【技术实现步骤摘要】
本申请实施例涉及降水预测，尤其涉及一种基于轻量化预测模型的降水预报方法和预报系统。
技术介绍
1、短临降水定量预报(quantitative precipitation nowcasting，qpn)是天气预报中一项极具挑战性的任务。在风暴预警，空中运输，大型集会等各类日常场景中，精确、及时、高效的降水预报产品是确保活动成功进行的必要构成。
2、计算机视觉(computer vision，cv)的最新进展扩大了将深度学习(deeplearning，dl)技术应用于qpn任务的可能性，但利用各种深度学习模型进行qpn任务时，仍有如下挑战必须克服：
3、考虑到极端天气事件的破坏性，收集过长的历史数据几乎是不可行的。当完成预报时，重大的灾害可能已经发生了，因此需要预留更多的时间给决策和部署，为了解决这个问题，应该减少模型输入数据的长度，同时延长模型能预测的时间，然而，较少的输入对模型提取和处理信息的能力提出了更高的要求，先前的模型性能往往随着输入的减少而变差。
技术实现思路
1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
2、本公开实施例的主要目的在于提出一种基于轻量化预测模型的降水预报方法和预报系统，能够利用改进的预测模型提高长期预测的准确性，同时显著降低参数和计算复杂度。
3、第一方面，本公开实施例提出一种基于轻量化预测模型的降水预报方法，所述基于轻量化预测模型的降水预报方法包括如下步骤：
4
5、构建预测模型，将所述vil图像输入至所述预测模型，得到所述预测模型输出未来多帧的预测图像，以用于进行降水事件预报；其中，所述预测模型包括输入模块、多个级联的编码器模块、与所述多个级联的编码器模块对应的多个级联的解码器模块、以及输出模块，所述输入模块与级联的第一个编码器模块连接，级联的最后一个编码器模块与级联的第一个解码器模块连接，级联的最后一个解码器模块与所述输出模块连接；所述编码器模块依次包括多个堆叠的视觉transformer和一个下采样层，所述编码器模块依次包括上采样层、卷积层和多个堆叠的视觉transformer，视觉transformer包括级联的多头平方注意力和前馈神经网络，多头平方注意力对特征图的处理过程包括：
6、
7、
8、
9、
10、
11、其中，x为多头平方注意力的输入特征，为多头平方注意力的输出特征，为1×1的点逐元卷积，为3×3的深度卷积，为从多头平方注意力的输入特征转换得到的query，key和value矩阵，α为可训练参数，w1为1×1的卷积，sigmoid为激活函数，attention为注意力机制，xln为将x进行无偏差的层归一化后的特征。
12、本申请的一些实施例中，所述视觉transformer中的所述多头平方注意力的输出特征在输入所述前馈神经网络之前，还包括：将所述多头平方注意力的输出特征进行无偏差的层归一化，得到层归一化后的特征；
13、所述前馈神经网络对特征的处理过程包括：
14、将层归一化后的特征输入至所述前馈神经网络第一条路径中的点逐元卷积和深度卷积中，并将深度卷积的输出特征通过gelu函数激活；
15、将层归一化后的特征输入至所述前馈神经网络第二条路径中的点逐元卷积和深度卷积中，并将深度卷积的输出特征通过sigmoid函数激活；
16、计算通过gelu函数激活的特征与通过sigmoid函数激活的特征的哈达玛乘积；
17、将所述哈达玛乘积输入至1×1的卷积中，并将1×1的卷积的输出特征与多头平方注意力的输出特征进行跳跃连接，得到所述前馈神经网络的输出特征。
18、本申请的一些实施例中，每一个所述编码器模块的输出特征均与对应一个所述解码器模块的所述上采样层的输出特征进行跳跃连接。
19、本申请的一些实施例中，所述预测模型还包括中央模块，所述中央模块包括多个堆叠的视觉transformer；
20、所述多个级联的编码器模块中的最后一个编码器模块与所述多个级联的解码器模块中的第一个解码器模块连接，包括：
21、将所述多个级联的编码器模块中的最后一个编码器模块的输出特征输入至所述中央模块中的第一个视觉transformer中；将所述中央模块中的最后一个视觉transformer的输出特征输入至所述多个级联的解码器模块中的第一个解码器模块中。
22、本申请的一些实施例中，所述输出模块依次包括多个堆叠的视觉transformer和一个卷积层；
23、所述输出模块对特征的处理过程包括：
24、将所述多个级联的解码器模块中的最后一个解码器模块的输出特征输入至多个堆叠的视觉transformer中的首个视觉transformer中；
25、将多个堆叠的视觉transformer中的最后一个视觉transformer的输出特征输入至卷积层中，得到卷积层的输出特征；
26、将卷积层的输出特征与所述输入模块的输入特征采用跳跃连接，将跳跃连接的特征作为所述输出模块的输出特征。
27、本申请的一些实施例中，所述输出模块依次包括多个堆叠的视觉transformer、两个卷积层和swish激活层；
28、所述输出模块对特征的处理过程包括：
29、将所述多个级联的解码器模块中的最后一个解码器模块的输出特征输入至多个堆叠的视觉transformer中的首个视觉transformer中；将多个堆叠的视觉transformer中的最后一个视觉transformer的输出特征输入至第一个卷积层中，得到第一个卷积层的输出特征；
30、将第一个卷积层的输出特征与所述输入模块的输入特征采用跳跃连接；
31、将跳跃连接的特征输入至第二个卷积层中，得到第二个卷积层的输出特征；
32、将第二个卷积层的输出特征采用swish激活层激活，得到所述输出模块的输出特征。
33、本申请的一些实施例中，所述输入模块包括一个卷积层。
34、第二方面，本公开实施例提出一种基于轻量化预测模型的降水预报系统，所述基于轻量化预测模型的降水预报系统包括：
35、数据获取单元，用于选取多帧vil图像；所述vil图像为垂直累积液态水含量的雷达图；
36、降水事件预测单元，用于
37、构建预测模型，将所述vil图像输入至所述预测模型，得到所述预测模型输出未来多帧的预测图像，以用于进行降水事件预报；其中，所述预测模型包括输入模块、多个级联的编码器模块、与所述多个级联的编码器模块对应的多个级联的解码器模块、以及输出模块，所述输入模块与级联的第一个编码器模块连接，级联的最后一个编码器模块与级联的第一个解码器模块连接本文档来自技高网...
【技术保护点】
1.一种基于轻量化预测模型的降水预报方法，其特征在于，所述基于轻量化预测模型的降水预报方法包括如下步骤：
2.根据权利要求1所述的基于轻量化预测模型的降水预报方法，其特征在于，所述视觉transformer中的所述多头平方注意力的输出特征在输入所述前馈神经网络之前，还包括：将所述多头平方注意力的输出特征进行无偏差的层归一化，得到层归一化后的特征；
3.根据权利要求1所述的基于轻量化预测模型的降水预报方法，其特征在于，每一个所述编码器模块的输出特征均与对应一个所述解码器模块的所述上采样层的输出特征进行跳跃连接。
4.根据权利要求1或3所述的基于轻量化预测模型的降水预报方法，其特征在于，所述预测模型还包括中央模块，所述中央模块包括多个堆叠的视觉transformer；
5.根据权利要求4所述的基于轻量化预测模型的降水预报方法，其特征在于，所述输出模块依次包括多个堆叠的视觉transformer和一个卷积层；
6.根据权利要求4所述的基于轻量化预测模型的降水预报方法，其特征在于，所述输出模块依次包括多个堆叠的视觉transfo
7.根据权利要求1所述的基于轻量化预测模型的降水预报方法，其特征在于，所述输入模块包括一个卷积层。
8.一种基于轻量化预测模型的降水预报系统，其特征在于，所述基于轻量化预测模型的降水预报系统包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
...【技术特征摘要】
1.一种基于轻量化预测模型的降水预报方法，其特征在于，所述基于轻量化预测模型的降水预报方法包括如下步骤：
2.根据权利要求1所述的基于轻量化预测模型的降水预报方法，其特征在于，所述视觉transformer中的所述多头平方注意力的输出特征在输入所述前馈神经网络之前，还包括：将所述多头平方注意力的输出特征进行无偏差的层归一化，得到层归一化后的特征；
3.根据权利要求1所述的基于轻量化预测模型的降水预报方法，其特征在于，每一个所述编码器模块的输出特征均与对应一个所述解码器模块的所述上采样层的输出特征进行跳跃连接。
4.根据权利要求1或3所述的基于轻量化预测模型的降水预报方法，其特征在于，所述预测模型还包括中央模块，所述中央模块包括多个堆叠的视觉transformer；
5...
【专利技术属性】
技术研发人员：邓科峰，李大伟，任开军，张荻，刘宇迪，冷洪泽，银福康，宋君强，
申请(专利权)人：中国人民解放军国防科技大学，
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。