【技术实现步骤摘要】
本专利技术涉及一种机器学习，尤其是涉及一种基于改进图卷积神经网络的天气预测方法、设备和介质。
技术介绍
1、随着计算机技术、无线通信和互联网的快速发展，生活中的各个方面都离不开人工智能的影响。人工智能，特别是机器学习，大大提高了各行各业数据处理的准确性与效率。
2、虽然深度学习模型在天气预测方面取得了显著的进展，但现有的单一模型和混合模型仍然存在一些问题，限制了其进一步发展。这些问题主要包括：
3、1.数据信息利用率不足：
4、单一模型局限性：传统机器学习模型如：svm、决策树等，只能关注到气温单一特征，忽略了其他气象元素与气温的关系影响。深度学习模型如lstm、gru等，虽然能够学习降雨量等多种与气温有关联特征的气象特征，但仍然存在信息利用率不足的问题。
5、特征选择方法局限性：传统的特征选择方法如信息增益、卡方检验等，难以有效地从大量气象数据中筛选出与气温预测密切相关的特征，导致模型性能受限。
6、2.训练时间较慢：
7、模型结构复杂：深度学习模型往往具有复杂的结构，需要大量的训练数据和计算资源，导致训练时间较长。
8、超参数调整：深度学习模型的超参数众多，需要通过反复试验进行调整，进一步增加了训练时间。
9、3.预测精度不高：
10、数据非平稳性：气象数据具有明显的非平稳性，传统的统计模型难以有效处理这种变化，导致预测精度不高。
11、数据稀疏性：气象数据往往存在大量缺失值，传统的填充方法如均值填充、中值
12、4.泛化能力弱：
13、数据分布变化：气象数据分布可能会随着时间、地点等因素发生变化，导致模型的泛化能力下降。
14、模型过拟合：深度学习模型容易出现过拟合现象，导致模型在训练数据上表现良好，但在测试数据上表现较差。
15、5.难以解释：
16、模型黑箱特性：深度学习模型通常被视为黑箱，难以解释其预测结果背后的原因，限制了模型的应用范围。
17、缺乏可解释性技术：目前可解释性技术尚不成熟，难以有效地解释深度学习模型的预测过程。
18、经过检索，中国专利技术专利公开号cn117891007a公开了一种基于时变图神经网络的天气预测方法，包括:获取待测地区天气数据；利用训练好的融合多种天气数据的预测模型，对待测地区天气数据进行处理，获取待测地区的天气预测结果；训练好的融合多种天气数据预测模型确定方法包括:获取多个区域多种类型时空天气序列数据；对多个区域多种类型时空天气序列数据进行预处理，从而获得多个地区天气数据集；构建静态邻接矩阵、动态时变邻接矩阵和外部邻接矩阵，搭建图卷积层、空洞因果卷积结构及融合层，以此建立时变图神经网络模型；通过多个地区天气数据集、静态邻接矩阵、动态时变邻接矩阵和外部邻接矩阵，对时变图神经网络模型进行训练，获取模型参数，进而确定融合多种天气数据的预测模型。该现有专利存在未考虑位置接壤的空间结构，导致预测准确率不够高的问题。
19、如何实现高效、准确的天气预测，成为需要解决的技术问题。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进图卷积神经网络的天气预测方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的一个方面，提供了一种基于改进图卷积神经网络的天气预测方法，所述改进图卷积神经网络包括依次连接的bilstm模型、gcn模型和transformer模型；
4、该方法包括以下步骤：
5、采集多个地区的历史天气数据，将天气的时间序列信息构建时间特征矩阵后，输入到bilstm模型中，得到天气的时间特征矩阵h；
6、分析采集天气数据的空间结构信息，得到表征地区之间三种关系，其中三种关系分别为经度相同、纬度相同和位置接壤，对应的邻接矩阵分别为aa、ab和ac；
7、将邻接矩阵和时间特征矩阵输入gcn模型，分别得到三种关系对应的含时空关系的新特征矩阵xa、xb和xc，将三个新特征矩阵相加得到包含所有时空关系的特征矩阵x，其中x＝xa+xb+xc；
8、将特征矩阵x输入transformer模型，输出预测日的天气预测结果，并进行降雨和不降雨的分类。
9、优选地，所述得到天气的时间特征矩阵具体为：
10、对于学习第t+1天气温数据的训练，回溯窗口t中的特征用于捕获时间序列信息，其中回溯窗口t表示预测日之前的t日，即从t-t+1到t的第t个日期；
11、在训练过程中，地区i的输入特征定义为：
12、fi＝[fi,t-t+1,...fi,t-1,fi,t]
13、其中，fi,t为地区i在预测日之前t日的天气特征向量；
14、接下来fi被送入一个带有dropout的单一bilstm模型，以发现地区i的时间模式：
15、hi,t+1＝d(bilstm(fi))
16、经过bilstm模型后，得到时间特征矩阵h:
17、h＝[h1,t+1,,h2,t+1,h3,t+1...hi,t+1...hn,t+1]
18、其中，hi,t+1为最终输出的隐藏状态，即地区i在第t+1天的时间特征；d(.)为dropout处理函数。
19、更加优选地，所述bilstm模型的隐藏层fi大小为200。
20、优选地，所述邻接矩阵表征地区间的关系，在该矩阵中，若两个地区间表征的关系相关则取1，否则无关取0。
21、优选地，所述含时空关系的新特征矩阵的计算过程包括：
22、将邻接矩阵aa输入gcn模型中更新每个节点的特征，得到矩阵la：
23、
24、其中，为拉普拉斯矩阵，是对角度矩阵，aa是邻接矩阵，w是gcn中的可训练参数，relu(.)为激活函数，la为gcn的输出；
25、将矩阵la和时间特征矩阵h连接起来，得到矩阵ma：
26、
27、为ma矩阵赋予权重得到含时空关系的新特征矩阵xa，其中新特征矩阵xa的空间关系为经度相同。
28、更加优选地，所述含时空关系的新特征矩阵的计算过程还包括：采用计算新特征矩阵xa同样的方法，分别将邻接矩阵ab和ac输入到gcn模型中，分别得到对应的含时空关系的新特征矩阵xb和xc。
29、优选地，所述的天气预测结果包括气温和天气状况，所述天气状况分类晴天和雨天。
30、优选地，所述方法包括同时进行所述时间特征矩阵和所述邻接矩阵的计算。
31、根据本专利技术的另一个方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。
32、根据本专利技术的第三方面，提供了一种计算机可读存储介质，其上存储本文档来自技高网...
【技术保护点】
1.一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述改进图卷积神经网络包括依次连接的BiLSTM模型、GCN模型和Transformer模型；
2.根据权利要求1所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述得到天气的时间特征矩阵具体为：
3.根据权利要求2所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述BiLSTM模型的隐藏层Fi大小为200。
4.根据权利要求1所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述邻接矩阵表征地区间的关系，在该矩阵中，若两个地区间表征的关系相关则取1，否则无关取0。
5.根据权利要求1所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述含时空关系的新特征矩阵的计算过程包括：
6.根据权利要求5所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述含时空关系的新特征矩阵的计算过程还包括：采用计算新特征矩阵Xa同样的方法，分别将邻接矩阵Ab和Ac输入到GCN模型中，分别得到对应的含时空关系的新特征矩阵Xb和Xc。
7.根据权利要求1所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述的天气预测结果包括气温和天气状况，所述天气状况分类晴天和雨天。
8.根据权利要求1所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述方法包括同时进行所述时间特征矩阵和所述邻接矩阵的计算。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
...【技术特征摘要】
1.一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述改进图卷积神经网络包括依次连接的bilstm模型、gcn模型和transformer模型；
2.根据权利要求1所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述得到天气的时间特征矩阵具体为：
3.根据权利要求2所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述bilstm模型的隐藏层fi大小为200。
4.根据权利要求1所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述邻接矩阵表征地区间的关系，在该矩阵中，若两个地区间表征的关系相关则取1，否则无关取0。
5.根据权利要求1所述的一种基于改进图卷积神经网络的天气预测方法，其特征在于，所述含时空关系的新特征矩阵的计算过程包括：
6.根据权利要求5所述的一种基于改进图卷积神经网络的天...
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。