一种利用数据驱动进行天气预测的方法及系统技术方案

本发明专利技术涉及一种利用数据驱动进行天气预测的方法及系统，用于解决现有技术中天气预测模型不能对气候位置进行感知，也未能充分利用时序信息，降低了预测的准确性，且计算复杂

【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
。
[0009]在上述技术方案的一种实施方式中，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
。
[0010]在上述技术方案的一种实施方式中，时空分解步骤包括：
[0011]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；
[0012]基于第二嵌入向量，提取空间特征；
[0013]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；
[0014]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
。
[0015]在上述技术方案的一种实施方式中，时空分解通过时空分解模块实现；
[0016]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：
[0017]傅里叶空域算子用于提取第一嵌入向量的空间特征，步骤包括：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；
[0018]傅里叶时域算子用于提取时序特征，步骤包括：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；
[0019]全连接层用于将时序特征进一步精炼为预测特征
。
在上述技术方案的一种实施方式中，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
。
[0020]在上述技术方案的一种实施方式中，时空分解模块在傅里叶空域算子
、
傅里叶时域算子
、
全连接层各部分之前，设置归一化层
。
[0021]第二方面，本案提出一种利用数据驱动进行天气预测系统，所述系统包括获取模块
、
预处理模块
、
天气预测模型；其中：
[0022]获取模块，被配置用于获取
T
帧用于预测天气的历史天气状态图，
T
为设定值；
[0023]预处理模块，被配置用于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；
[0024]天气预测模型，将第一嵌入向量作为输入，对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，生成下一个时刻的天气状态，
N
为设定值；
[0025]所述天气预测模型包括时空分解模块，所述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：
[0026]傅里叶空域算子用于提取空间特征，步骤包括：通过快速傅里叶变换将空间维度排列的天气状态特征转换到频域中，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空域中；
[0027]傅里叶时域算子用于提取时序特征，步骤包括：通过快速傅里叶变换将时间维度排列的天气状态特征转换到频域中，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；
[0028]全连接层用于将时序特征进一步精炼为预测特征
。
[0029]在上述技术方案的一种实施方式中，用于训练天气预测模型的数据经过增强处理，步骤包括：
[0030]对训练使用的数据加上方差为
σ
的高斯噪声，并沿着地球纬度方向以
p
的概率随机平移数据，其中：
σ
、p
为设定值
。
一种实施方式中，
σ
＝
0.1
，
p
＝
0.5。
[0031]在上述技术方案的一种实施方式中：天气预测模型使用平均平方误差和反向传播算法确定模型的最优参数
。
[0032]本案与现有技术的有益效果如下：
[0033](1)
采用傅里叶空域算子和傅里叶时域算子将空域和时域的符号向量分开处理获取时空特征，不仅提高预测的准确度，而且降低计算复杂度
。
[0034](2)
通过训练获得一组可学习的频域系数，在维持线性参数量的同时使得傅里叶算子能够实现自主学习感知帧内的位置关系
。
[0035](3)
对训练数据经过噪声增强和平移增强，提高了长时间天气预测的鲁棒性，降低了模型在训练中的过拟合
。
附图说明
[0036]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0037]图
1、
一种具体实施方式中的傅里叶时
/
空域算子实现方式示意图；
[0038]图
2、...

【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：