【技术实现步骤摘要】
本专利技术涉及深度学习和气象监测的，尤其是一种基于深度学习的降雨量预测方法。
技术介绍
1、降雨量预测在气象研究与实践中占据重要地位，尤其在防灾减灾、农业管理、水资源规划等领域具有广泛应用。传统的降雨量预测主要依赖于数值天气预报(nwp)模型，这些模型通过求解大气运动的物理方程来模拟未来的天气变化。然而，nwp模型存在一定局限性：首先，数值模型计算复杂，计算时间长，且对高性能计算资源有较大依赖。其次，由于数值模型对初始条件的敏感性，预测精度容易受到初始观测误差的影响。此外，在局部天气预测，尤其是小尺度强降雨事件的预测中，数值模型往往难以提供高空间和高时间分辨率的结果。
2、随着人工智能技术的发展，深度学习在时间序列数据处理中的应用广泛，特别是长短期记忆网络(lstm)在捕捉气象数据中的时间依赖性上表现优异。相比于传统的物理模型，深度学习可以从历史气象数据中自动学习到复杂的时空模式，提供高效的降雨量预测。然而，目前基于雷达、红外遥感等数据的深度学习方法，虽然在短期降雨监测方面有较好的表现，但依赖高昂的硬件设备，无法在全国范围内的各个地点应用，且对未来降雨的预测能力有限，特别是对于小尺度的极端天气现象，这类方法的效果还不够理想。
技术实现思路
1、为了克服上述现有技术中的缺陷，本专利技术提供一种基于深度学习的降雨量预测方法，降雨量预测模型通过湿度阈值的引导，可以在时间序列中优先关注对降雨有重要影响的时间步，从而提升降雨预测的准确性。
2、为实现上述目的，本专利技
3、一种基于深度学习的降雨量预测方法，包括以下步骤：
4、s1，获取各个气象站的气象数据和实际降雨量，形成数据集；
5、s2，对数据集中的数据进行预处理，将预处理后的数据集作为样本集；
6、s3，构建降雨量预测模型，模型包括lstm层、由湿度阈值引导的attention机制和全连接层；
7、s4，利用样本集对降雨量预测模型进行训练，降雨量预测模型的输入为气象数据，输出为预测降雨量；
8、s5，采集近期一段时间内的气象数据并进行预处理，将预处理后的气象数据输入训练好的降雨量预测模型，得到未来的预测降雨量。
9、优选的，步骤s1中，气象数据包括：从vmf模型中获取的湿延迟数据和从气象站获取的总天顶延迟、气压、温度、湿度数据；
10、对vmf模型中grid格式的湿延迟数据进行空间维度即经纬度上的插值处理和时间维度上插值处理，使所获取的湿延迟数据与总天顶延迟、气压、温度、湿度数据的空间维度和时间维度保持一致。
11、优选的，步骤s2中，所述预处理包括特征提取处理和归一化处理，具体方式如下所示：
12、s21，对数据集中的各项数据即原始值，分别计算移动平均值和滞后值，作为该项数据所提取的两个特征值：
13、移动平均值的计算方式为：
14、
15、其中，mat表示某项数据在时间点t的移动平均值，xt-i表示该项数据在时间点t-i的原始值，n是滑动窗口的大小；
16、移动平均值的计算方式为：
17、lagt＝xt-k
18、其中，lagk表示某项数据在时间点t的滞后值，xt-k表示该项数据在时间点t-k的原始值，即滞后k个时间步；
19、s22，对各项数据的特征值以及原始值进行min-max归一化处理，将数据归一化到[0,1]范围内；
20、s23，经预处理后，得到各项数据在各个时间点的移动平均值、滞后值和原始值。
21、优选的，步骤s3中，降雨量预测模型包括lstm层、由湿度阈值引导的attention机制和全连接层，具体处理方式如下所示：
22、s31，lstm层对输入数据xt进行计算，得到输入数据xt的隐藏状态ht，计算方式为：
23、ht,ct＝lstm(xt,ht-1,ct-1)
24、其中，xt表示当前时刻即时间点t的气象数据；ht表示当前时刻的隐藏状态；ct表示当前时刻的记忆状态；ht-1表示上一时刻的隐藏状态；ct-1表示上一时刻的记忆状态；t＝1,2,...,t；
25、s32，attention机制即注意力机制根据隐藏状态ht计算权重αt，计算方式为：
26、et＝fattention(ht)
27、
28、其中，et为注意力机制的得分，fattention(·)表示注意力函数，exp(·)表示指数函数，t'＝1,2,...,t，et′为时间点t′的注意力机制的得分；
29、注意力机制中设定有温度阈值th，根据输入数据中xt的湿度值为humidityt，和温度阈值th，计算当前时刻即时间点t的掩码maskt
30、
31、其中，λ为调整因子；
32、将掩码maskt应用于注意力权重：
33、α′t＝αt·maskt
34、
35、其中，α′t是应用掩码maskt后的注意力权重αt，α”t为经过归一化处理后的最终注意力权重；
36、
37、通过注意力权重对lstm输出的隐藏状态ht进行加权求和，得到加权后的隐藏状态hweighted：
38、s33，加权后的隐藏状态hweighted输入到全连接层，映射为模型输出即预测降雨量
39、
40、其中，w是权重矩阵，b是偏置项；
41、即，降雨量预测模型的表达式具体如下所示：
42、
43、优选的，步骤s4中，降雨量预测模型训练过程中，损失函数为：
44、
45、其中，yn为第n个样本的实际降雨量，为第n个样本的预测降雨量，n为样本数量；
46、一种可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现上述一种基于深度学习的降雨量预测方法。
47、一种电子设备，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于深度学习的降雨量预测方法。
48、一种计算机程序产品，其包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述一种基于深度学习的降雨量预测方法。
49、本专利技术的优点在于：
50、(1)本专利技术基于vmf湿延迟数据和气象站的常规气象数据，提出了一种结合lstm和attention机制的深度学习降雨量预测方法，其中经过特别改造的attention层通过阈值来引导attention层，使其在湿度或其他特征超过某个阈值时增加注意力权重，确保模型更加关注关键的时间步。主要有以下两个原因：因为降雨可能受到最近某一时间步或特定天气事件的强烈影响，attention机制使模型能够根据重要性加权不同时间步的数据，这种物理规则的结合可本文档来自技高网...
【技术保护点】
1.一种基于深度学习的降雨量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的降雨量预测方法，其特征在于，步骤S1中，气象数据包括：从VMF模型中获取的湿延迟数据和从气象站获取的总天顶延迟、气压、温度、湿度数据；
3.根据权利要求1所述的一种基于深度学习的降雨量预测方法，其特征在于，步骤S2中，所述预处理包括特征提取处理和归一化处理，具体方式如下所示：
4.根据权利要求1所述的一种基于深度学习的降雨量预测方法，其特征在于，步骤S3中，降雨量预测模型包括LSTM层、由湿度阈值引导的Attention机制和全连接层，具体处理方式如下所示：
5.根据权利要求1所述的一种基于深度学习的降雨量预测方法，其特征在于，步骤S4中，降雨量预测模型训练过程中，损失函数为：
6.一种可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现权利要求1～5任一所述一种基于深度学习的降雨量预测方法。
7.一种电子设备，其特征在于，其包括处理器、存储器及存储于所述存储器上并可在所述处理器上
8.一种计算机程序产品，其特征在于，其包括计算机程序/指令，该计算机程序/指令被处理器执行时实现权利要求1～5任一所述一种基于深度学习的降雨量预测方法。
...【技术特征摘要】
1.一种基于深度学习的降雨量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的降雨量预测方法，其特征在于，步骤s1中，气象数据包括：从vmf模型中获取的湿延迟数据和从气象站获取的总天顶延迟、气压、温度、湿度数据；
3.根据权利要求1所述的一种基于深度学习的降雨量预测方法，其特征在于，步骤s2中，所述预处理包括特征提取处理和归一化处理，具体方式如下所示：
4.根据权利要求1所述的一种基于深度学习的降雨量预测方法，其特征在于，步骤s3中，降雨量预测模型包括lstm层、由湿度阈值引导的attention机制和全连接层，具体处理方式如下所示：
5.根据权利要...
【专利技术属性】
技术研发人员：孟宪伟，申奥，贾琳，鲁一行，潘琼玉，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。