[發明專利]基于Attention機制的短臨降水預測方法

有效

• 申請號: 202110502961.2
• 申請日: 2021-05-10
• 公開（公告）號: CN113255972B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 牛丹;欒岱洋;李浩瑞;郁航遠;張建東;曹中豪
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 杜靜靜

本發明公開了基于Attention機制的短臨降水預測方法，屬于天氣預報技術領域，其包括以下步驟：首先輸入前t時刻的雷達回波圖序列(V₁,V₂,…,V_t)和模式數據Key(K)，對輸入數據進行數據清洗與去噪，得到處理后的輸入數據；然后將雷達回波圖的灰度圖像輸入包含4層卷積和最大池化的神經網絡，然后經過線性全連接層得到n維數組；接著將雷達回波圖序列、模式數據和S2中的Query輸入包括4個Attention單元和Norm層的編碼器，將結果輸入包括4個Attention單元、Norm層和全連接層的解碼器，得到預測雷達回波圖序列；最后對預測的雷達回波圖像，通過Z?R變換得到未來的區域降水預測，輸出短臨降水預測結果。本發明能夠融合多種氣象數據的特征、降低噪聲干擾、提升降水預測的精度。

技術領域

本發明屬于天氣預報技術領域，具體涉及基于Attention機制的短臨降水預測方法。

背景技術

氣象因素的變化(如風速、溫度、濕度、降水等)都深刻地影響著人類的生活。準確預報未來氣象要素，可廣泛服務于人們日常生活，交通運輸，農林畜牧業，致災天氣避險等領域。隨著地球觀測衛星數量增長與氣候模型日益增強，氣象研究者們面臨著更大規模的數據。

目前，數值預報與基于數值預報數據的人工智能預報是天氣預報的主要方法。對于數值天氣預報方法而言，短期預報需要復雜的物理大氣模型仿真。近年來，深度學習方法已開始被應用于天氣預報。

然而，目前傳統方法以使用2D-CNN或3D-CNN為主，精度(主要采用CSI指數衡量)不高；本發明提出的短臨降水預測方法，通過Attention機制實現Seq2Seq，使得模型輸出更接近真實值，同時融合了13個特征通道(包含9種海拔下的濕度，12種海拔下的風速和2種降雨強度)的模式數據，能夠較大程度地提升精度。

發明內容

本發明的目的是提供基于Attention機制的短臨降水預測方法，不僅利于模型的訓練與提高短臨降水預測精度特別是暴雨的預測精度，而且能夠解決現有技術中存在的降水數據不均衡、暴雨預測精度低、氣象數據圖像化及標準化的不適當策略、模型融合特征較少的技術問題。

為了實現上述發明目的，本發明采用如下技術方案：基于Attention機制的短臨降水預測方法，包括以下步驟：

S1：首先輸入前t時刻的雷達回波圖序列(V₁，V₂，...，V_t)和模式數據Key(K)，對輸入數據進行數據清洗與去噪，得到處理后的輸入數據；S2：然后將雷達回波圖的灰度圖像輸入包含4層卷積和最大池化的卷積神經網絡(CNN)，然后經過線性全連接層得到n維數組，這n維數組作為Query(Q)；S3：接著將雷達回波圖序列、模式數據和S2中的Query輸入包括4個Attention單元和Norm層的編碼器，然后將結果輸入包括4個Attention單元、Norm層和全連接層的解碼器，得到預測雷達回波圖序列V_t+1，V_t+2，...，V_t+p；S4：最后對預測的雷達回波圖像，通過Z-R變換得到未來的區域降水預測，輸出短臨降水預測結果Y_t+1，Y_t+2，...，Y_t+p，其中，Y_t+q表示預測的t+q時刻的雷達回波圖轉換為降水圖后的結果，1≤q≤p，p表示短臨降水預測時刻的總數。

進一步地，對輸入t時刻的歷史雷達回波圖序列的去噪過程包括以下步驟：S11.對未去噪的歷史雷達回波圖引入平滑因子以進行地物剔除；S12.對經過S11處理后的歷史雷達回波圖使用二維小波變換進行去噪。對輸入的圖像使用3×3的卷積核對圖像進行卷積操作，卷積計算公式為

其中F為卷積核，G為原圖像，H為卷積變換后的圖像；

線性全連接層的輸出可以表示為