【技术实现步骤摘要】
本专利技术属于降水预测，尤其涉及一种基于深度学习及偏差纠正的短期降水预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、传统的降水预测方法在处理海量数据时存在局限，但随着深度学习技术的不断发展，人们开始探索利用深度学习技术来改善降水预测的准确性和可靠性；深度学习方法通过对海量降水数据进行学习和模型构建，有效提高了降水预测的准确性和精度。相较于传统的数值模式方法，深度学习在计算资源消耗和运算时间上具备优势，使得降水预测和分析更加高效。利用深度学习技术进行降水分析和预测，有助于提高气象预报的准确性，增强对气候变化的理解，并有效应对极端天气事件。
3、然而，专利技术人发现，现有的基于深度学习的降水预测方法存在以下问题：一方面，基于深度学习的方法通常需要利用海量数据进行模型的训练，但是，以往模型的训练多基于格点化的结构再分析数据集，难以训练出准确性超过再分析数据集的模型。而准确性更高的非结构站点多维时序观测数据，空间分布不均衡且通常具有极其复杂的时空关系，传统的深度学习模型无法对非结构站点数据之间复杂的时空关系进行有效建模；另一方面，基于深度学习的方法通常以训练好的深度学习模型的输出结果作为最终的降水预测结果，而忽略了模型预测中存在的误差，导致预测结果的准确性较差。而传统上，通常采用均一化的损失函数进行模型训练，然而降水数据存在不均衡问题，容易导致训练模型误差偏大，影响预测结果的准确性。因此，除了利用非结构站点真实观测数据，还应该有针对降水数据不均衡明
技术实现思路
1、本专利技术实施提供了一种基于深度学习及偏差纠正的短期降水预测方法及系统，以解决传统基于深度学习的方法难以提取非结构站点观测数据复杂时空关系、降水数据不均衡性强以及忽略模型本身存在的误差，进而导致降水预测准确性较差的问题。
2、根据本专利技术实施例的第一个方面，提供了一种基于深度学习及偏差纠正的短期降水预测方法，包括：
3、获取预设区域内降水情况历史数据；
4、基于所述历史数据，利用预先训练的基于深度学习的短期降水预测模型，获得未来预设阶段的初始降水预测结果；
5、其中，所述基于深度学习的短期降水预测模型具体执行如下处理过程：将降水情况历史数据中的样本序列、样本序列对应站点的位置信息以及时间信息分别进行嵌入表示；将获得的嵌入表示作为编码器输入，获得具有广义平稳性的季节特征和非平稳性的趋势特征；以所述季节特征和趋势特征作为解码器的输入，通过预设的多元相关机制，对季节性特征和趋势特征进行多级优化，获得优化后的季节性特征和趋势特征；基于获得的季节特征和趋势特征的融合特征，实现短期降水预测；
6、基于所述初始降水预测结果，结合预先计算的预测偏差，获得短期降水预测结果。
7、进一步的，所述基于深度学习的短期降水预测模型的训练具体为：基于预设区域内降水情况历史数据进行数据集构建，并将所述数据集按照预设比例划分为第一训练集、验证集和测试集；在所述训练集、验证集和测试集中按照预设比例进行样本随机抽取，构建第二训练集；统计第二训练集中不同降水等级的占比，基于所述占比获取不同降水等级对应的权重；基于所述权重构建权重控制的损失函数；基于第一训练集和所述损失函数进行模型训练。
8、进一步的，所述权重控制的损失函数，具体表示如下：
9、
10、其中，代表第个样本的真实标签值，表示第个样本的真实值与预测值之间的绝对误差，表示输出的总元素个数，为权重。
11、进一步的，所述短期降水预测模型包括编码器和解码器，其中，所述编码器具体执行如下如下处理过程：对于输入的降水情况历史数据中的样本序列、样本序列对应站点的位置信息以及时间信息分别进行嵌入表示，通过多元相关机制进行时空特征的提取；将提取的时空特征进行多级分解获得季节特征和趋势特征；所述解码器具体执行如下处理过程：以获得的季节特征和趋势特征作为输入，顺序经第一多元相关机制、特征分解、第二多元相关机制、特征分解、前馈神经网络以及特征分解，获得优化后的季节特征和趋势特征；基于优化后的季节特征和趋势特征的融合特征获得降水预测结果。
12、进一步的，所述预测偏差的计算具体为：基于训练的短期降水预测模型，对历史数据集中的样本进行降水预测，基于预测结果及实际降水结果进行偏差计算；以所有样本的偏差均值作为预测偏差。
13、进一步的，所述基于所述初始降水预测结果，结合预先计算的预测偏差，获得短期降水预测结果，具体为：以所述初始降水预测结果和预测偏差之和，作为最终的短期降水预测结果。
14、根据本专利技术实施例的第二个方面，提供了一种基于深度学习及偏差纠正的短期降水预测系统，包括：
15、数据获取单元，其用于获取预设区域内降水情况历史数据；
16、初始预测单元，其用于基于所述历史数据，利用预先训练的基于深度学习的短期降水预测模型，获得未来预设阶段的初始降水预测结果；其中，所述基于深度学习的短期降水预测模型具体执行如下处理过程：将降水情况历史数据中的样本序列、样本序列对应站点的位置信息以及时间信息分别进行嵌入表示；将获得的嵌入表示作为编码器输入，获得具有广义平稳性的季节特征和非平稳性的趋势特征；以所述季节特征和趋势特征作为解码器的输入，通过预设的多元相关机制，对季节性特征和趋势特征进行多级优化，获得优化后的季节性特征和趋势特征；基于获得的季节特征和趋势特征的融合特征，实现短期降水预测；
17、偏差纠正单元，其用于基于所述初始降水预测结果，结合预先计算的预测偏差，获得短期降水预测结果。
18、根据本专利技术实施例的第三个方面，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运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于深度学习及偏差纠正的短期降水预测方法。
19、根据本专利技术实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于深度学习及偏差纠正的短期降水预测方法。
20、根据本专利技术实施例的第五个方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述的一种基于深度学习及偏差纠正的短期降水预测方法。
21、以上一个或多个技术方案存在以下有益效果：
22、（1）本专利技术提供了一种基于深度学习及偏差纠正的短期降水预测方法及系统，所述方案通过将输入的海量非结构站点数据特征分解为广义平稳性的季节特征和非平稳性的趋势特征，并结合多元相关机制进行广义平稳性的季节特征和非平稳性的趋势的多级优化，能够有效提取海量非结构站点数据中的复杂时空特征，在一定程度上提高预测精度；同时，通过引入偏差纠正，能够有效解决模型本身存在的误差问题，进一步提高预测精度。
23、（2）本专利技术所述方案通过本文档来自技高网...
【技术保护点】
1.一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，所述基于深度学习的短期降水预测模型的训练具体为：基于预设区域内降水情况历史数据进行数据集构建，并将所述数据集按照预设比例划分为第一训练集、验证集和测试集；在所述训练集、验证集和测试集中按照预设比例进行样本随机抽取，构建第二训练集；统计第二训练集中不同降水等级的占比，基于所述占比获取不同降水等级对应的权重；基于所述权重构建权重控制的损失函数；基于第一训练集和所述损失函数进行模型训练。
3.如权利要求2所述的一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，所述权重控制的损失函数，具体表示如下：
4.如权利要求1所述的一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，所述短期降水预测模型包括编码器和解码器，其中，所述编码器具体执行如下如下处理过程：对于输入的降水情况历史数据中的样本序列、样本序列对应站点的位置信息以及时间信息分别进行嵌入表示，通过多元相关机制进行时空特征的提取；将提取的
5.如权利要求1所述的一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，所述预测偏差的计算具体为：基于训练的短期降水预测模型，对历史数据集中的样本进行降水预测，基于预测结果及实际降水结果进行偏差计算；以所有样本的偏差均值作为预测偏差。
6.如权利要求1所述的一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，所述基于所述初始降水预测结果，结合预先计算的预测偏差，获得短期降水预测结果，具体为：以所述初始降水预测结果和预测偏差之和，作为最终的短期降水预测结果。
7.一种基于深度学习及偏差纠正的短期降水预测系统，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的一种基于深度学习及偏差纠正的短期降水预测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的一种基于深度学习及偏差纠正的短期降水预测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6任一项所述的一种基于深度学习及偏差纠正的短期降水预测方法。
...【技术特征摘要】
1.一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，所述基于深度学习的短期降水预测模型的训练具体为：基于预设区域内降水情况历史数据进行数据集构建，并将所述数据集按照预设比例划分为第一训练集、验证集和测试集；在所述训练集、验证集和测试集中按照预设比例进行样本随机抽取，构建第二训练集；统计第二训练集中不同降水等级的占比，基于所述占比获取不同降水等级对应的权重；基于所述权重构建权重控制的损失函数；基于第一训练集和所述损失函数进行模型训练。
3.如权利要求2所述的一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，所述权重控制的损失函数，具体表示如下：
4.如权利要求1所述的一种基于深度学习及偏差纠正的短期降水预测方法，其特征在于，所述短期降水预测模型包括编码器和解码器，其中，所述编码器具体执行如下如下处理过程：对于输入的降水情况历史数据中的样本序列、样本序列对应站点的位置信息以及时间信息分别进行嵌入表示，通过多元相关机制进行时空特征的提取；将提取的时空特征进行多级分解获得季节特征和趋势特征；所述解码器具体执行如下处理过程：以获得的季节特征和趋势特征作为输入，顺序经第一多元相关机制、特征分解、第二多元相关机制、特征分解、前馈神经网络以及特征分解，获得优化后的季...
【专利技术属性】
技术研发人员：刘光亮，范文英，宫勋，曹皓伟，许达，王继彬，郭莹，潘景山，吴晓明，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
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。