【技术实现步骤摘要】
一种利用数据驱动进行天气预测的方法及系统
[0001]本专利技术涉及天气预测,尤其涉及一种利用数据驱动进行数值天气预测方法及系统
。
技术介绍
[0002]利用数据驱动的方法进行天气预报依赖于深度学习中的视频预测方法
。
在深度学习中,通常通过设计神经网络和损失函数,利用反向传播算法迭代数据并优化神经网络的参数使得训练数据的损失函数值最小,来达到学习数据特征并进行视频预测的目的
。
[0003]为了得到较好的性能,现有技术方案是利用变压器神经网络结构提取数据中的特征,而为了减少变压器神经网络结构带来的大量计算开销,在网络中使用了基于傅里叶变换的神经算子,将计算复杂度从平方降低到了伪线性
。
但由于在频域中仅保留了一组神经算子,这种改进限制了模型对数据中气候位置的感知能力,预测能力反而没有提高
。
技术实现思路
[0004]为了解决现有技术中存在的上述问题,本案的目的在于提出了一种利用数据驱动进行天气预测的方法及系统,技术方案具体如下
。
[0005]第一方面,本案提出一种利用数据驱动进行天气预测方法,所述方法包括下述步骤:
[0006]获取
T
帧用于预测指定时间天气状态的历史天气状态图,
T
为设定值;
[0007]将每帧历史天气状态图在空间上分割成块,在时间上将空间上相同位置的相邻两个块合起来,利用合起来的块获取第一嵌入向量;
[0008]基于第一嵌入向量,进行时
【技术保护点】
【技术特征摘要】
1.
一种利用数据驱动进行天气预测的方法,其特征在于,所述方法包括下述步骤:获取
T
帧用于预测指定时间天气状态的历史天气状态图,
T
为设定值;将每帧历史天气状态图在空间上分割成块,在时间上将空间上相同位置的相邻两个块合起来,利用合起来的块获取第一嵌入向量;基于第一嵌入向量,进行时空分解
N
次,获得最终预测特征,并基于最终预测特征,生成指定时间的天气状态,
N
为设定值
。2.
根据权利要求1所述的方法,其特征在于,将预测特征使用一个由卷积层构成的解码器进行降维,使用降维后的预测特征进行天气状态预测
。3.
根据权利要求1所述的方法,其特征在于,时空分解步骤包括:基于历史天气状态图获得若干天气状态片段,根据第一嵌入向量,获得天气状态片段对应的第二嵌入向量;基于第二嵌入向量,提取空间特征;将所有天气状态片段的空间特征按时序位置排序,获取帧间的时序信息,进而获取预测特征;若时空分解未结束,将预测特征作为新的第二嵌入向量,重复提取空间特征和时序信息这一过程,直至完成
N
次时空分解
。4.
根据权利要求1所述的方法,其特征在于:时空分解通过时空分解模块实现;时空分解模块包括傅里叶空域算子
、
傅里叶时域算子
、
全连接层;其中:傅里叶空域算子用于提取第一嵌入向量的空间特征,其通过快速傅里叶变换将按空间维度排列的第一嵌入向量转换到频域中,再在频域中和频域滤波器相乘,最后将结果反快速傅里叶变换回空域中,得到空间特征;傅里叶时域算子用于提取时序特征,其通过快速傅里叶变换将按时间位置进行排列的空间特征转换到频域中,再在频域中和频域滤波器相乘,最后将结果反快速傅里叶变换回时域中,得到时序特征;全连接层用于将时序特征进一步精炼为预测特征
。5.
根据权利要求4所述的方法,其特征在于:傅里叶空域算子通过训练能够获得一组可学习的频域系数,用于对位置进行自主学习
。6.
根据权利要求4所述的方法,其特征在于:时空分解模块在傅里叶空域算子
、
...
【专利技术属性】
技术研发人员:龚俊超,陈康,苏锐,白磊,欧阳万里,
申请(专利权)人:上海人工智能创新中心,
类型:发明
国别省市:
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。