【技术实现步骤摘要】
本专利技术涉及深度学习，具体涉及一种实时降雨量预测方法、装置、电子设备及存储介质。
技术介绍
1、降雨量的变化直接影响着水资源的管理、城市基础设施的建设与维护以及生态环境的保护。随着气候变化的加剧，降雨模式的变化日益复杂，极端降雨事件的发生频率和强度不断增加。提升降雨量预测的准确性与实时性，成为应对气候变化、实现可持续发展的关键。
2、现有技术在获取降雨量数据方面的实时性不足，给精确播报降水量和及时应对极端天气事件带来了极大的挑战。尽管气象观测站能够实时采集气温、气压、湿度、风速等降雨量影响因素，但降雨量数据的获取仍然存在显著的时延。传统气象站通常提供逐小时或逐日的降水量统计数据，这些数据往往是经过一定时间累积的结果，且更新频率较低。尤其在面对局地短时强降雨或突发性降水事件时，数据延迟尤为明显，难以及时反映降水情况，影响对突发天气的快速响应。以中国的地面基本气象观测数据为例，降水量数据通常为三小时或更长时间间隔的累计值，这种延迟在紧急应对和灾害预警中显得尤为不适用。
技术实现思路
1、本专利技术实施例提供一种实时降雨量预测方法、装置、电子设备及存储介质。通过实施本专利技术能够实现更精确和实时的降雨量预测，提高降雨量预测的准确性和响应速度，增强应对突发天气事件的能力。
2、本专利技术一实施例提供了一种实时降雨量预测方法，包括：
3、获取实时降雨量的影响因素；其中，所述影响因素包括：温度、湿度、气压、风速、露点、云量、云层类型、云顶温度、水汽含量、云
4、将所述实时降雨量的影响因素输入降雨量预测模型中，以使所述降雨量预测模型根据实时降雨量的影响因素，生成预测的实时降雨量；
5、其中，所述降雨量预测模型的训练包括：
6、获取历史时刻的降雨量的影响因素和对应的历史降雨量标签；所述历史降雨量标签为历史时刻的降雨量；
7、根据历史时刻的降雨量的影响因素和对应的历史降雨量标签，构建训练集；
8、按照预设的批次大小将所述训练集随机划分为若干批次的训练样本；
9、将各批次的训练样本依次输入至降雨量预测模型中，对降雨量预测模型进行训练，直至达到预设的训练次数；其中，降雨量预测模型在每接收一批次的训练样本时，输出训练样本对应的降雨量；根据所述降雨量以及对应的历史降雨量标签，通过损失函数计算损失函数值；利用优化器根据所述损失函数值对降雨量预测模型进行更新。
10、进一步的，所述温度、湿度、气压、风速和露点由气象站点观测得到；所述云层类型、云顶温度、水汽含量和云覆盖率由气象卫星采集得到；所述地形类型由地理信息系统获取得到。
11、进一步的，在获取历史时刻的降雨量的影响因素之前，还包括：
12、获取历史时刻的降雨量的原始影响因素；
13、对原始影响因素进行清洗和时间戳对齐，得到时序数据；
14、将时序数据转换成数值型数据，生成历史时刻的降雨量的影响因素。
15、进一步的，在将所述实时降雨量的影响因素输入降雨量预测模型中，以使所述降雨量预测模型根据实时降雨量的影响因素，生成预测的实时降雨量之后，还包括：
16、将预测的实时降雨量与设定的阈值进行比较，生成对应的预警信号；
17、根据所述预警信号，生成对应的应急响应措施。
18、在上述方法项实施例的基础上，本专利技术对应提供了装置项实施例。
19、本专利技术一实施例提供了一种实时降雨量预测装置，包括：影响因素获取模块和实时降雨量预测模块；
20、所述影响因素获取模块，用于获取实时降雨量的影响因素；其中，所述影响因素包括：温度、湿度、气压、风速、露点、云量、云层类型、云顶温度、水汽含量、云覆盖率和地形类型；
21、所述实时降雨量预测模块，用于将所述实时降雨量的影响因素输入降雨量预测模型中，以使所述降雨量预测模型根据实时降雨量的影响因素，生成预测的实时降雨量；
22、其中，所述降雨量预测模型的训练包括：
23、获取历史时刻的降雨量的影响因素和对应的历史降雨量标签；所述历史降雨量标签为历史时刻的降雨量；
24、根据历史时刻的降雨量的影响因素和对应的历史降雨量标签，构建训练集；
25、按照预设的批次大小将所述训练集随机划分为若干批次的训练样本；
26、将各批次的训练样本依次输入至降雨量预测模型中，对降雨量预测模型进行训练，直至达到预设的训练次数；其中，降雨量预测模型在每接收一批次的训练样本时，输出训练样本对应的降雨量；根据所述降雨量以及对应的历史降雨量标签，通过损失函数计算损失函数值；利用优化器根据所述损失函数值对降雨量预测模型进行更新。
27、进一步的，所述温度、湿度、气压、风速和露点由气象站点观测得到；所述云层类型、云顶温度、水汽含量和云覆盖率由气象卫星采集得到；所述地形类型由地理信息系统获取得到。
28、进一步的，在获取历史时刻的降雨量的影响因素之前，还包括：
29、获取历史时刻的降雨量的原始影响因素；
30、对原始影响因素进行清洗和时间戳对齐，得到时序数据；
31、将时序数据转换成数值型数据，生成历史时刻的降雨量的影响因素。
32、进一步的，在将所述实时降雨量的影响因素输入降雨量预测模型中，以使所述降雨量预测模型根据实时降雨量的影响因素，生成预测的实时降雨量之后，还包括：
33、将预测的实时降雨量与设定的阈值进行比较，生成对应的预警信号；
34、根据所述预警信号，生成对应的应急响应措施。
35、在上述方法项实施例的基础上，本专利技术对应提供了电子设备项实施例。
36、本专利技术一实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在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可实现上述方法项实施例中任一项所述实时降雨量预测方法。
37、在上述方法项实施例的基础上，本专利技术对应提供了存储介质项实施例。
38、本专利技术一实施例提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时可实现上述方法项实施例中任一项所述实时降雨量预测方法。
39、与现有技术对比，本专利技术具有如下有益效果：
40、本专利技术实施例提供一种实时降雨量预测方法、装置、电子设备及存储介质。所述方法通过历史时刻的降雨量影响因素与降雨量，对预设的神经网络模型进行训练，得到降雨量预测模型。通过使用神经网络模型，本专利技术能够自适应地学习降雨量与降雨量影响因素之间复杂的非线性关系，从而提高预测的精度。由于降雨量影响因素能够实时获取，而降雨量数据主要依赖逐小时或逐日累计数据获取，具有一定的滞后性，因此通过实时降雨量影响因素的输入能够使得实时降雨量的预测结果更加精准，尤其是在应对短时强降雨或突发性降水事件时，能够提供及时有效的降水预警。通过实施本专利技术能够显著本文档来自技高网...
【技术保护点】
1.一种实时降雨量预测方法，其特征在于，包括：
2.如权利要求1所述的一种实时降雨量预测方法，其特征在于，所述温度、湿度、气压、风速和露点由气象站点观测得到；所述云层类型、云顶温度、水汽含量和云覆盖率由气象卫星采集得到；所述地形类型由地理信息系统获取得到。
3.如权利要求2所述的一种实时降雨量预测方法，其特征在于，在获取历史时刻的降雨量的影响因素之前，还包括：
4.如权利要求3所述的一种实时降雨量预测方法，其特征在于，在将所述实时降雨量的影响因素输入降雨量预测模型中，以使所述降雨量预测模型根据实时降雨量的影响因素，生成预测的实时降雨量之后，还包括：
5.一种实时降雨量预测装置，其特征在于，包括：影响因素获取模块和实时降雨量预测模块；
6.如权利要求5所述的一种实时降雨量预测装置，其特征在于，所述温度、湿度、气压、风速和露点由气象站点观测得到；所述云层类型、云顶温度、水汽含量和云覆盖率由气象卫星采集得到；所述地形类型由地理信息系统获取得到。
7.如权利要求6所述的一种实时降雨量预测装置，其特征在于，在获取历史时
8.如权利要求7所述的一种实时降雨量预测装置，其特征在于，在将所述实时降雨量的影响因素输入降雨量预测模型中，以使所述降雨量预测模型根据实时降雨量的影响因素，生成预测的实时降雨量之后，还包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时可实现权利要求1至4中任一项所述实时降雨量预测方法。
10.一种存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时可实现权利要求1至4中任一项所述实时降雨量预测方法。
...【技术特征摘要】
1.一种实时降雨量预测方法，其特征在于，包括：
2.如权利要求1所述的一种实时降雨量预测方法，其特征在于，所述温度、湿度、气压、风速和露点由气象站点观测得到；所述云层类型、云顶温度、水汽含量和云覆盖率由气象卫星采集得到；所述地形类型由地理信息系统获取得到。
3.如权利要求2所述的一种实时降雨量预测方法，其特征在于，在获取历史时刻的降雨量的影响因素之前，还包括：
4.如权利要求3所述的一种实时降雨量预测方法，其特征在于，在将所述实时降雨量的影响因素输入降雨量预测模型中，以使所述降雨量预测模型根据实时降雨量的影响因素，生成预测的实时降雨量之后，还包括：
5.一种实时降雨量预测装置，其特征在于，包括：影响因素获取模块和实时降雨量预测模块；
6.如权利要求5所述的一种实时降雨量预测装置，其特征在于，所述温度、湿度、气压、风速...
【专利技术属性】
技术研发人员：赵兵，魏瑞增，王磊，樊灵孟，任欣元，彭大伟，周恩泽，李国强，龚博，李敏，罗颖婷，鄂盛龙，江俊飞，陈超，赖诗钰，
申请(专利权)人：广东电网有限责任公司，
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。