【技术实现步骤摘要】
本专利技术涉及短临天气预报，具体涉及一种台风云图预测方法、系统及存储介质。
技术介绍
1、台风云图预测可视为对连续时间序列图像变化趋势的估计和预测，即用现有的一段时间内台风云图预测未来一定时间内的台风云图。临近预报通常是指描述现实天气状况和未来两小时内的天气预报，主要的预报对象包括强降水、大风、冰雹等灾害性天气。台风云图预测的方法能为台风的临近预报提供直观的图像参考，而且快速准确地预报出气候的图像序列一直是气象领域研究的热点之一。
2、深度学习方法具备建模高度非线性复杂系统的能力，将深度学习与台风云图的预测任务相结合，能够从海量的云图数据中找出潜在规律，进而提高对指定区域的台风状况精准预测。长短期记忆单元(long-short term memory，lstm)是rnn（循环神经网络）的一种变体，它通过在rnn网络单元中引入记忆单元和门控单元来解决序列的长期依赖问题。在此基础上衍生出许多改进的模型，如convlstm（卷积长短期记忆单元），predrnn（预测性递归神经网络）。为了保持长期的时空相关性，3d sa-stlstm利用了注意力机制。注意力机制可以帮助网络增强在历史记忆中找寻信息的能力，从而保存更多的时空特征，这为提升预测性能提供了有益的思路。
3、但他们的研究在编码解码操作时，没有考虑其中的特征信息损失问题，这导致模型难以捕捉远处的上下文信息。同时，在单一尺度下，模型难以完全捕捉到复杂的云图模式和台风结构变化，从而影响预测的效果。
技术实现思路
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、第一方面，本申请公开了一种台风云图预测方法，包括：
4、将台风云图序列样本输入至预训练的fsta- lstm神经网络模型中，得到预测的台风云图序列，确定台风云图预测结果；其中，所述fsta- lstm神经网络模型的训练过程包括：
5、搭建神经网络模型；其中，所述神经网络模型包括依次连接的特征增强模块、encoder编码器、sta-lstm模块、decoder解码器和多尺度特征融模块，且所述encoder编码器和decoder解码器采用跳跃连接；
6、将预处理后的台风云图序列样本数据输入至神经网络模型中，台风云图序列样本经神经网络模型的多层网络架构的前向传播后，再反向传播更新神经网络模型的网络权重，获得fsta- lstm神经网络模型。
7、进一步地，所述台风云图序列样本经神经网络模型的多层网络架构的前向传播包括：
8、特征增强模块提取台风云图序列样本的初步特征；所述特征增强模块包括一层卷积层和压缩激励se模块；
9、encoder编码器根据初步特征提取台风云图序列样本的深度特征；所述encoder编码器包括四层卷积层和四层leakyrelu激活函数；
10、sta-lstm模块提取深度特征的时空信息，输出隐藏状态；sta-lstm模块包括堆叠在encoder编码器之后的四层sta-lstm网络单元；
11、decoder解码器对输入进行解码操作，所述输入为相同尺度encoder编码器的输出与前一层decoder解码器的输出或输出隐藏状态相加；其中，所述decoder解码器包括四层反卷积层和四层leakyrelu激活函数；
12、多尺度特征融模块将每一层解码器的输出上采样为同一尺度后将结果求和，并进行卷积操作，获得预测的台风云图序列，所述多尺度特征融模块包括一层反卷积层和一层leakyrelu激活函数。
13、进一步地，所述压缩激励se模块的计算公式为：
14、；
15、其中，为输入的台风云图序列样本，为通道权重相乘，为初步特征，sigmoid、relu均为激活函数，linear为线性操作， pool为池化操作。
16、进一步地，所述sta-lstm网络单元用于将前一时刻同一层网络输出的记忆单元、隐藏状态、当前时刻深度特征和同一时刻前一层的时空记忆单元输入到当前时刻第 l层的sta-lstm网络单元中，经前向传播后得到当前时刻的时间记忆单元、时空记忆单元和隐藏状态，再通过cbam卷积注意力机制优化当前时刻的时空记忆单元和隐藏状态；其中t=1,2…,10， l=1,2,3,4；，、、参数通过初始化设定；
17、所述sta-lstm网络单元的设计公式为：
18、；
19、；
20、；
21、；
22、；
23、；
24、；
25、；
26、；
27、；
28、其中，*表示卷积运算，⊙表示hadamard积，tanh表示双曲正切激活函数，表示激活函数，cbam表示卷积注意力机制，和表示当前时刻的输入调制门，和表示当前时刻的遗忘门、和表示当前时刻的输入门，表示当前时刻的输出门，表示偏差，为权重。
29、进一步地，所述卷积注意力机制的计算公式为：
30、；
31、；
32、其中，channel_att为通道注意力模块，spatial_att为空间注意力模块，input为输入，ca为通道注意力模块的输出，out为最终的输出。
33、进一步地，所述通道注意力模块的计算公式为：
34、；
35、其中，maxpool和avgpool分别为最大池化操作和平均池化操作，、分别代表两个 1×1 卷积的权重。
36、进一步地，所述空间注意力模块的计算公式为：
37、；
38、其中，maxpool和avgpool分别为最大池化操作和平均池化操作，代表1×1 卷积的权重。
39、进一步地，所述台风云图序列样本的预处理过程包括：
40、获取历史台风云图序列样本；
41、将所述历史台风云图序列样本进行格式转换、对比度提升、尺寸改变，并进行归一化处理；其中归一化的公式为：
42、；
43、将归一化处理后的数据划分成为训练集和测试集。
44、第二方面，本申请公开了一种台风云图预测系统，包括处理器及存储介质；
45、所述存储介质用于存储指令；
46、所述处理器用于根据所述指令进行操作以执行第一方面任一项所述方法的步骤。
47、第三方面，本申请公开了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述方法的步骤。
48、根据上述技术方案，本专利技术的有益效果本文档来自技高网...
【技术保护点】
1.一种台风云图预测方法，其特征在于，包括：
2.根据权利要求1所述的台风云图预测方法，其特征在于，所述台风云图序列样本经神经网络模型的多层网络架构的前向传播包括：
3.根据权利要求2所述的台风云图预测方法，其特征在于，所述压缩激励SE模块的计算公式为：
4.根据权利要求2所述的台风云图预测方法，其特征在于，所述STA-LSTM网络单元用于将前一时刻同一层网络输出的记忆单元、隐藏状态、当前时刻深度特征和同一时刻前一层的时空记忆单元输入到当前时刻第l层的STA-LSTM网络单元中，经前向传播后得到当前时刻的时间记忆单元、时空记忆单元和隐藏状态，再通过CBAM卷积注意力机制优化当前时刻的时空记忆单元和隐藏状态；其中t=1,2…,10，l=1,2,3,4；，、、参数通过初始化设定；
5.根据权利要求4所述的台风云图预测方法，其特征在于，所述卷积注意力机制的计算公式为：
6.根据权利要求5所述的台风云图预测方法，其特征在于，所述通道注意力模块的计算公式为：
7.根据权利要求5所述的台风云图预测方法，其特征在于，所述空
8.根据权利要求1所述的台风云图预测方法，其特征在于，所述台风云图序列样本的预处理过程包括：
9.一种台风云图预测系统，其特征在于，包括处理器及存储介质；
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。
...【技术特征摘要】
1.一种台风云图预测方法，其特征在于，包括：
2.根据权利要求1所述的台风云图预测方法，其特征在于，所述台风云图序列样本经神经网络模型的多层网络架构的前向传播包括：
3.根据权利要求2所述的台风云图预测方法，其特征在于，所述压缩激励se模块的计算公式为：
4.根据权利要求2所述的台风云图预测方法，其特征在于，所述sta-lstm网络单元用于将前一时刻同一层网络输出的记忆单元、隐藏状态、当前时刻深度特征和同一时刻前一层的时空记忆单元输入到当前时刻第l层的sta-lstm网络单元中，经前向传播后得到当前时刻的时间记忆单元、时空记忆单元和隐藏状态，再通过cbam卷积注意力机制优化当前时刻的时空记忆单元和隐藏状态；其中t=1,2…,...
【专利技术属性】
技术研发人员：程勇，钱坤，渠海峰，王军，杨玲，刘敏，许小龙，李伟，
申请(专利权)人：南京信息工程大学，
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。