一種基于融合注意力機制和制造技術

本發明專利技術公開了一種基于融合注意力機制和

【技術實現步驟摘要】
一種基于融合注意力機制和Bi
?
LSTM的降雨預測方法


[0001]本專利技術涉及深度學習算法，具體涉及一種基于融合注意力機制和
Bi
?
LSTM
深度學習模型的降雨預測方法
。

技術介紹

[0002]降雨預測是氣象學領域中的重要問題，對于城市規劃
、
防洪搶險等具有重要意義
。
傳統的降雨預測方法往往受限于特征提取能力和處理序列數據的能力，導致預測結果準確性不高
。
因此，采用深度學習模型進行降雨預測成為一種研究趨勢
。

技術實現思路

[0003]本專利技術涉及一種基于融合注意力機制和
Bi
?
LSTM
的降雨預測方法，旨在提供一種準確預測降雨情況的方法，以應對氣象預測領域中的挑戰
。
該方法綜合利用圖像處理
、
特征提取
、
注意力機制和深度學習等技術，通過有效捕捉時間序列中的模式和特征，實現對未來降雨的精確預測
。
所述方法包括圖像預處理模塊
、
特征提取模塊
、
融合注意力模塊和
Bi
?
LSTM
預測模塊四個模塊
。
[0004]圖像預處理模塊：
[0005]該模塊主要包括兩個關鍵步驟，即圖像拼接和圖像降噪
。
在圖像拼接階段，基于雷達回波圖像在時間和空間上的均勻連續分布，采用模板匹配方法將多個局部雷達圖像拼接成更大范圍的雷達圖像
。
這有助于獲取更全局的圖像特性
。
同時，在圖像降噪階段，采用
K
?
means
算法，通過計算歐氏距離確定缺失數據樣本最近的
K
個樣本，將這些
K
個樣本的加權平均值用于缺失數據的補全
。
經過降噪和拼接后的圖像提供了更準確
、
完整的輸入數據
。
[0006]特征提取模塊：
[0007]特征提取模塊使用
Deepflow
算法對經過預處理的雷達回波圖像進行光流特征提取
。
該算法能夠捕捉圖像序列中的運動信息，生成光流特征向量
。
這些特征能夠反映圖像中的變化和趨勢，為后續的預測模塊提供有力的輸入
。
[0008]融合注意力模塊：
[0009]融合注意力模塊分為特征注意力子模塊和時間注意力子模塊
。
特征注意力子模塊利用光流特征向量生成特征權重矩陣，而時間注意力子模塊則根據預處理后的雷達回波圖像序列生成時間注意力矩陣
。
競爭隨機搜索算法被應用于篩選并融合這些權重矩陣，得到一個整合了特征和時間信息的注意力權重矩陣
。
[0010]Bi
?
LSTM
預測模塊：
[0011]經過融合注意力模塊處理后的注意力權重矩陣作為輸入，
Bi
?
LSTM
預測模塊采用雙向長短時記憶網絡
(Bi
?
LSTM)
算法對未來降雨進行預測
。
該模塊能夠同時考慮過去和未來信息，更準確地捕捉時間序列中的模式和趨勢，從而實現對未來降雨情況的預測
。
[0012]綜上所述，本專利技術提供了一種基于融合注意力機制和
Bi
?
LSTM
的降雨預測方法，通過圖像預處理
、
特征提取
、
融合注意力和
Bi
?
LSTM
預測模塊的協同作用，能夠在氣象預測領
域實現準確的降雨預測，具有廣泛的應用前景
。
附圖說明
[0013]圖1為本專利技術總體結構示意圖
。
具體實施方式
[0014]為了使本專利技術的目的
、
技術方案及優點更加清楚明白，以下結合附圖及實施例，對本專利技術進行進一步詳細說明
。
[0015]本專利技術所述方法包括圖像預處理模塊
、
特征提取模塊
、
融合注意力模塊和
Bi
?
LSTM
預測模塊
。
圖像預處理模塊得到信息更豐富雷達回波圖，特征提取模塊提取到相應光流特征，特征融合注意力模塊對圖像的特征信息和時間特征進行篩選，最后通過
Bi
?
LSTM
預測模塊對未來降雨進行預測
。
[0016]整個系統的運作流程如圖1所示：
[0017]其中，步驟一，對雷達回波原圖像進行圖像拼接和圖像降噪補全的預處理，在圖像拼接方面，對于一組
4x 16
的局部雷達回波圖像，根據它們的時間和空間分布關系，采用模板匹配的方法，將局部圖像像素按照匹配關系組合，得到
1x 2
的雷達拼接圖像
。
在圖像降噪補全方面，對拼接后的雷達圖像，利用
K
?
means
算法對整個圖像進行分割，獲得初始的5個聚類中心
。
然后，對于缺失數據的樣本，每個聚類中心的歐氏距離，并選擇距離最近的5個樣本的值進行加權平均，得到缺失數據的估計值，從而實現雷達回波圖像的補全和降噪
。
[0018]步驟二：使用特征提取模塊，使用
Deepflow
算法對預處理后的雷達回波圖像進行特征提取
。Deepflow
算法能夠計算圖像序列中的光流向量，捕捉圖像之間的運動信息
。
對于每個圖像幀，提取的光流向量將被用作特征向量，用于后續的注意力計算和預測
。
[0019]步驟三：使用融合注意力模塊，將特征提取得到的光流特征向量經過特征注意力子模塊得到相應的特征注意力權重矩陣，將雷達回波原圖像組經過時間注意力子模塊對其時序信息處理，得到時間注意力權重矩陣
。
[0020]步驟四：采用競爭隨機搜索算法計算步驟三得到的特征注意力權重矩陣和時間注意力權重矩陣，擇優選擇權重子集，形成融合后的注意力權重矩陣
。
[0021]步驟五：將融合后的注意力權重矩陣作為輸入，構建雙向長短時記憶網絡
(Bi
?
LSTM)
模型
。
模型接受時間序列數據作為輸入，通過多個
LSTM
單元以及正向和反向
LSTM
層，學習時間序列中的模式和趨勢
。
訓練完畢的模型可以用于對未來降雨情況進行預測
。
本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.
一種基于融合注意力機制和
Bi
?
LSTM
的降雨預測方法，其特征在于，包括：圖像預處理模塊
、
特征提取模塊
、
融合注意力模塊和
Bi
?
LSTM
預測模塊
。
圖像預處理模塊對雷達回波圖像進行圖像拼接和圖像降噪；特征提取模塊采用
Deepflow
算法根據雷達回波圖像進行光流特征提取；融合注意力模塊分為特征注意力子模塊和時間注意力子模塊，特征注意力子模塊根據光流特征生成相應權重矩陣，時間注意力子模塊根據每組雷達回波圖生成對應權重矩陣，并通過競爭隨機搜索算法從中選擇出最優的注意力權重集合；
Bi
?
LSTM
預測模塊采用
Bi
?
LSTM
算法對未來降雨進行預測
。2.
根據權利要求1所述的一種基于融合注意力機制和
Bi
?
LSTM
的降雨預測方法，其中，圖像預處理模塊，其特征是：圖像拼接基于雷達回波圖像在時間和空間上的均勻連續分布，利用模板匹配的方法關聯雷達回波圖像之間的特性，將一系列小范圍的局部雷達圖像拼接成更大空間范圍的雷達圖像，從而獲得更加整體的特性
。
圖像降噪，采用
K
?
means
算法，根據歐氏距離確定離缺失數據樣本最近的
K
個樣本，并將這些
K
值的加權平均值作為該樣本的缺失數據，將處理后的輸入數據歸一化進行模型處理，根據輸入數據的均值
μ
和方差
σ
代入計算式
(1)
，其中
x
表示每個雷達回波圖像幀
。
從而實現圖像缺失中的補全
。3.
根據權利要求1所述的一種基于融合注意力機制和
Bi
?
LSTM

【專利技術屬性】
技術研發人員：于浩，張健，孫海明，梁建權，宮銘辰，苑美實，楊力，何曉會，王魯昕，
申請(專利權)人：國家電網有限公司，
類型：發明
國別省市：