶邻居节点;所述顶点、顶点对应的一节邻居节点及二阶邻居节点构成所述顶点的采样子图;计算预设时间段内所述采样子图的时空位置编码;分别对所述一阶邻居节点和所述二阶邻居节点进行频域图卷积,获得第一卷积结果和第二卷积结果,分别将所述第一卷积结果和所述第二卷积结果与所述采样子图的时空位置编码求和,获得第一求和结果和第二求和结果;
提取所述顶点的空间特征,将所述顶点的空间特征先通过全连接网络映射,再与所述所述采样子图的时空位置编码求和,获得第三求和结果;根据所述第一求和结果和所述第二求和结果进行动态注意力编码,获得注意力编码结果;根据所述注意力编码结果和所述第三求和结果进行转换注意力解码,获得注意力转换结果;所述注意力转换结果通过全连接网络生成多站点风速预测结果。5.所述根据权利要求4所述的方法,其特征在于,所述获得每个顶点的一阶邻居节点和二阶邻居节点,包括:以一顶点x为中心选择第一预设数量的最接近的邻居点,并按距离从小到大排列,获得一阶邻居节点X
D
,再以所述顶点为中心选择第二预设数量的最接近的邻居点,并按距离从小到大排列,获得二阶邻居节点X;所述顶点x、一阶邻居节点X
D
和二节邻居节点X构成所述顶点x的采样子图,所述第二预设数量大于所述第一预设数量。6.所述根据权利要求4所述的方法,其特征在于,所述计算预设时间段内采样子图的时空位置编码,包括:计算预设时间段内采样子图的相对位置编码,公式如下:其中,是在采样子图图中顶点i的编码维度序号为l的向量,d为投影维度,N为顶点个数;在计算了所有维度之后,SPE∈R
l
×
N
×
d
表示SPE的数据维度是1
×
N
×
d,R表示数据维度;在此编码中给定不同输入X
D
、X和x,经过编码后得到一阶邻居节点的相对位置编码值X'
D
、二阶邻居节点的相对位置编码值X'和顶点相对位置编码值x';计算预设时间段内采样子图的时间位置编码,公式如下:TPE=σ(Relu(rW1+b1)W2+b2)其中W1∈R
t
×
d
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。