一种构建用于风速预测的深度卷积回归网络的方法及装置转让专利
申请号 : CN202110407174.X
文献号 : CN112990354B
文献日 : 2021-08-13
发明人 : 匡秋明 , 向世明 , 张新邦 , 于廷照 , 胡骏楠
申请人 : 中国气象局公共气象服务中心(国家预警信息发布中心)
摘要 :
权利要求 :
1.一种构建用于风速预测的深度卷积回归网络的方法,其特征在于,包括:收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据;
基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序,构建时序编码层数据中的各通道数据;
针对每一历史时刻,对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合,得到地面融合数据,以及,对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合,得到高空融合数据;
依据地面融合数据以及高空融合数据,对预设的深度卷积回归训练网络进行训练,得到深度卷积回归网络;
所述深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络,空间特征提取网络包括:残差卷积网络以及空洞空间卷积池化金字塔网络,所述依据地面融合数据以及高空融合数据,对预设的深度卷积回归训练网络进行训练,得到深度卷积回归网络,包括:
将地面融合数据输入残差卷积网络,获得地面深层特征以及地面浅层特征,将高空融合数据输入所述残差卷积网络,获得高空深层特征以及高空浅层特征;
将地面深层特征输入空洞空间卷积池化金字塔网络,得到地面池化特征,将高空深层特征输入所述空洞空间卷积池化金字塔网络,得到高空池化特征;
分别对地面池化特征和高空池化特征进行双线性插值处理,得到地面插值特征以及高空插值特征;
对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接,得到空间特征;
将各历史时刻的空间特征输入时序特征融合网络,得到对应空间特征的时序权重因子;
依据各历史时刻的时序权重因子,对该历史时刻的空间特征进行加权,得到时序融合特征;
将时序融合特征输入残差特征提取网络,得到目标预测时序的风速预测值;
依据目标预测时序的风速预测值以及风速实际值,调整深度卷积回归训练网络的参数,直至深度卷积回归训练网络满足预先设置的精度阈值,得到深度卷积回归网络;
所述气象样本数据包括:温度、湿度、风速UV分量,所述地形地物样本数据包括:地面地形数据、地物数据、太阳高度角数据;
所述基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序,构建时序编码层数据中的各通道数据,包括:构建尺寸与地面观测气象样本数据的尺寸相同、通道数与总预测时序数相同的时序编码层数据,初始化时序编码层数据中各通道数据为0;
根据目标预测时序在总预测时序中的位置,将三维时序编码层数据中所述位置对应的通道数据设置为1;
所述历史时刻依次包括第一历史时刻、第二历史时刻、第三历史时刻,第一历史时刻距离当前时刻最近,所述将各历史时刻的空间特征输入时序特征融合网络,得到对应空间特征的时序权重因子,包括:
将第三历史时刻的空间特征输入时序特征融合网络,得到第一融合时序特征;
将第一融合时序特征以及第二历史时刻的空间特征输入时序特征融合网络,得到第二融合时序特征;
将第二融合时序特征以及第一历史时刻的空间特征输入时序特征融合网络,得到加权时序特征;
依据加权时序特征进行时序权重因子计算,分别得到第一历史时刻的空间特征的第一时序权重因子、第二历史时刻的空间特征的第二时序权重因子,以及,第三历史时刻的空间特征的第三时序权重因子。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取目标地区当前时刻前的各时序的地面观测气象数据、高空观测气象数据以及地形地物数据;
基于获取的地面观测气象数据的尺寸、所述总预测时序数以及未来预测时序,构建未来时序编码层数据中的各通道数据;
针对每一时序,对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合,得到低层融合数据,以及,对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼接融合,得到高层融合数据;
将低层融合数据以及高层融合数据输入所述深度卷积回归网络,得到所述未来预测时序的风速预测值。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:将高空观测气象样本数据通过双线性插值的方法,将尺寸变换为与地面观测气象样本数据的尺寸相同,并对地面观测气象样本数据、地形地物样本数据以及变换后的高空观测气象样本数据分别进行标准化、正则化处理。
4.一种构建用于风速预测的深度卷积回归网络的装置,其特征在于,包括:样本数据收集模块,用于收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据;
时序编码构建模块,用于基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序,构建时序编码层数据中的各通道数据;
数据融合模块,用于针对每一历史时刻,对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合,得到地面融合数据,以及,对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合,得到高空融合数据;
训练模块,用于依据地面融合数据以及高空融合数据,对预设的深度卷积回归训练网络进行训练,得到深度卷积回归网络;
所述深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络,空间特征提取网络包括:残差卷积网络以及空洞空间卷积池化金字塔网络,所述训练模块,具体用于:
将地面融合数据输入残差卷积网络,获得地面深层特征以及地面浅层特征,将高空融合数据输入所述残差卷积网络,获得高空深层特征以及高空浅层特征;
将地面深层特征输入空洞空间卷积池化金字塔网络,得到地面池化特征,将高空深层特征输入所述空洞空间卷积池化金字塔网络,得到高空池化特征;
分别对地面池化特征和高空池化特征进行双线性插值处理,得到地面插值特征以及高空插值特征;
对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接,得到空间特征;
将各历史时刻的空间特征输入时序特征融合网络,得到对应空间特征的时序权重因子;
依据各历史时刻的时序权重因子,对该历史时刻的空间特征进行加权,得到时序融合特征;
将时序融合特征输入残差特征提取网络,得到目标预测时序的风速预测值;
依据目标预测时序的风速预测值以及风速实际值,调整深度卷积回归训练网络的参数,直至深度卷积回归训练网络满足预先设置的精度阈值,得到深度卷积回归网络;
所述气象样本数据包括:温度、湿度、风速UV分量,所述地形地物样本数据包括:地面地形数据、地物数据、太阳高度角数据;
所述时序编码构建模块,具体用于:构建尺寸与地面观测气象样本数据的尺寸相同、通道数与总预测时序数相同的时序编码层数据,初始化时序编码层数据中各通道数据为0;
根据目标预测时序在总预测时序中的位置,将三维时序编码层数据中所述位置对应的通道数据设置为1;
所述历史时刻依次包括第一历史时刻、第二历史时刻、第三历史时刻,第一历史时刻距离当前时刻最近,所述将各历史时刻的空间特征输入时序特征融合网络,得到对应空间特征的时序权重因子,包括:
将第三历史时刻的空间特征输入时序特征融合网络,得到第一融合时序特征;
将第一融合时序特征以及第二历史时刻的空间特征输入时序特征融合网络,得到第二融合时序特征;
将第二融合时序特征以及第一历史时刻的空间特征输入时序特征融合网络,得到加权时序特征;
依据加权时序特征进行时序权重因子计算,分别得到第一历史时刻的空间特征的第一时序权重因子、第二历史时刻的空间特征的第二时序权重因子,以及,第三历史时刻的空间特征的第三时序权重因子。
5.根据权利要求4所述的装置,其特征在于,还包括:风速预测模块,用于获取目标地区当前时刻前的各时序的地面观测气象数据、高空观测气象数据以及地形地物数据;基于获取的地面观测气象数据的尺寸、所述总预测时序数以及未来预测时序,构建未来时序编码层数据中的各通道数据;针对每一时序,对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合,得到低层融合数据,以及,对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼接融合,得到高层融合数据;将低层融合数据以及高层融合数据输入所述深度卷积回归网络,得到所述未来预测时序的风速预测值。
6.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至3任一所述的构建用于风速预测的深度卷积回归网络的方法的步骤。
7.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至3任一所述的构建用于风速预测的深度卷积回归网络的方法的步骤。
说明书 :
一种构建用于风速预测的深度卷积回归网络的方法及装置
技术领域
背景技术
分复杂,使得对风速值进行预报的准确性较低,因而,对风速进行预测是目前气象学中的难
点。
发明内容
测气象样本数据以及地形地物样本数据进行拼接融合,得到高空融合数据;
所述依据地面融合数据以及高空融合数据,对预设的深度卷积回归训练网络进行训练,得
到深度卷积回归网络,包括:
建时序编码层数据中的各通道数据,包括:
刻,第一历史时刻距离当前时刻最近,所述将各历史时刻的空间特征输入时序特征融合网
络,得到对应空间特征的时序权重因子,包括:
空间特征的第三时序权重因子。
象数据以及地形地物数据进行拼接融合,得到高层融合数据;
观测气象样本数据分别进行标准化、正则化处理。
度、湿度、风速UV分量,所述地形地物样本数据包括:地面地形数据、地物数据、太阳高度角
数据。
码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合,得到高空融合数
据;
所述训练模块,具体用于:
序数以及未来预测时序,构建未来时序编码层数据中的各通道数据;针对每一时序,对构建
的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合,得到低层融
合数据,以及,对构建的未来时序编码层数据、高空观测气象数据以及地形地物数据进行拼
接融合,得到高层融合数据;将低层融合数据以及高层融合数据输入所述深度卷积回归网
络,得到所述未来预测时序的风速预测值。
现上述方法的步骤。
样本数据;基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测
时序,构建时序编码层数据中的各通道数据;针对每一历史时刻,对构建的时序编码层数
据、地面观测气象样本数据以及地形地物样本数据进行拼接融合,得到地面融合数据,以
及,对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融
合,得到高空融合数据;依据地面融合数据以及高空融合数据,对预设的深度卷积回归训练
网络进行训练,得到深度卷积回归网络。这样,利用空间维度的气象数据构建时序编码层数
据,对时序编码层数据以及气象数据进行融合,可以提升气象数据的特征提取质量,使得构
建的深度卷积回归网络的精度较高,从而在利用深度卷积回归网络进行风速预测时,能有
效提高风速预测的精度。
附图说明
范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这
些附图获得其他相关的附图。
具体实施方式
是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实
施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的
实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实
施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所
有其他实施例,都属于本发明保护的范围。
一种基于深度卷积回归网络的多时序风速预测方法,利用历史多时序观测得到的气象数
据,如温度、湿度、风速UV分量以及地形地物数据,对未来多时序的风速值进行预测。
数据包括一种或多种类别数据,包括但不限于:温度、湿度、风速UV分量,地形地物样本数据
包括但不限于:地面地形(经度、纬度)数据、地物数据、太阳高度角数据。
集的地面观测气象样本数据的尺寸为HlhxWl,因而,作为一可选实施例,该方法还包括:
观测气象样本数据分别进行标准化、正则化处理。
插值,使得插值后的高空观测气象样本数据尺寸与地面观测气象样本数据尺寸相同。对于
地形地物样本数据,进行同样处理。例如,将尺寸为HhhxWh的高空观测气象样本数据,通过双
线性插值的方法,将尺寸变换为HlhxWl,使之与地面观测气象样本数据的尺寸相同,便于后
续处理。在对高空观测气象样本数据进行尺寸变换后,对地面观测气象样本数据、地形地物
样本数据以及变换后的高空观测气象样本数据分别进行标准化、正则化操作。
则对应的类别数为2。
时间范围与预测时序频率的商值。实际应用中,预测时间范围以及预测时序频率可依据实
际需要进行设置,本发明实施例对此不作限定。
序编码层数据中的各通道数据,包括:
总预测时序数为:T=8。
若目标预测时序为对未来第6小时时段风速进行预测,则将时序编码层数据中的第2通道数
据全部设置为1,其余通道数据都设置为0。再例如,若目标预测时序为对未来第3小时时段
和第6小时时段风速进行预测,则将时序编码层数据中的第1通道数据和第2通道数据全部
设置为1,其余通道数据都设置为0。
据、高空观测气象样本数据以及地形地物样本数据进行拼接融合,得到高空融合数据;
小为(T+C)xHxW的地面融合数据。
及空洞空间卷积池化金字塔网络,所述依据地面融合数据以及高空融合数据,对预设的深
度卷积回归训练网络进行训练,得到深度卷积回归网络,包括:
特征以及高空深层特征)。
间气象信息。
在空洞空间卷积池化金字塔网络中,获取特征经过了膨胀系数分别为1、6、24,通道数相同
的卷积操作进行特征抽取,经过批正则化操作后,获取的特征中包含了不同感受野的信息。
后,再在y方向上通过单线性插值求出P(x,y)的值,具体的,R(1 x,y1)、R(2 x1,y2)的计算公式
如下:
史时刻、第二历史时刻、第三历史时刻,第一历史时刻距离当前时刻最近,将各历史时刻的
空间特征输入时序特征融合网络,得到对应空间特征的时序权重因子,包括:
刻的空间特征的第三时序权重因子。
且将多时段气象特征的通道数降低为原来的四分之一,全局池化层用于将特征融合卷积层
输出的空间特征信息融合,输出大小为通道数的全局池化特征,全连接层依据全局池化特
征输出长度为N的时序权重因子,对应输入的N个时序(历史时刻)。
差风速预测值,计算距离当前时刻最近的历史时刻的风速实际值与低尺度残差风速预测值
的和值,得到风速预测值。
可选实施例,采用随机梯度下降法(SGD,Stochastic Gradient Descent)SGD优化方法进行
20轮训练,使用的初始学习率为0.01、权重衰减值0.0005、惯性量0.9,并且在训练中使用全
局批标准化方法。作为一可选实施例,在训练过程中,为了得到鲁棒性更强的深度卷积回归
训练网络,在训练过程中,对训练数据进行数据增强变换,其中,数据增强变换包括随机在
数据中截取大小为256的正方形区域、随机水平翻转等。
归网络,分别进行风速预测。
型一的风速预测结果,最下方的曲线为深度卷积回归网络的风速预测结果。从结果中可以
看出,深度卷积回归网络的风速预测结果,相较于风速预测模型一、风速预测模型二的风速
预测结果,能取得较好的预测精度。
据、高空观测气象数据以及地形地物数据),需要获取t+m时刻、t+m‑1时刻、…、t+m‑n时刻的
风速预测值,其中,m、n为自然数。作为一可选实施例,m=8、n=5,即深度卷积回归网络的输入
数据为5个时序、逐6小时的气象数据,输出数据为8个时序、逐3小时的风速预测值。
测气象数据以及地形地物数据进行拼接融合,得到高层融合数据;
构中,适时对网络结构参数进行共享,减小了网络复杂度与内存占用,可以提高网络的收敛
速率,同时避免了网络训练过程中梯度爆炸与梯度消失的问题;利用多要素气象实况数据
实现多时段风速值预测,无需利用数值模式预报,具有高灵活性、鲁棒性、风速预测精度高
的特点。
对地面观测气象样本数据、地形地物样本数据以及变换后的高空观测气象样本数据分别进
行标准化、正则化处理。
逐3小时预报,则总预测时序数为8,即预测时间范围与预测时序频率的商值。
序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合,得到高空融
合数据;
小为(T+C)xHxW的地面融合数据。
训练模块304,具体用于:
述总预测时序数以及未来预测时序,构建未来时序编码层数据中的各通道数据;针对每一
时序,对构建的未来时序编码层数据、地面观测气象数据以及地形地物数据进行拼接融合,
得到低层融合数据,以及,对构建的未来时序编码层数据、高空观测气象数据以及地形地物
数据进行拼接融合,得到高层融合数据;将低层融合数据以及高层融合数据输入所述深度
卷积回归网络,得到所述未来预测时序的风速预测值。
时序特征融合网络,得到对应空间特征的时序权重因子,包括:
空间特征的第三时序权重因子。
储器401上并可在该处理器402上运行的计算机程序,其中,上述处理器402执行上述计算机
程序时实现上述构建用于风速预测的深度卷积回归网络的方法的步骤。
测的深度卷积回归网络的方法。
程序被处理器运行时执行上述构建用于风速预测的深度卷积回归网络的方法的步骤。
辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可
以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间
的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连
接,可以是电性,机械或其它的形式。
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该
计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是
个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步
骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read‑Only Memory, ROM)、随机存
取存储器(Random Access Memory ,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员
在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻
易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使
相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护
范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。