【技術實現步驟摘要】
本專利技術涉及深度學習和氣象監測的，尤其是一種基于深度學習的降雨量預測方法。
技術介紹
1、降雨量預測在氣象研究與實踐中占據重要地位，尤其在防災減災、農業管理、水資源規劃等領域具有廣泛應用。傳統的降雨量預測主要依賴于數值天氣預報(nwp)模型，這些模型通過求解大氣運動的物理方程來模擬未來的天氣變化。然而，nwp模型存在一定局限性：首先，數值模型計算復雜，計算時間長，且對高性能計算資源有較大依賴。其次，由于數值模型對初始條件的敏感性，預測精度容易受到初始觀測誤差的影響。此外，在局部天氣預測，尤其是小尺度強降雨事件的預測中，數值模型往往難以提供高空間和高時間分辨率的結果。
2、隨著人工智能技術的發展，深度學習在時間序列數據處理中的應用廣泛，特別是長短期記憶網絡(lstm)在捕捉氣象數據中的時間依賴性上表現優異。相比于傳統的物理模型，深度學習可以從歷史氣象數據中自動學習到復雜的時空模式，提供高效的降雨量預測。然而，目前基于雷達、紅外遙感等數據的深度學習方法，雖然在短期降雨監測方面有較好的表現，但依賴高昂的硬件設備，無法在全國范圍內的各個地點應用，且對未來降雨的預測能力有限，特別是對于小尺度的極端天氣現象，這類方法的效果還不夠理想。
技術實現思路
1、為了克服上述現有技術中的缺陷，本專利技術提供一種基于深度學習的降雨量預測方法，降雨量預測模型通過濕度閾值的引導，可以在時間序列中優先關注對降雨有重要影響的時間步，從而提升降雨預測的準確性。
2、為實現上述目的，本專利技
3、一種基于深度學習的降雨量預測方法，包括以下步驟：
4、s1，獲取各個氣象站的氣象數據和實際降雨量，形成數據集；
5、s2，對數據集中的數據進行預處理，將預處理后的數據集作為樣本集；
6、s3，構建降雨量預測模型，模型包括lstm層、由濕度閾值引導的attention機制和全連接層；
7、s4，利用樣本集對降雨量預測模型進行訓練，降雨量預測模型的輸入為氣象數據，輸出為預測降雨量；
8、s5，采集近期一段時間內的氣象數據并進行預處理，將預處理后的氣象數據輸入訓練好的降雨量預測模型，得到未來的預測降雨量。
9、優選的，步驟s1中，氣象數據包括：從vmf模型中獲取的濕延遲數據和從氣象站獲取的總天頂延遲、氣壓、溫度、濕度數據；
10、對vmf模型中grid格式的濕延遲數據進行空間維度即經緯度上的插值處理和時間維度上插值處理，使所獲取的濕延遲數據與總天頂延遲、氣壓、溫度、濕度數據的空間維度和時間維度保持一致。
11、優選的，步驟s2中，所述預處理包括特征提取處理和歸一化處理，具體方式如下所示：
12、s21，對數據集中的各項數據即原始值，分別計算移動平均值和滯后值，作為該項數據所提取的兩個特征值：
13、移動平均值的計算方式為：
14、
15、其中，mat表示某項數據在時間點t的移動平均值，xt-i表示該項數據在時間點t-i的原始值，n是滑動窗口的大?。?/p>
16、移動平均值的計算方式為：
17、lagt＝xt-k
18、其中，lagk表示某項數據在時間點t的滯后值，xt-k表示該項數據在時間點t-k的原始值，即滯后k個時間步；
19、s22，對各項數據的特征值以及原始值進行min-max歸一化處理，將數據歸一化到[0,1]范圍內；
20、s23，經預處理后，得到各項數據在各個時間點的移動平均值、滯后值和原始值。
21、優選的，步驟s3中，降雨量預測模型包括lstm層、由濕度閾值引導的attention機制和全連接層，具體處理方式如下所示：
22、s31，lstm層對輸入數據xt進行計算，得到輸入數據xt的隱藏狀態ht，計算方式為：
23、ht,ct＝lstm(xt,ht-1,ct-1)
24、其中，xt表示當前時刻即時間點t的氣象數據；ht表示當前時刻的隱藏狀態；ct表示當前時刻的記憶狀態；ht-1表示上一時刻的隱藏狀態；ct-1表示上一時刻的記憶狀態；t＝1,2,...,t；
25、s32，attention機制即注意力機制根據隱藏狀態ht計算權重αt，計算方式為：
26、et＝fattention(ht)
27、
28、其中，et為注意力機制的得分，fattention(·)表示注意力函數，exp(·)表示指數函數，t'＝1,2,...,t，et′為時間點t′的注意力機制的得分；
29、注意力機制中設定有溫度閾值th，根據輸入數據中xt的濕度值為humidityt，和溫度閾值th，計算當前時刻即時間點t的掩碼maskt
30、
31、其中，λ為調整因子；
32、將掩碼maskt應用于注意力權重：
33、α′t＝αt·maskt
34、
35、其中，α′t是應用掩碼maskt后的注意力權重αt，α”t為經過歸一化處理后的最終注意力權重；
36、
37、通過注意力權重對lstm輸出的隱藏狀態ht進行加權求和，得到加權后的隱藏狀態hweighted：
38、s33，加權后的隱藏狀態hweighted輸入到全連接層，映射為模型輸出即預測降雨量
39、
40、其中，w是權重矩陣，b是偏置項；
41、即，降雨量預測模型的表達式具體如下所示：
42、
43、優選的，步驟s4中，降雨量預測模型訓練過程中，損失函數為：
44、
45、其中，yn為第n個樣本的實際降雨量，為第n個樣本的預測降雨量，n為樣本數量；
46、一種可讀存儲介質，其上存儲有計算機程序，所述計算機程序被執行時實現上述一種基于深度學習的降雨量預測方法。
47、一種電子設備，其包括處理器、存儲器及存儲于所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現上述一種基于深度學習的降雨量預測方法。
48、一種計算機程序產品，其包括計算機程序/指令，該計算機程序/指令被處理器執行時實現上述一種基于深度學習的降雨量預測方法。
49、本專利技術的優點在于：
50、(1)本專利技術基于vmf濕延遲數據和氣象站的常規氣象數據，提出了一種結合lstm和attention機制的深度學習降雨量預測方法，其中經過特別改造的attention層通過閾值來引導attention層，使其在濕度或其他特征超過某個閾值時增加注意力權重，確保模型更加關注關鍵的時間步。主要有以下兩個原因：因為降雨可能受到最近某一時間步或特定天氣事件的強烈影響，attention機制使模型能夠根據重要性加權不同時間步的數據，這種物理規則的結合可本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的降雨量預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的降雨量預測方法，其特征在于，步驟S1中，氣象數據包括：從VMF模型中獲取的濕延遲數據和從氣象站獲取的總天頂延遲、氣壓、溫度、濕度數據；
3.根據權利要求1所述的一種基于深度學習的降雨量預測方法，其特征在于，步驟S2中，所述預處理包括特征提取處理和歸一化處理，具體方式如下所示：
4.根據權利要求1所述的一種基于深度學習的降雨量預測方法，其特征在于，步驟S3中，降雨量預測模型包括LSTM層、由濕度閾值引導的Attention機制和全連接層，具體處理方式如下所示：
5.根據權利要求1所述的一種基于深度學習的降雨量預測方法，其特征在于，步驟S4中，降雨量預測模型訓練過程中，損失函數為：
6.一種可讀存儲介質，其特征在于，其上存儲有計算機程序，所述計算機程序被執行時實現權利要求1～5任一所述一種基于深度學習的降雨量預測方法。
7.一種電子設備，其特征在于，其包括處理器、存儲器及存儲于所述存儲器上并可在所述處理器上
8.一種計算機程序產品，其特征在于，其包括計算機程序/指令，該計算機程序/指令被處理器執行時實現權利要求1～5任一所述一種基于深度學習的降雨量預測方法。
...【技術特征摘要】
1.一種基于深度學習的降雨量預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的降雨量預測方法，其特征在于，步驟s1中，氣象數據包括：從vmf模型中獲取的濕延遲數據和從氣象站獲取的總天頂延遲、氣壓、溫度、濕度數據；
3.根據權利要求1所述的一種基于深度學習的降雨量預測方法，其特征在于，步驟s2中，所述預處理包括特征提取處理和歸一化處理，具體方式如下所示：
4.根據權利要求1所述的一種基于深度學習的降雨量預測方法，其特征在于，步驟s3中，降雨量預測模型包括lstm層、由濕度閾值引導的attention機制和全連接層，具體處理方式如下所示：
5.根據權利要...
【專利技術屬性】
技術研發人員：孟憲偉，申奧，賈琳，魯一行，潘瓊玉，
申請(專利權)人：中國科學院合肥物質科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。