一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法和系統(tǒng)技術(shù)方案

本發(fā)明專利技術(shù)公開(kāi)了一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法和系統(tǒng)，屬于天氣預(yù)報(bào)技術(shù)領(lǐng)域，包括以下步驟：構(gòu)建多模態(tài)數(shù)據(jù)集裝箱，將不同類型的氣象數(shù)據(jù)按照自身結(jié)構(gòu)特點(diǎn)，輸入到多模態(tài)數(shù)據(jù)集裝箱得到多模態(tài)數(shù)據(jù)，對(duì)多模態(tài)數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊、數(shù)據(jù)清洗和預(yù)處理以及數(shù)據(jù)序列分割；構(gòu)建關(guān)于降水預(yù)測(cè)的知識(shí)圖譜；創(chuàng)建基于人工智能算法的多模態(tài)降水預(yù)測(cè)模型，對(duì)預(yù)測(cè)的降水量數(shù)據(jù)進(jìn)行智能修正。本發(fā)明專利技術(shù)不僅充分利用了不同種類的多模態(tài)氣象數(shù)據(jù)，通過(guò)多模態(tài)降水預(yù)測(cè)方法，提高了降水預(yù)測(cè)的精度，還構(gòu)建了一個(gè)降水預(yù)測(cè)知識(shí)圖譜，可對(duì)模型預(yù)測(cè)的結(jié)果進(jìn)行智能修正，以減少人工智能算法的不確定性，提升模型預(yù)測(cè)的準(zhǔn)確度和可靠性。提升模型預(yù)測(cè)的準(zhǔn)確度和可靠性。提升模型預(yù)測(cè)的準(zhǔn)確度和可靠性。

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法和系統(tǒng)


[0001]本專利技術(shù)屬于天氣預(yù)報(bào)
，具體涉及一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法和系統(tǒng)。

技術(shù)介紹

[0002]近年來(lái)，全球各地降水大幅度增加，無(wú)論在市區(qū)交通中還是在農(nóng)業(yè)系統(tǒng)中，甚至是在水資源規(guī)劃、防洪預(yù)警中，降水預(yù)測(cè)都扮演著重要的角色。當(dāng)前，利用氣象大數(shù)據(jù)實(shí)現(xiàn)對(duì)臨近降水的預(yù)測(cè)是國(guó)內(nèi)防災(zāi)減災(zāi)的熱點(diǎn)和難點(diǎn)，對(duì)高時(shí)空分辨率的臨近降水預(yù)測(cè)具有重要的價(jià)值和社會(huì)意義。
[0003]從整個(gè)降水預(yù)測(cè)發(fā)展來(lái)看，最開(kāi)始，氣象工作者主要使用天氣圖的方法，這種方法歷史悠久、理論成熟，但比較主觀，是一種定性分析。隨著氣象學(xué)和計(jì)算機(jī)技術(shù)的不斷發(fā)展，數(shù)值預(yù)測(cè)方法逐漸發(fā)展起來(lái)，其主要是對(duì)大氣動(dòng)力學(xué)方程組進(jìn)行求解，來(lái)預(yù)測(cè)降水變化的方法。這種方法也是近幾年在實(shí)踐中用的比較多的方法，但這種方法在應(yīng)用時(shí)存在一定的局限性。首先，該方法短期(尤其1
?
2小時(shí)內(nèi))的預(yù)測(cè)準(zhǔn)確度往往比較低。主要由于短期預(yù)測(cè)的結(jié)果比較依賴大氣動(dòng)力學(xué)這個(gè)方程組的初始值，而目前獲取的大氣信息有限，很難對(duì)這個(gè)方程的初始值進(jìn)行準(zhǔn)確的估算。其次，需要超級(jí)計(jì)算機(jī)的配合，其體積比較龐大，需要昂貴的計(jì)算成本和維護(hù)成本。除此之外，在時(shí)效上，數(shù)值模式所花費(fèi)的時(shí)間往往很長(zhǎng)，從獲取數(shù)據(jù)到同化再到預(yù)報(bào)，往往計(jì)算出結(jié)果就需要花費(fèi)幾個(gè)小時(shí)，對(duì)于特定領(lǐng)域，預(yù)報(bào)可能已經(jīng)失去了時(shí)效性。
[0004]近幾年，隨著氣象數(shù)據(jù)的種類和數(shù)量成倍的增加，將人工智能技術(shù)與降水預(yù)測(cè)相結(jié)合成為必然趨勢(shì)，可以從海量的多模態(tài)的氣象大數(shù)據(jù)中挖掘有用的信息，發(fā)現(xiàn)氣候特征和大氣運(yùn)動(dòng)，進(jìn)而對(duì)降水有較精準(zhǔn)的預(yù)測(cè)。但同時(shí)，人工智能算法具有一定的不確定性，可能對(duì)一些罕見(jiàn)的場(chǎng)景預(yù)測(cè)有一定的誤差。

技術(shù)實(shí)現(xiàn)思路

[0005]針對(duì)現(xiàn)有技術(shù)存在的不足，本專利技術(shù)的目的在于提供一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法和系統(tǒng)，以解決上述
技術(shù)介紹
中存在的問(wèn)題。
[0006]本專利技術(shù)是這樣實(shí)現(xiàn)的，一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法，所述方法包括以下步驟：
[0007]構(gòu)建多模態(tài)數(shù)據(jù)集裝箱，將不同類型的氣象數(shù)據(jù)按照自身結(jié)構(gòu)特點(diǎn)，輸入到多模態(tài)數(shù)據(jù)集裝箱得到多模態(tài)數(shù)據(jù)，對(duì)多模態(tài)數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊、數(shù)據(jù)清洗和預(yù)處理以及數(shù)據(jù)序列分割；
[0008]構(gòu)建關(guān)于降水預(yù)測(cè)的知識(shí)圖譜；
[0009]創(chuàng)建基于人工智能算法的多模態(tài)降水預(yù)測(cè)模型，具體為：構(gòu)建多模態(tài)雷達(dá)回波預(yù)測(cè)模型，將各類歷史氣象數(shù)據(jù)進(jìn)行時(shí)空融合，利用深度神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)未來(lái)的雷達(dá)序列圖；構(gòu)建雷達(dá)降水智能轉(zhuǎn)化模型，結(jié)合地理位置數(shù)據(jù)，利用對(duì)抗生成網(wǎng)絡(luò)，對(duì)雷達(dá)數(shù)據(jù)和
降水量進(jìn)行相互轉(zhuǎn)化，即可將預(yù)測(cè)的雷達(dá)序列圖轉(zhuǎn)換為降水量數(shù)據(jù)；基于構(gòu)建的降水預(yù)測(cè)知識(shí)圖譜，利用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行知識(shí)推理，對(duì)預(yù)測(cè)的降水量數(shù)據(jù)進(jìn)行智能修正；
[0010]對(duì)修正的降水量數(shù)據(jù)進(jìn)行分類可視化。
[0011]作為本專利技術(shù)進(jìn)一步的方案：所述對(duì)多模態(tài)數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊的步驟，具體包括：
[0012]將時(shí)間誤差小于2分鐘的歷史雷達(dá)回波序列數(shù)據(jù)與衛(wèi)星云圖數(shù)據(jù)進(jìn)行合并和對(duì)齊；對(duì)氣象站數(shù)據(jù)進(jìn)行雙線性插值，將雙線性插值處理后得到的數(shù)據(jù)與雷達(dá)數(shù)據(jù)和衛(wèi)星數(shù)據(jù)進(jìn)行融合，依照經(jīng)緯度，對(duì)雷達(dá)數(shù)據(jù)、衛(wèi)星數(shù)據(jù)、氣象站數(shù)據(jù)以及海拔數(shù)據(jù)進(jìn)行空間匹配和對(duì)齊；
[0013]將雷達(dá)序列數(shù)據(jù)和地理位置大數(shù)據(jù)與降水量數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊，所述地理位置大數(shù)據(jù)包括經(jīng)緯度數(shù)據(jù)和海拔數(shù)據(jù)。
[0014]作為本專利技術(shù)進(jìn)一步的方案：所述構(gòu)建關(guān)于降水預(yù)測(cè)的知識(shí)圖譜的步驟，具體包括：
[0015]獲取與降水相關(guān)的數(shù)據(jù)，包括從公開(kāi)網(wǎng)站和研究中獲得的非結(jié)構(gòu)化降水?dāng)?shù)據(jù)以及半結(jié)構(gòu)化降水?dāng)?shù)據(jù)，和從雷達(dá)與衛(wèi)星中獲取的結(jié)構(gòu)化降水?dāng)?shù)據(jù)；
[0016]針對(duì)非結(jié)構(gòu)化降水?dāng)?shù)據(jù)和半結(jié)構(gòu)化降水?dāng)?shù)據(jù)，利用基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行降水預(yù)測(cè)的實(shí)體、關(guān)系和屬性抽取得到抽取降水信息，所述實(shí)體包括經(jīng)緯度、海拔、時(shí)間、溫度、風(fēng)向、濕度和降水量等；
[0017]將結(jié)構(gòu)化降水?dāng)?shù)據(jù)和抽取降水信息進(jìn)行融合，融合過(guò)程包括降水實(shí)體消歧和對(duì)齊；
[0018]對(duì)抽取降水信息進(jìn)行進(jìn)一步加工，利用機(jī)器學(xué)習(xí)相關(guān)性分析算法，分析經(jīng)緯度、海拔、時(shí)間、溫度、風(fēng)向和濕度與降水量之間的關(guān)系，即給定氣象因素具體的取值，得到該區(qū)域的最大降水量和最小降水量；
[0019]根據(jù)抽取降水信息，構(gòu)建降水預(yù)測(cè)知識(shí)圖譜，將降水預(yù)測(cè)知識(shí)圖譜存儲(chǔ)到圖數(shù)據(jù)庫(kù)。
[0020]作為本專利技術(shù)進(jìn)一步的方案：所述構(gòu)建多模態(tài)雷達(dá)回波預(yù)測(cè)模型的步驟，具體包括：
[0021]創(chuàng)建由Data Integration模塊、CNN+LSTM模塊、DS+LSTM模塊、US+LSTM模塊、CNN+LSTM模塊和Data Generation模塊構(gòu)成的多模態(tài)雷達(dá)回波預(yù)測(cè)模型，為更好的預(yù)測(cè)中心區(qū)域的降水，所述多模態(tài)雷達(dá)回波預(yù)測(cè)模型利用了512km*512km區(qū)域的氣象數(shù)據(jù)以及預(yù)測(cè)中心區(qū)256km*256km的雷達(dá)圖像；多模態(tài)雷達(dá)回波預(yù)測(cè)模型用于對(duì)歷史多模態(tài)氣象大數(shù)據(jù)進(jìn)行融合，歷史多模態(tài)氣象大數(shù)據(jù)包括雷達(dá)數(shù)據(jù)、衛(wèi)星云圖、經(jīng)緯度數(shù)據(jù)、海拔數(shù)據(jù)、溫度、風(fēng)向和濕度，利用多個(gè)神經(jīng)網(wǎng)絡(luò)模塊進(jìn)行訓(xùn)練學(xué)習(xí)，用以對(duì)未來(lái)高分辨率雷達(dá)回波圖進(jìn)行準(zhǔn)確的預(yù)測(cè)；多模態(tài)雷達(dá)回波預(yù)測(cè)模型使用的損失函數(shù)為：
[0022][0023]其中，表示模型預(yù)測(cè)的雷達(dá)圖數(shù)據(jù)，y
k
表示真實(shí)的雷達(dá)圖數(shù)據(jù)，ω
k
和μ
k
表示對(duì)不同強(qiáng)度的雷達(dá)圖的加權(quán)值；
[0024]利用評(píng)估函數(shù)對(duì)多模態(tài)雷達(dá)回波預(yù)測(cè)模型進(jìn)行評(píng)估，評(píng)估函數(shù)為：
[0025][0026]Value評(píng)估結(jié)果值在
?
1和1之間，Value評(píng)估結(jié)果值值越大效果越好，其中，M為預(yù)測(cè)的雷達(dá)圖序列長(zhǎng)度，Value
i
為單張雷達(dá)圖的評(píng)分，即：
[0027][0028]其中，L為預(yù)測(cè)的類別，N為總的樣本數(shù)，ω
j
為第j個(gè)類別的權(quán)重，p(R
i
，T
j
)表示預(yù)測(cè)類別為i的像素點(diǎn)中真實(shí)類別為j的像素點(diǎn)總數(shù)，p(R
i
)表示預(yù)測(cè)為類別i的像素點(diǎn)總數(shù)，p(T
j
)表示真實(shí)類別為j的像素點(diǎn)總數(shù)。
[0029]作為本專利技術(shù)進(jìn)一步的方案：所述構(gòu)建雷達(dá)降水智能轉(zhuǎn)化模型的步驟，具體包括：構(gòu)建包含R2P生成器、P2R生成器、P判別器和R判別器四個(gè)模塊的轉(zhuǎn)換模型，結(jié)合經(jīng)緯度和海拔地理位置數(shù)據(jù)，利用歷史的雷達(dá)數(shù)據(jù)與降水量數(shù)據(jù)，在gpu集群上對(duì)轉(zhuǎn)換模型進(jìn)行訓(xùn)練優(yōu)化，得到雷達(dá)降水智能轉(zhuǎn)化模型；雷達(dá)降水智能轉(zhuǎn)化模型使用的損失函數(shù)為：
[0030]Loss＝Loss1+Loss2+Loss3
[0031]其中：
[0032][0033][0034][0035]本專利技術(shù)的另一目的在于提供一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)系統(tǒng)，所述系統(tǒng)包括：
[0036]多模型數(shù)據(jù)集裝箱，用于將不同類型的氣象數(shù)據(jù)按照自身結(jié)構(gòu)特點(diǎn)，輸本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】

【技術(shù)特征摘要】
1.一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法，其特征在于，所述方法包括以下步驟：構(gòu)建多模態(tài)數(shù)據(jù)集裝箱，將不同類型的氣象數(shù)據(jù)按照自身結(jié)構(gòu)特點(diǎn)，輸入到多模態(tài)數(shù)據(jù)集裝箱得到多模態(tài)數(shù)據(jù)，對(duì)多模態(tài)數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊、數(shù)據(jù)清洗和預(yù)處理以及數(shù)據(jù)序列分割；構(gòu)建關(guān)于降水預(yù)測(cè)的知識(shí)圖譜；創(chuàng)建基于人工智能算法的多模態(tài)降水預(yù)測(cè)模型，具體為：構(gòu)建多模態(tài)雷達(dá)回波預(yù)測(cè)模型，將各類歷史氣象數(shù)據(jù)進(jìn)行時(shí)空融合，利用深度神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)未來(lái)的雷達(dá)序列圖；構(gòu)建雷達(dá)降水智能轉(zhuǎn)化模型，結(jié)合地理位置數(shù)據(jù)，利用對(duì)抗生成網(wǎng)絡(luò)，對(duì)雷達(dá)數(shù)據(jù)和降水量進(jìn)行相互轉(zhuǎn)化，即可將預(yù)測(cè)的雷達(dá)序列圖轉(zhuǎn)換為降水量數(shù)據(jù)；基于構(gòu)建的降水預(yù)測(cè)知識(shí)圖譜，利用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行知識(shí)推理，對(duì)預(yù)測(cè)的降水量數(shù)據(jù)進(jìn)行智能修正；對(duì)修正的降水量數(shù)據(jù)進(jìn)行分類可視化。2.根據(jù)權(quán)利要求1所述一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法，其特征在于，所述對(duì)多模態(tài)數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊的步驟，具體包括：將時(shí)間誤差小于2分鐘的歷史雷達(dá)回波序列數(shù)據(jù)與衛(wèi)星云圖數(shù)據(jù)進(jìn)行合并和對(duì)齊；對(duì)氣象站數(shù)據(jù)進(jìn)行雙線性插值，將雙線性插值處理后得到的數(shù)據(jù)與雷達(dá)數(shù)據(jù)和衛(wèi)星數(shù)據(jù)進(jìn)行融合，依照經(jīng)緯度，對(duì)雷達(dá)數(shù)據(jù)、衛(wèi)星數(shù)據(jù)、氣象站數(shù)據(jù)以及海拔數(shù)據(jù)進(jìn)行空間匹配和對(duì)齊；將雷達(dá)序列數(shù)據(jù)和地理位置大數(shù)據(jù)與降水量數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊，所述地理位置大數(shù)據(jù)包括經(jīng)緯度數(shù)據(jù)和海拔數(shù)據(jù)。3.根據(jù)權(quán)利要求1所述一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法，其特征在于，所述構(gòu)建關(guān)于降水預(yù)測(cè)的知識(shí)圖譜的步驟，具體包括：獲取與降水相關(guān)的數(shù)據(jù)，包括從公開(kāi)網(wǎng)站和研究中獲得的非結(jié)構(gòu)化降水?dāng)?shù)據(jù)以及半結(jié)構(gòu)化降水?dāng)?shù)據(jù)，和從雷達(dá)與衛(wèi)星中獲取的結(jié)構(gòu)化降水?dāng)?shù)據(jù)；針對(duì)非結(jié)構(gòu)化降水?dāng)?shù)據(jù)和半結(jié)構(gòu)化降水?dāng)?shù)據(jù)，利用基于注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行降水預(yù)測(cè)的實(shí)體、關(guān)系和屬性抽取得到抽取降水信息，所述實(shí)體包括經(jīng)緯度、海拔、時(shí)間、溫度、風(fēng)向、濕度和降水量等；將結(jié)構(gòu)化降水?dāng)?shù)據(jù)和抽取降水信息進(jìn)行融合，融合過(guò)程包括降水實(shí)體消歧和對(duì)齊；對(duì)抽取降水信息進(jìn)行進(jìn)一步加工，利用機(jī)器學(xué)習(xí)相關(guān)性分析算法，分析經(jīng)緯度、海拔、時(shí)間、溫度、風(fēng)向和濕度與降水量之間的關(guān)系，即給定氣象因素具體的取值，得到該區(qū)域的最大降水量和最小降水量；根據(jù)抽取降水信息，構(gòu)建降水預(yù)測(cè)知識(shí)圖譜，將降水預(yù)測(cè)知識(shí)圖譜存儲(chǔ)到圖數(shù)據(jù)庫(kù)。4.根據(jù)權(quán)利要求1所述一種基于人工智能算法和知識(shí)圖譜的降水預(yù)測(cè)方法，其特征在于，所述構(gòu)建多模態(tài)雷達(dá)回波預(yù)測(cè)模型的步驟，具體包括：創(chuàng)建由Data Integration模塊、CNN+LSTM模塊、DS+LSTM模塊、US+LSTM模塊、CNN+LSTM模塊和Data Generation模塊構(gòu)成的多模態(tài)雷達(dá)回波預(yù)測(cè)模型，為更好的預(yù)測(cè)中心區(qū)域的降水，所述多模態(tài)雷達(dá)回波預(yù)測(cè)模型利用了512km*512km區(qū)域的氣象數(shù)據(jù)以及預(yù)測(cè)中心區(qū)256km*256km的雷達(dá)圖像；...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：于靜，馬亮，周鵬飛，張新壯，王曉林，
申請(qǐng)(專利權(quán))人：北京慧辰資道資訊股份有限公司，
類型：發(fā)明
國(guó)別省市：