【技术实现步骤摘要】
本申请属于气象预测，特别是一种气象预测方法、装置、介质及电子装置。
技术介绍
1、气象预测是利用气象学知识和技术手段，对大气过程进行观测、分析和预测，以预测未来一段时间内地球大气系统的状态和气象现象的发展趋势。通过收集历史气象数据，并结合数值天气预报模型、神经网络模型等技术手段，能够提供未来一段时间内的气象预测结果。
2、然而，现有的基于神经网络模型气象预测方法只是简单地将气象数据输入至rnn、lstm等经典神经网络模型，并没有考虑到气象数据的高度复杂性，也无法突破经典计算机的运算能力限制，导致模型输出的气象预测结果准确度较低。
3、申请内容
4、本申请的目的是提供一种气象预测方法、装置、介质及电子装置，旨在提高气象预测的准确度。
5、本申请的一个实施例提供了一种气象预测方法，所述方法包括：
6、获取待预测时间节点前多个时间节点的气象雷达图集，其中，每一气象雷达图集包括多个气象雷达图，每一气象雷达图对应一种气象要素，至少两个气象要素之间存在耦合关系；
7、分别将每一时间节点的气象雷达图集输入至量子多模态特征融合网络并运行，得到对应时间节点的最终融合特征，其中，每一时间节点的最终融合特征为融合该时间节点对应的不同气象要素的特征得到的；
8、将所有时间节点的最终融合特征输入至量子transformer网络并运行，得到待预测时间节点的气象雷达图集。
9、可选的，所述量子多模态特征融合网络包括依次连接的多个融合层，每一所述融合层用于对当前输入
10、所述最终融合特征为最后一个融合层输出的融合特征。
11、可选的，至少一个融合层包括所述第一量子卷积层，所述第一量子卷积层用于对气象要素对应的当前输入数据矩阵卷积处理，生成该气象要素在当前层对应的权重；对当前层输入的融合特征卷积处理，生成融合特征在当前层对应的权重。
12、可选的，所述第一量子卷积层为量子空洞卷积层。
13、可选的，所述量子transformer网络包括n个编码器和n个解码器，所述n个编码器均包括第一注意力层，所述n个解码器均包括第二注意力层和第三注意力层；
14、所述将所述每个时间节点的最终融合特征输入至量子transformer网络并运行，得到待预测时间节点的气象雷达图集，包括：
15、将所有时间节点的最终融合特征输入至第1个编码器的第一注意力层，并运行所述n个编码器，得到每个编码器输出的第一隐状态，其中，n个编码器依次串联；
16、将第n个编码器输出的第一隐状态输入至第1个解码器的第二注意力层，并将第i个编码器输出的第一隐状态输入至第i个解码器的第三注意力层，运行所述n个解码器，得到每个解码器输出的第二隐状态，1≤i≤n，n个解码器依次串联；
17、基于所有的第二隐状态，确定待预测时间节点的气象雷达图集。
18、可选的，所述第一注意力层为量子卷积注意力层，所述量子卷积注意力层用于对输入的最终融合特征或上一个编码器输出的第一隐状态进行特征提取，得到注意力向量，并对所述注意力向量进行注意力计算，得到注意力特征；
19、所述编码器还包括量子卷积前馈网络层，所述量子卷积前馈网络层用于对所述注意力特征进行特征提取，得到第一隐状态。
20、可选的，所述量子卷积注意力层和/或量子卷积前馈网络层包括第二量子卷积层；
21、所述第二量子卷积层为量子空洞卷积层。
22、本申请的又一实施例提供了一种气象预测装置，所述装置包括：
23、获取模块，用于获取待预测时间节点前多个时间节点的气象雷达图集，其中，每一气象雷达图集包括多个气象雷达图，每一气象雷达图对应一种气象要素，至少两个气象要素之间存在耦合关系；
24、第一计算模块，用于分别将每一时间节点的气象雷达图集输入至量子多模态特征融合网络并运行，得到对应时间节点的最终融合特征，其中，每一时间节点的最终融合特征为融合该时间节点对应的不同气象要素的特征得到的；
25、第二计算模块，用于将所有时间节点的最终融合特征输入至量子transformer网络并运行，得到待预测时间节点的气象雷达图集。
26、本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。
27、本申请的又一实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
28、本申请提供了一种气象预测方法、装置、介质及电子装置，获取待预测时间节点前多个时间节点的气象雷达图集，每一气象雷达图集包括的多个气象雷达图均对应一种气象要素，至少两个气象要素之间存在耦合关系，利用量子多模态特征融合网络融合每一时间节点对应的不同气象要素的特征，从而能够将气象要素之间复杂的耦合关系进行精确的建模，得到的每一时间节点的最终融合特征包含了气象数据中复杂的相互关联性；由于量子比特可以处于多个状态的叠加态，而不是只有0或1两种状态，因此可以同时表示多种可能性，使得量子多模态特征融合网络和量子transformer网络能够高效地捕捉多模态气象数据中高度复杂的信息。与现有的气象预测方法相比，本专利技术实施例提供的气象预测方法极大地提高了气象预测的准确度。
技术实现思路
本文档来自技高网...【技术保护点】
1.一种气象预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述量子多模态特征融合网络包括依次连接的多个融合层，每一所述融合层用于对当前输入数据矩阵进行加权处理，得到当前层对应的特征，并对当前输入数据矩阵及输入的融合特征进行加权求和处理，得到当前层的融合特征，其中，当前层为第一层时，当前输入数据矩阵为气象雷达图，当前层为第一层之外的层时，当前输入数据矩阵为上一层融合层输出的特征；
3.如权利要求2所述的方法，其特征在于，至少一个融合层包括所述第一量子卷积层，所述第一量子卷积层用于对气象要素对应的当前输入数据矩阵卷积处理，生成该气象要素在当前层对应的权重；对当前层输入的融合特征卷积处理，生成融合特征在当前层对应的权重。
4.如权利要求3所述的方法，其特征在于，所述第一量子卷积层为量子空洞卷积层。
5.如权利要求1所述的方法，其特征在于，所述量子Transformer网络包括n个编码器和n个解码器，所述n个编码器均包括第一注意力层，所述n个解码器均包括第二注意力层和第三注意力层；
6.如权利要求
7.如权利要求6所述的方法，其特征在于，所述量子卷积注意力层和/或量子卷积前馈网络层包括第二量子卷积层；
8.一种气象预测装置，其特征在于，所述装置包括：
9.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项中所述的方法。
...【技术特征摘要】
1.一种气象预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述量子多模态特征融合网络包括依次连接的多个融合层，每一所述融合层用于对当前输入数据矩阵进行加权处理，得到当前层对应的特征，并对当前输入数据矩阵及输入的融合特征进行加权求和处理，得到当前层的融合特征，其中，当前层为第一层时，当前输入数据矩阵为气象雷达图，当前层为第一层之外的层时，当前输入数据矩阵为上一层融合层输出的特征；
3.如权利要求2所述的方法，其特征在于，至少一个融合层包括所述第一量子卷积层，所述第一量子卷积层用于对气象要素对应的当前输入数据矩阵卷积处理，生成该气象要素在当前层对应的权重；对当前层输入的融合特征卷积处理，生成融合特征在当前层对应的权重。
4.如权利要求3所述的方法，其特征在于，所述第一量子卷积层为量子空洞卷积层。
5.如权利要求1所述的方法，其特征在于，所述量子transformer网络包括...
【专利技术属性】
技术研发人员：窦猛汉，请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：本源量子计算科技合肥股份有限公司，
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。