天气预测方法及相关装置

摘要

本申请提供了一种天气预测方法及相关装置，包括：根据获取的待预测视频数据获取至少一个待预测图像数据，并将其输入第一分类模型，得到第一分类结果；在第一分类结果为常规天气类型中的天气类型时，确定第一分类结果对应的天气类型为参考天气类型；在第一分类结果为未知天气类型时，获取每个第一天气类型的分类概率；根据分类概率确定第一分类结果的分类情况；获取目标图像特征；根据分类情况、目标图像特征和第二分类模型，获取第二分类结果；确定第二分类结果的天气类型为参考天气类型；获取每个待预测图像数据的参考天气类型；根据每个待预测图像数据对应的参考天气类型确定目标天气类型。可以提高天气情况预测的准确度。

权利要求

1.一种天气预测方法，其特征在于，包括：

获取待预测视频数据；

根据所述待预测视频数据获取至少一个待预测图像数据；

将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将VGG16模型的三个全连接层替换为一个压平flatten层、一个第一全连接层、一个丢弃dropout层和一个第二全连接层，所述第一全连接层的激活函数为线性整流relu函数，所述第二全连接层的激活函数为归一化指数softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型；

在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；

在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，确定是否存在第二天气类型，所述第二天气类型为所述常规天气类型中所述分类概率属于预设阈值范围，且所述分类概率之间的差距小于第一预设值的天气类型，所述第二天气类型的数量至少为两个；

若存在所述第二天气类型，则确定多个第二天气类型是否能同时存在；若不能同时存在，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型；若能同时存在，则确定每个第二天气类型对应的参考图像特征的重合率，所述参考图像特征为所述待预测图像数据的目标图像特征中与所述每个第二天气类型关联的图像特征；以及，确定所述重合率与所述每个第二天气类型对应的分类概率之间的差距是否匹配；

若匹配，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型；

若不匹配，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，在所述分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型的情况下，将所述目标图像特征输入第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型，所述第二分类模型为深度神经网络的分类模型；以及，在所述分类情况表征所述待预测图像数据对应的天气情况属于所述组合天气类型的情况下，确定所述多个第二天气类型中每个第二天气类型的预设图像特征集合，所述预设图像特征集合中的多个图像特征用于共同指示所述第二天气类型；以及，获取所述每个第二天气类型对应的未重合特征，所述未重合特征为所述每个第二天气类型对应的参考图像特征中除重合图像特征以外的图像特征，所述重合图像特征为所述多个第二天气类型均对应的图像特征；以及，确定所述每个第二天气类型对应的未重合特征在所述每个第二天气类型对应的预设图像特征集合中的图像特征数量占比；以及，根据所述图像特征数量占比获取所述第二分类结果，所述第二分类结果对应的天气类型为所述组合天气类型中的天气类型，且所述组合天气类型包括的天气类型为所述图像特征数量占比大于第二预设值的第二天气类型；以及，确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；

获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；

根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

2.根据权利要求1所述的方法，其特征在于，所述获取待预测视频数据之前，所述方法还包括：

获取第一训练图像数据；

对所述第一训练图像数据进行数据增强处理，得到第二训练图像数据；

对所述第二训练图像数据进行分批处理，得到多批次图像数据；

将当前批次图像数据输入所述训练模型中，使用均方根传递RMSprop优化器对所述训练模型进行训练，得到所述训练模型的待更新参数值；

根据所述待更新参数值对所述训练模型进行参数更新，得到更新后的训练模型；

确定下一批次图像数据为所述当前批次图像数据，所述更新后的训练模型为当前训练模型，重复上述步骤，直到所述当前批次图像数据为最后批次图像数据；

确定根据所述最后批次图像数据得到的更新后的训练模型的模型参数构建所述第一分类模型。

3.根据权利要求2所述的方法，其特征在于，所述对所述第二训练图像数据进行分批处理，得到多批次图像数据，包括：对所述第二训练图像数据进行分类，得到多个训练图像集合，每个训练图像集合中包括的第二训练图像数据所属的天气类型相同；

获取每个批次的图像数据数量；

根据所述每个批次的图像数据数量分别从所述每个训练图像集合中随机选择预设数量个第二训练图像数据组成一个图像数据批次，得到多批次图像数据，所述预设数量与所述每个批次的图像数据数量关联，每个批次的图像数据中包括的第二训练图像数据与其他批次的图像数据中包括的任意一个第二训练图像数据不同。

4.根据权利要求3所述的方法，其特征在于，所述RMSProp优化器的学习率为0.0001。

5.一种用于实施如权利要求1‑4任一项所述的天气预测方法的天气预测装置，其特征在于，包括：第一获取单元，用于获取待预测视频数据；

第二获取单元，用于根据所述待预测视频数据获取至少一个待预测图像数据；

第三获取单元，用于将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将VGG16模型的三个全连接层替换为一个压平flatten层、一个第一全连接层、一个丢弃dropout层和一个第二全连接层，所述第一全连接层的激活函数为线性整流relu函数，所述第二全连接层的激活函数为归一化指数softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型；

第一确定单元，用于在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；

第四获取单元，用于在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，第二确定单元，用于确定是否存在第二天气类型，所述第二天气类型为所述常规天气类型中所述分类概率属于预设阈值范围，且所述分类概率之间的差距小于第一预设值的天气类型，所述第二天气类型的数量至少为两个；若存在所述第二天气类型，则确定多个第二天气类型是否能同时存在；若不能同时存在，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型；若能同时存在，则确定每个第二天气类型对应的参考图像特征的重合率，所述参考图像特征为所述待预测图像数据的目标图像特征中与所述每个第二天气类型关联的图像特征；以及用于确定所述重合率与所述每个第二天气类型对应的分类概率之间的差距是否匹配；若匹配，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型；若不匹配，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，第五获取单元，用于获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，第六获取单元，用于在所述分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型的情况下，将所述目标图像特征输入第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型，所述第二分类模型为深度神经网络的分类模型；以及用于在所述分类情况表征所述待预测图像数据对应的天气情况属于所述组合天气类型的情况下，确定所述多个第二天气类型中每个第二天气类型的预设图像特征集合，所述预设图像特征集合中的多个图像特征用于共同指示所述第二天气类型；以及用于获取所述每个第二天气类型对应的未重合特征，所述未重合特征为所述每个第二天气类型对应的参考图像特征中除重合图像特征以外的图像特征，所述重合图像特征为所述多个第二天气类型均对应的图像特征；以及用于确定所述每个第二天气类型对应的未重合特征在所述每个第二天气类型对应的预设图像特征集合中的图像特征数量占比；以及用于根据所述图像特征数量占比获取所述第二分类结果，所述第二分类结果对应的天气类型为所述组合天气类型中的天气类型，且所述组合天气类型包括的天气类型为所述图像特征数量占比大于第二预设值的第二天气类型；以及，第三确定单元，用于确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；

第七获取单元，用于获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；

第四确定单元，用于根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

6.一种服务器，其特征在于，包括处理器、存储器，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1‑4任一项所述的方法中的步骤的指令。

7.一种计算机可读存储介质，其上存储有计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行实现权利要求1‑4任一项所述方法的步骤。

说明书

天气预测方法及相关装置

技术领域

[0001] 本申请属于互联网产业的一般数据处理技术领域，具体涉及一种天气预测方法及相关装置。

背景技术

[0002] 随着互联网产业的迅速发展，视频的发送速度更快，视频传输的质量也更高，使得利用视频内容进行天气预测成为可能。然而当前利用视频内容进行天气预测时的预测的技术不完善，且预测准确度不够，以至于无法基于针对目标区域内的视频数据获得准确的天气情况，使得推送给用户的目标区域内的天气情况不准确，导致用户使用体验不高。

发明内容

[0003] 本申请实施例提供了一种天气预测方法及相关装置，以提高基于视频数据进行天气情况预测的准确度，提高用户使用体验。

[0004] 第一方面，本申请实施例提供了一种天气预测方法，包括：

[0005] 获取待预测视频数据；

[0006] 根据所述待预测视频数据获取至少一个待预测图像数据；

[0007] 将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将视觉几何群网络（Visual Geometry Group Network，VGG）16模型的三个全连接层依次替换为一个压平flatten层、一个第一全连接层、一个丢弃dropout层和一个第二全连接层，所述第一全连接层的激活函数为线性整流relu函数，所述第二全连接层的激活函数为归一化指数softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型；

[0008] 在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；

[0009] 在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，

[0010] 根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况，所述分类情况用于表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型，或者所述天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，

[0011] 获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，[0012] 根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类模型为深度神经网络的分类模型，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型或者为所述组合天气类型中的天气类型；以及，

[0013] 确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；

[0014] 获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；

[0015] 根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

[0016] 第二方面，本申请实施例提供了一种天气预测装置，包括：

[0017] 第一获取单元，用于获取待预测视频数据；

[0018] 第二获取单元，用于根据所述待预测视频数据获取至少一个待预测图像数据；

[0019] 第三获取单元，用于将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将VGG16模型的三个全连接层依次替换为一个压平flatten层、一个第一全连接层、一个丢弃dropout层和一个第二全连接层，所述第一全连接层的激活函数为线性整流relu函数，所述第二全连接层的激活函数为归一化指数softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型；

[0020] 第一确定单元，用于在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；

[0021] 第四获取单元，用于在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，

[0022] 第二确定单元，用于根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况，所述分类情况用于表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型，或者所述天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，

[0023] 第五获取单元，用于获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，

[0024] 第六获取单元，用于根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类模型为深度神经网络的分类模型，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型或者为所述组合天气类型中的天气类型；以及，

[0025] 第三确定单元，用于确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；

[0026] 第七获取单元，用于获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；

[0027] 第四确定单元，用于根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

[0028] 第三方面，本申请实施例提供了一种服务器，包括处理器、存储器和通信接口；所述存储器、所述通信接口与所述处理器连接；所述存储器用于存储计算机程序代码，所述计算机程序代码包括指令，当所述处理器执行所述指令时，所述电子设备执行如上述第一方面中所述的方法。

[0029] 第四方面，本申请实施例提供了一种计算机存储介质其上存储有计算机程序/指令，该计算机程序/指令被处理器执行实现上述第一方面所述方法的步骤。

[0030] 第五方面，本申请实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

[0031] 可见，本申请实施例中，根据获取的视频数据获取至少一个待预测图像数据，然后将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将VGG16模型的三个全连接层依次替换为一个flatten层、一个第一全连接层、一个dropout层和一个第二全连接层，所述第一全连接层的激活函数为relu函数，所述第二全连接层的激活函数为softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型，再然后在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况，所述分类情况用于表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型，或者所述天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类模型为深度神经网络的分类模型，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型或者为所述组合天气类型中的天气类型；以及，确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；再然后获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；最后根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

[0032] 这样，当视频数据表征的天气情况为常规天气时，可以通过本方案的第一分类模型快速准确地进行分类，而当视频数据表征的天气情况为异常天气时，本方案也可以通过第二分类模型进行分类。即本方案可以做到对大部分可能出现的天气情况均进行分类和识别。且本方案还可以识别出存在多种天气组合的情况，使得本方案预测出的天气情况更准确和全面。而且针对异常天气情况和常规天气情况的分类时运用的是不同的模型，可以使得在对模型训练时的训练数据量更均衡，提高了用于分类的两个分类模型的泛化性能，增强对天气情况进行分类的准确度，同时提高用户使用体验。

附图说明

[0033] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。

[0034] 图1是本申请实施例提供的一种天气预测系统的系统架构图；

[0035] 图2是本申请实施例提供的一种服务器的结构示意图；

[0036] 图3是本申请实施例提供的一种天气预测方法的流程示意图；

[0037] 图4是本申请实施例提供的第一分类模型的训练模型的模型架构图；

[0038] 图5是本申请实施例提供的一种天气预测装置的功能单元组成框图；

[0039] 图6是本申请实施例提供的另一种天气预测装置的功能单元组成框图。

具体实施方式

[0040] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0041] 本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

[0042] 在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

[0043] 当前利用视频内容进行天气预测时的预测的技术不完善，且预测准确度不够，以至于无法基于针对目标区域内的视频数据获得准确的天气情况，使得推送给用户的目标区域内的天气情况不准确，导致用户使用体验不高。

[0044] 针对上述问题，本申请实施例提供了一种天气预测方法及相关装置，下面结合附图对本申请实施例进行详细介绍。

[0045] 请参阅图1，图1是本申请实施例提供的一种天气预测系统的系统架构图。如图1所示，天气预测系统10包括视频数据获取设备101、服务器102和电子设备103。该视频数据获取设备101用于实时获取与天气情况有关的视频数据，该视频数据获取设备101可以获取来自摄像头的视频数据，例如交通摄像头或者用于监测天气的摄像头。该视频数据获取设备101获取的视频数据可以包括地面视频数据，天空视频数据等。该视频数据获取设备101还可以获取来自其他设备上传的视频数据。例如用户用手机拍摄了图片或视频，该用户拍摄的视频中包括有针对某个天气情况的特征图像，然后用户将该图片或视频上传给视频数据获取设备101。电子设备103可以是需求发起设备，即由电子设备103向服务器102发送天气情况预测请求，然后服务器102根据请求的内容进行天气情况预测，或者将已预测的天气情况发送给电子设备103进行显示。

[0046] 请参阅图2，图2是本申请实施例提供的一种服务器的结构示意图。如图2所示，所述服务器102包括处理器120、存储器130、通信接口140以及一个或多个程序131，其中，所述一个或多个程序131被存储在上述存储器130中，且被配置由上述处理器120执行，所述一个或多个程序131包括用于执行下述方法实施例中任一步骤的指令。具体实现中，所述处理器120用于执行如下述方法实施例中由电子设备执行的任一步骤，且在执行诸如发送等数据传输时，可选择的调用所述通信接口140来完成相应操作。

[0047] 请参阅图3，图3是本申请实施例提供的一种天气预测方法的流程示意图。所述方法包括以下步骤。

[0048] S310，获取待预测视频数据。

[0049] 其中，服务器在针对不同的区域或者地点进行天气情况预测时，每个区域或者地点有固定的视频数据获取来源，该固定来源可以是摄像头。也就是说，当服务器要确定目标区域或地点的天气情况时，会获取来自该目标区域或地点对应的目标摄像头的视频数据，然后由服务器根据该目标摄像头的视频数据进行天气情况预测。特别地，由于视频数据获取设备还可以获取来自用户上传的视频数据，因此在用户上传视频数据时，会对用户上传的视频数据进行标记，该标记包括拍摄时间和拍摄地点。这样在进行天气预测时，服务器可以根据时间和地点筛选出可用的用户上传视频数据，且在根据该筛选出的可用的用户上传视频数据包括多个时，还可以对这多个视频数据进行相似度计算，并剔除掉相似度高的视频数据，仅保留相似度高的视频数据中的一个视频数据。

[0050] S320，根据所述待预测视频数据获取至少一个待预测图像数据。

[0051] 其中，服务器在针对某目标地点或区域进行天气情况预测时，可能同时获取了多个视频数据，因此可以分别获取每个待预测视频数据对应的图像帧，得到多帧待预测图像数据，然后对这多帧待预测图像数据再进行相似度检测，将相似度高的待预测图像数据进行筛选，仅保留其中一帧图像。保留的一帧图像可以是相关相似度高的图像中清晰度最高，或者包含的图像元素最多的一帧，该图像元素用于指示出现在图像中的景物。经过筛选后，保留的图像数据就为待预测图像数据。

[0052] S330，将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果。

[0053] 其中，所述第一分类模型的训练模型为将VGG16模型的三个全连接层依次替换为一个压平flatten层、一个第一全连接层、一个丢弃dropout层和一个第二全连接层，所述第一全连接层的激活函数为线性整流relu函数，所述第二全连接层的激活函数为归一化指数softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型。VGG16模型包括13个卷积层、5个池化层和3个全连接层。

[0054] 卷积层用于对待预测图像数据进行特征提取，得到每个待预测图像数据对应的特征图。而经过卷积操作后提取到的特征信息，相邻区域会有相似特征信息，这是可以相互替代的，如果全部保留这些特征信息会存在信息冗余，增加计算难度。因此可以通过池化层不断地减小数据的空间大小，参数的数量和计算量会有相应的下降，这在一定程度上控制过拟合。

[0055] 本方案中第一分类模型的训练模型将VGG16模型最后的三个全连接层进行了替换，如图4所示，图4是本申请实施例提供的第一分类模型的训练模型的模型架构图，该第一分类模型包括VGG16模型的原始架构层，即13个卷积层和5个池化层，以及包括一组自定义层，该自定义层中就包括有一个flatten压平层、一个第一全连接层、一个dropout丢弃层和一个第二全连接层。该训练模型的输入可以是224x224x3的彩色图，即输入为3通道的长和宽都为224的图像数据。flatten层用于将池化后的数据拉开，变成一维向量来表示，方便输入到全连接网络。dropout层会按照一定的比例将网络中的神经元进行丢弃，可以防止模型训练过拟合的情况。且本方案的第一个全连接层的激活函数为relu函数，其具有非线性、稀疏性、抑制过拟合、训练速度快、避免梯度消失和实现简单等优点。而本方案的第二个全连接层的激活函数为softmax函数，该函数具有归一化输出、高效计算、与交叉熵结合紧密、区分性强和鲁棒性好等优势，因此第一分类模型的训练模型不仅训练速度快，且使得训练后的第一分类模型对于天气情况的预测的多分类任务的分类效果好。

[0056] 需要说明的是，本方案中所指的第一天气类型互斥是指第一天气类型中的天气是一个单独的天气情况。例如本方案中的常规天气类型包括下雨、下雪、日出和雾霾等。对于可能会出现多种常规天气同时存在的情况，例如既下雨又下雪的天气，则会被分类至未知天气类型中。

[0057] S340，在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型。

[0058] S350，在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率。

[0059] 其中，在通过第一分类模型对每个待预测图像数据表征的天气情况进行分类时，会针对每个第一天气类型的可能计算一个概率值，例如当前有两个常规天气类型，分别为下雨和下雪，第一分类模型进行分类时得到当前待预测图像数据对应的天气情况为下雪的分类概率为0.2、为下雨的分类概率为0.2，未知天气类型的分类概率为0.6，则第一分类结果就为该待预测图像数据的天气类型为未知天气类型。需要说明的是，第一天气类型中的各个天气类型的分类概率之和为1。

[0060] S351，根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况。

[0061] 其中，所述分类情况用于表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型，或者所述天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合。即异常天气类型为较少出现的天气类型，例如下冰雹。由于其他异常天气类型出现概率小，因此用于进行训练时的数据样本与常规天气类型的数据样本的数量具有明显区别。为了提高第一分类模型的泛化能力和保证训练样本的均衡性，在进行第一分类模型的训练模型的训练时，获取的训练数据为常规天气的图像数据。这样使得对于下冰雹这种异常天气类型统一分类至未知天气类型中。使得第一分类模型对于常规天气类型的预测可以更准确。且由于在进行天气预测时，大部分天气情况都是常规天气类型，因此先用第一分类模型进行预测还可以提高对于天气情况预测的速度。组合天气即多种常规天气同时存在的天气情况，例如同时出现下雨和下雪的情况，此时也会将该种天气类型分类到未知天气类型。这样可以避免第一分类模型进行分类时，由于第一分类模型是将分类概率最大的值对应的天气类型作为预测结果，若直接根据预测结果输出，则当出现多种常规天气类型时，可能会出现仅预测出一种天气类型就输出预测结果，导致天气预测覆盖不完全，因此本方案会先将组合天气类型分类至未知天气类型中，并不会直接输出结果。

[0062] S352，获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征。

[0063] 其中，在基于第一分类模型进行分类时，第一分类模型会先对待预测图像数据进行特征提取，得到每个待预测图像数据对应的图像特征，然后再基于图像特征进行天气情况分类。即该目标图像特征为待预测图像特征中用于指示天气情况的图像特征。例如对于多云的图像特征为：云的形状、大小、密度、颜色和覆盖程度等。若当前待预测图像数据里反映了云的形状和大小，则该提取出来的云的形状特征和云的大小特征就为目标图像特征。

[0064] S353，根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果。

[0065] 其中，所述第二分类模型为深度神经网络的分类模型，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型或者为所述组合天气类型中的天气类型。其中，该第二分类模型的训练模型的模型架构与第一分类模型的训练模型的模型架构可以相同，但第二分类模型的训练模型的训练数据与第一分类模型的不同，且训练方法也可以与第一分类模型的训练方法不同。该第二分类模型的训练模型的训练数据主要是其他异常天气情况对应的图像特征数据。

[0066] S354，确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型。

[0067] 其中，根据第二分类结果确定出的参考天气类型即为其他异常天气类型或者组合天气类型中的一种。也就是说，若第一分类结果为常规天气类型中的一种，则直接根据第一分类结果确定参考天气类型。若第一分类结果为未知天气类型，则再根据第二分类结果确定参考天气类型。

[0068] S360，获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型。

[0069] S370，根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

[0070] 其中，每个待预测图像数据都对应有一个参考天气类型，因此在确定目标天气类型时，可以根据待预测图像数据对应的参考天气类型的众数确定目标天气类型。即大部分待预测图像数据都为目标天气类型。这样可以避免仅靠单个图像数据进行天气预测使得天气情况的预测误差大。

[0071] 可见，本实例中，当视频数据体现的天气情况为常规天气时，可以通过本方案的第一分类模型快速准确地进行分类，而当视频数据体现的天气情况为异常天气时，本方案也可以通过第二分类模型进行分类。即本方案可以做到对大部分可能出现的天气情况均进行分类和识别。且本方案还可以识别出存在多种天气组合的情况，使得本方案预测出的天气情况更准确和全面。而且针对异常天气情况和常规天气情况的分类时运用的是不同的模型，可以使得在对模型训练时的训练数据量更均衡，提高了用于分类的两个分类模型的泛化性能，增强对天气情况进行分类的准确度，同时提高用户使用体验。

[0072] 在一个可能的实例中，所述根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况，包括：确定是否存在第二天气类型，所述第二天气类型为所述常规天气类型中所述分类概率属于预设阈值范围，且所述分类概率之间的差距小于第一预设值的天气类型，所述第二天气类型的数量至少为两个；若存在，则确定每个第二天气类型对应的参考图像特征的重合率，所述参考图像特征为所述目标图像特征中与所述每个第二天气类型关联的图像特征；确定所述重合率与所述每个第二天气类型对应的分类概率之间的差距是否匹配；若匹配，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型；若不匹配，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述组合天气类型。

[0073] 其中，当从待预测图像数据中提取的目标图像特征中存在多个常规天气类型对应的图像特征时，则此时对应的天气类型的分类概率就相应增大，即满足天气类型所属的图像特征越多则对应的分类概率就越大。但由于分类概率之和为1，因此属于其他天气类型的图像特征多，则相应的该天气类型对应的分类概率又会相应降低，此消彼长。而对于未知类型的天气类型的分类时，若同时出现多个天气类型的图像特征或者当前的图像特征与常规天气类型的图像特征的匹配度小时，则未知天气类型的分类概率都会增大。

[0074] 当出现第二天气类型时，则意味着可能该待预测图像特征的天气情况为组合天气，例如确定出的下雨的概率为0.2，下雪的概率为0.15，多云的天气为0.03，未知天气的概率为0.62。则认为第一分类结果属于未知天气类型，此时下雨和下雪的概率相差0.05，小于预设阈值范围0.1，则认为下雨和下雨为第二天气类型。该预设阈值范围可以根据常规天气类型的数量确定，数量越多，则预设阈值范围越小。

[0075] 由于可能有多种天气类型对应的图像特征是相同的，因此在确定是否出现组合概率而不是仅是该天气类型的分类概率高，是因为出现了与其他天气类型所属的特征相同的图像特征而使得该天气类型的分类概率高的情况，会再基于重合率确定匹配度。该重合率即指多个第二天气类型的重合特征的概率。重合率越高，则对应的多个第二天气类型的分类概率的基础差值就会越高，基础差值加上特征差值就为第二天气类型间的差值。例如下雨和下雪这两个天气类型对应的图像特征都会有物体反光、云的形状等特征，因此当目标图像特征中存在这两个特征，则这两个特征就为参考图像特征。此时分别确定下雨和下雪这两个天气类型对应的目标图像特征的数量，然后根据对应的目标特征的数量和重合的两个特征分别确定单边重合率，基于单边重合率确定多个第二天气类型的重合特征的重合率。例如下雪这个天气类型对应的目标图像特征有5个，下雨对应的目标图像特征有8个，而重合特征有两个，则对应的单边概率分别为0.2和0.25，此时可以确定重合率为0.225。此时确定基础差值时就可以为0.225*0.1（预设阈值范围）=0.0225。对应的特征差值就为0.05（下雨概率0.2‑下雪概率0.15）‑0.0225=0.0275，则此时可以确定重合率与分类概率之间的差距不匹配，则认为当前天气类型为组合天气类型。

[0076] 具体实现中，确定重合率与分类概率间的差距是否匹配，包括：确定特征差值的数值是否高于基础差值，若是，则认为不匹配，若否，则认为匹配。或者确定特征差值是否高于预设值，若是则不匹配，反之则匹配。分类概率匹配则说明多个第二天气类型的分类概率主要是基于重合特征得到的，且该第二天气类型对应的特有特征又不足以支撑让第一分类模型将其划分为对应的常规天气类型，因此会将该种情况分类为未知天气类型。分类概率不匹配则说明多个第二天气类型的分类概率少部分是由重合特征得到，而大部分是基于每个第二天气类型对应的特有特征得到的，由于每个第二天气类型都具有大部分的特有特征，因此第一分类模型无法直接将其分类为某一个常规天气类型，因此将该种情况分类为组合天气类型。

[0077] 可见，本实例中，基于重合特征和分类概率确定第一分类结果对应的分类情况，可以使得对天气预测的结果更准确和全面。

[0078] 在一个可能的实例中，所述确定每个第二天气类型对应的参考图像特征的重合率之前，所述方法还包括：确定多个第二天气类型是否能同时存在；若否，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型。

[0079] 其中，虽然可能会出现多个概率相近的第二天气类型，但可能是基于重合特征多，而差异特征少的情况，例如下雨和雾霾不会同时出现，但他们有重合特征，例如能见度特征，则此时他们分类概率相近可能主要是因为目标图像特征中存在能见度特征这个特征满足了两者的情况，例如当前目标图像特征中能见度特征低于值A，而该值A刚好同时在下雨和下雪对应的能见度特征范围的值内。因此在确定第二天气类型中出现了不能同时存在的情况，且该第二天气类型对应的特有特征又不足以支撑让第一分类模型将其划分为对应的常规天气类型，则认为该天气情况属于异常天气类型。

[0080] 可见，本实例中，根据多个第二天气类型是否能同时存在确定分类情况，可以使得对天气预测的结果更准确和全面。

[0081] 在一个可能的实例中，所述根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果，包括：在所述分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型的情况下，将所述目标图像特征输入所述第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型；在所述分类情况表征所述待预测图像数据对应的天气情况属于所述组合天气类型的情况下，确定所述多个第二天气类型中每个第二天气类型的预设图像特征集合，所述预设图像特征集合中的多个图像特征用于共同指示所述第二天气类型；获取所述每个第二天气类型对应的未重合特征，所述未重合特征为所述每个第二天气类型对应的参考图像特征中除重合图像特征以外的图像特征，所述重合图像特征为所述多个第二天气类型均对应的图像特征；确定所述每个第二天气类型对应的未重合特征在所述每个第二天气类型对应的预设图像特征集合中的图像特征数量占比；根据所述图像特征数量占比获取所述第二分类结果，所述第二分类结果对应的天气类型为所述组合天气类型中的天气类型，且所述组合天气类型包括的天气类型为所述数量占比大于第二预设值的第二天气类型。

[0082] 其中，第二分类模型是用于对其他异常天气类型进行分类的模型，因此当确定出第一分类结果的分类情况为其他异常天气类型，则可以直接将已经获取的目标图像特征输入第二分类模型中，由第二分类模型确定参考天气类型。

[0083] 若确定出第一分类结果的天气情况为组合天气时，则需要确定是由哪些天气组合而成，因此根据未重合特征即上述的特有特征来确定。目标图像特征中包括有每个第二天气类型对应的特征，该对应的特征由重合特征加特有特征组成，而每个第二天气类型又对应有预设图像特征，因此可以根据特有特征在预设图像特征中的数量占比，确定该天气是否为组合天气中的天气类型之一。例如下雪的预设图像特征集合中包括的预设图像特征有：能见度、雪花形状、景物颜色、景物亮度、雪的覆盖程度。而当前待预测图像数据中提取的目标图像特征中，下雪对应的重合特征包括能见度，对应的未重合特征包括雪花形状和景物颜色，因此数量特征占比为0.4。特别地，在确定特征数量占比时，还可以为图像特征集合中的每个图像特征确定加权系数，基于加权系数确定数量占比。对于与天气类型的关联度越高的，则对应的加权系数越大。例如能见度这种重合特征与下雪的关联度就没有雪花形状这样的特征关联度高，因此能见度的加权系数可能只有0.1，而雪花形状这种特征可能有0.4。在计算数量占比时，若未重合特征中存在则加上该加权系数后再计算。例如下雪的几个预设图像特征的加权系数分别为：0.1、0.4、0.1、0.1、0.3，则确定出的数量特征占比为：（1.4+1.1）/5=0.5。

[0084] 可见，本实例中，根据未重合特征确定组合天气类型中包括的天气类型，根据第二分类模型确定其他异常天气类型，可以提高对天气预测时的准确度，以及天气预测时的覆盖完整度。

[0085] 在一个可能的实例中，所述获取待预测视频数据之前，所述方法还包括：获取第一训练图像数据；对所述第一训练图像数据进行数据增强处理，得到第二训练图像数据；对所述第二训练图像数据进行分批处理，得到多批次图像数据；将当前批次图像数据输入所述训练模型中，使用均方根传递RMSprop优化器对所述训练模型进行训练，得到所述训练模型的待更新参数值；根据所述待更新参数值对所述训练模型进行参数更新，得到更新后的训练模型；确定下一批次图像数据为所述当前批次图像数据，所述更新后的训练模型为当前训练模型，重复上述步骤，直到所述当前批次图像数据为最后批次图像数据；确定根据所述最后批次图像数据得到的更新后的训练模型的模型参数构建所述第一分类模型。

[0086] 其中，可以通过图像数据生成器Image Data Generator来获取第二训练图像数据。Image Data Generator可以从预设目标中读取第一图像数据，然后按批次生成可以输入训练模型的数据，使得可以有效处理大规模图像数据。该数据增强包括对第一图像数据的随机旋转、平移、翻转和填充。这样可以增强模型的泛化能力。该训练模型的损失函数可以使用分类交叉商。且本方案中采用Dropout作为一种正则化手段，可以防止模型过拟合。使用了均方根传递（Root Mean Square Prop，RMSprop）优化器进行训练，RMSprop是一种梯度下降变体，适合处理非稳定目标函数的优化问题。

[0087] 可见，本实例中，基于本方案的训练模型的模型结构和训练方案，不仅训练速度快，训练效果好，且使得基于训练模型的参数构建的第一分类模型的准确度高，且泛化能力好。

[0088] 在一个可能的实例中，所述对所述第二训练图像数据进行分批处理，得到多批次图像数据，包括：对所述第二训练图像数据进行分类，得到多个训练图像集合，每个训练图像集合中包括的第二训练图像数据所属的天气类型相同；获取每个批次的图像数据数量；根据所述每个批次的图像数据数量分别从所述每个训练图像集合中随机选择预设数量个第二训练图像数据组成一个图像数据批次，得到多批次图像数据，所述预设数量与所述每个批次的图像数据数量关联，每个批次的图像数据中包括的第二训练图像数据与其他批次的图像数据中包括的任意一个第二训练图像数据不同。

[0089] 其中，每个批次中包括的图像数据的数量可以相同。即每次训练都以一个批次的图像数据进行训练模型的参数更新。即例如当前有N个训练图像集合，每批次图像数据中包括的第二训练图像数据的数量为m，则每个集合要选择的第二训练图像数据的数量就为m/N*a，a是指该被选择的训练图像数据集合对应的加权值，该加权值与当前训练图像集合中包括的总的第二训练图像数据的数量有关，数量越多，则每次被选取的数量就越多，则一个批次中包含该训练图像集合中的第二训练图像数据就越多。下一批次的图像数据再从该训练图像数据集合中剩余的第二训练图像数据中选择。特别地，在对第一训练图像数据进行增强得到第二训练图像数据时，可以根据每个训练图像数据集合中包括的第二训练图像数据的数量进行处理，使得每个训练图像数据集合中包括的训练图像数据的数量相近或相同。

[0090] 可见，本实例中，对训练图像数据进行分批次读取，可以避免图像数据过大的问题，提高模型训练的准确度。

[0091] 在一个可能的实例中，RMSProp优化器的学习率为0.0001。

[0092] 其中，学习率是训练神经网络的重要超参数之一，它代表在每一次迭代中梯度向损失函数最优解移动的步长。它的大小决定网络学习速度的快慢。本方案将学习率设置为0.0001既可以使得训练能够更精准的找到最优解，同时又能够避免发生过拟合。

[0093] 与上述实施例一致的，请参阅图5，图5是本申请实施例提供的一种天气预测装置的功能单元组成框图。天气预测装置50包括：第一获取单元51，用于获取待预测视频数据；第二获取单元52，用于根据所述待预测视频数据获取至少一个待预测图像数据；第三获取单元53，用于将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将VGG16模型的三个全连接层依次替换为一个压平flatten层、一个第一全连接层、一个丢弃dropout层和一个第二全连接层，所述第一全连接层的激活函数为线性整流relu函数，所述第二全连接层的激活函数为归一化指数softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型；第一确定单元54，用于在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；第四获取单元55，用于在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，第二确定单元56，用于根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况，所述分类情况用于表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型，或者所述天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，第五获取单元57，用于获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，第六获取单元58，用于根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类模型为深度神经网络的分类模型，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型或者为所述组合天气类型中的天气类型；以及，第三确定单元59，用于确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；第七获取单元510，用于获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；第四确定单元511，用于根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

[0094] 在一个可能的实例中，在所述根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况方面，所述第二确定单元56具体用于：确定是否存在第二天气类型，所述第二天气类型为所述常规天气类型中所述分类概率属于预设阈值范围，且所述分类概率之间的差距小于第一预设值的天气类型，所述第二天气类型的数量至少为两个；若存在，则确定每个第二天气类型对应的参考图像特征的重合率，所述参考图像特征为所述目标图像特征中与所述每个第二天气类型关联的图像特征；确定所述重合率与所述每个第二天气类型对应的分类概率之间的差距是否匹配；若匹配，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型；若不匹配，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述组合天气类型。

[0095] 在一个可能的实例中，在所述确定每个第二天气类型对应的参考图像特征的重合率之前方面，所述第二确定单元56还用于：确定多个第二天气类型是否能同时存在；若否，则确定所述第一分类结果的分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型。

[0096] 在一个可能的实例中，在所述根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果方面，所述第六获取单元58具体用于：在所述分类情况表征所述待预测图像数据对应的天气情况属于所述其他异常天气类型的情况下，将所述目标图像特征输入所述第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型；
在所述分类情况表征所述待预测图像数据对应的天气情况属于所述组合天气类型的情况下，确定所述多个第二天气类型中每个第二天气类型的预设图像特征集合，所述预设图像特征集合中的多个图像特征用于共同指示所述第二天气类型；获取所述每个第二天气类型对应的未重合特征，所述未重合特征为所述每个第二天气类型对应的参考图像特征中除重合图像特征以外的图像特征，所述重合图像特征为所述多个第二天气类型均对应的图像特征；确定所述每个第二天气类型对应的未重合特征在所述每个第二天气类型对应的预设图像特征集合中的图像特征数量占比；根据所述图像特征数量占比获取所述第二分类结果，所述第二分类结果对应的天气类型为所述组合天气类型中的天气类型，且所述组合天气类型包括的天气类型为所述数量占比大于第二预设值的第二天气类型。

[0097] 在一个可能的实例中，在所述获取待预测视频数据之前，所述天气预测装置50还用于：获取第一训练图像数据；对所述第一训练图像数据进行数据增强处理，得到第二训练图像数据；对所述第二训练图像数据进行分批处理，得到多批次图像数据；将当前批次图像数据输入所述训练模型中，使用均方根传递RMSprop优化器对所述训练模型进行训练，得到所述训练模型的待更新参数值；根据所述待更新参数值对所述训练模型进行参数更新，得到更新后的训练模型；确定下一批次图像数据为所述当前批次图像数据，所述更新后的训练模型为当前训练模型，重复上述步骤，直到所述当前批次图像数据为最后批次图像数据；确定根据所述最后批次图像数据得到的更新后的训练模型的模型参数构建所述第一分类模型。

[0098] 在一个可能的实例中，在所述对所述第二训练图像数据进行分批处理，得到多批次图像数据方面，所述天气预测装置50还用于：对所述第二训练图像数据进行分类，得到多个训练图像集合，每个训练图像集合中包括的第二训练图像数据所属的天气类型相同；获取每个批次的图像数据数量；根据所述每个批次的图像数据数量分别从所述每个训练图像集合中随机选择预设数量个第二训练图像数据组成一个图像数据批次，得到多批次图像数据，所述预设数量与所述每个批次的图像数据数量关联，每个批次的图像数据中包括的第二训练图像数据与其他批次的图像数据中包括的任意一个第二训练图像数据不同。

[0099] 在一个可能的实例中，RMSProp优化器的学习率为0.0001。

[0100] 可以理解的是，由于方法实施例与装置实施例为相同技术构思的不同呈现形式，因此，本申请中方法实施例部分的内容应同步适配于装置实施例部分，此处不再赘述。

[0101] 在采用集成的单元的情况下，请参阅图6，图6是本申请实施例提供的另一种天气预测装置的功能单元组成框图。在图6中，天气预测装置50包括：处理模块502和通信模块501。处理模块502用于天气预测装置50的动作进行控制管理，例如，执行第一获取单元51、第二获取单元52、第三获取单元53、第一确定单元54、第四获取单元55、第二确定单元56、第五获取单元57、第六获取单元58、第三确定单元59、第七获取单元510和第四确定单元511的步骤，和/或用于执行本文所描述的技术的其它过程。通信模块501用于天气预测装置50与其他设备之间的交互。如图6所示，天气预测装置50还可以包括存储模块503，存储模块503用于存储天气预测装置的程序代码和数据。

[0102] 其中，处理模块502可以是处理器或控制器，例如可以是中央处理器(Central Processing Unit，CPU)，通用处理器，数字信号处理器(DigitalSignalProcessor，DSP)，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。通信模块501可以是收发器、RF电路或通信接口等。存储模块503可以是存储器。

[0103] 其中，上述方法实施例涉及的各场景的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。上述天气预测装置50可执行上述图3所示的天气预测方法。

[0104] 上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0105] 本申请实施例可以根据上述方法示例对电子设备进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

[0106] 本申请实施例还提供了一种芯片，其中，该芯片包括处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如上述方法实施例中电子设备所描述的部分或全部步骤。