一种多站点风速预测方法技术

本发明专利技术公开了一种多站点风速预测方法，方法包括：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。本发明专利技术将不规则分布的气象监测站抽象为图结构，将不同时间步长的气象数据变量值视为时空图数据，使用图卷积网络提取局部空间信息，结合多空间注意力机制建立不同节点之间的注意力分数然后进行动态注意力计算和转换，从而实现高精度风速预测的任务。速预测的任务。速预测的任务。

【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存在的问题，提供一种多站点风速预测方法、系统、存储介质及计算设备。
[0008]为解决上述技术问题，本专利技术提供一种多站点风速预测方法，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。
[0009]为解决上述技术问题，本专利技术还提供一种多站点风速预测系统，包括：预处理模块、数据流生成模块和预测模块；预处理模块用于对各个气象监测站采集的气象数据进行数据预处理；数据流生成模块用于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；预测模块用于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。
[0010]为解决上述技术问题，本专利技术还提供一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行上述技术方案提供的多站点风速预测方法。
[0011]为解决上述技术问题，本专利技术还提供一种计算设备，包括存储器、处理器及存储在
所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案提供的多站点风速预测方法。
[0012]本专利技术的有益效果是：本专利技术将不规则分布的气象监测站抽象为图结构，将不同时间步长的气象数据变量(例如温度，风速，气压等)值视为时空图数据；使用图卷积网络提取局部空间信息，结合多空间注意力机制建立不同节点之间的注意力分数然后进行动态注意力计算和转换，从而实现高精度风速预测的任务。
[0013]本专利技术附加的方面及其优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。
附图说明
[0014]图1为站点分布图；
[0015]图2为本专利技术一实施例提供的多站点风速预测方法流程图；
[0016]图3为本专利技术实施例中站点之间的分布图；
[0017]图4为本专利技术实施例中顶点连接分布图；
[0018]图5为本专利技术实施例中时空数据流示意图；
[0019]图6为本专利技术实施例中采样算法示例图；
[0020]图7为本专利技术另一实施例提供的多站点风速预测方法流程图；
[0021]图8为本专利技术实施例提供的图动态注意力网络模型结构图；
[0022]图9为本专利技术实施例中DAE和SAD构成及连接结构图；
[0023]图10为本专利技术使用的多空间注意力计算的数据计算过程图。
具体实施方式
[0024]以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。
[0025]需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0026]图2为本专利技术实施例提供的多站点风速预测方法流程图。如图2所示，该方法包括：
[0027]S1，对各个气象监测站采集的气象数据进行数据预处理。
[0028]本专利技术实施例中，采集到的气象数据可以包括温度、露点、风向、风速和大气压强
等。进行数据预处理的手段可以包括删除、填充、切片和归一化处理等。站点数据包含缺失值，主要原因是传感器采集数据时造成的。通过对数据的初步处理和分析，云量的气象因素缺失数量较多，每个站点的缺失数据站总体数据的98％，所以对于此类数据在实验过程中会进行删除。对于风向、风速、露点和降水等气象指标缺失较少，通过采用线性插值的方式进行数据填充。对数据处理完后，根据气象站点位置提取不同站点的时序数据。采用滑动窗口的的方式对所有数据进行切片；滑动窗口的数据使用过去一周和未来12小时分别作为历史输入数据和未来预测数据，每次滑步长度为1。这样就对所有的实验数据完成了切片。最后使用线性函数对训练数据和测试数据数据进行归一化。
[0029]S2，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。
[0030]图3是15个站点的不规则分布。将该图中的节点看作为图的顶点，然后按照顶点之间的位置计算距离，抽象得到的空间结构图如图4所示。
[0031]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如图5所示。
[0032]S本文档来自技高网...

【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
...

【专利技术属性】
技术研发人员：李博录，吴利，王晓英，
申请(专利权)人：青海大学，
类型：发明
国别省市：