[发明专利]基于正反卷积神经网络的时空大数据预测方法和系统

权利要求书

1.一种时空大数据预测方法，其特征在于，包括：

将降水量时空大数据输入训练好的正反卷积神经网络模型，获取预测的降水结果，所述正反卷积神经网络模型用于获取所述降水量时空大数据在时间和空间维度上的动力学信息，并提取其中的隐含特征进行学习，从而提高所述降水结果的预测准确率；

其中，所述训练好的正反卷积神经网络模型通过如下步骤获取：

根据任一时刻卷积记忆和任一时刻卷积输出门获取任一时刻卷积输出，并基于所述任一时刻卷积输出构建任一时刻卷积长短时间记忆单元；

根据任一时刻反卷积记忆和任一时刻反卷积输出门获取任一时刻反卷积输出，并基于所述任一时刻反卷积输出构建任一时刻反卷积长短时间记忆单元；

通过所有卷积长短时间记忆单元和所有反卷积长短时间记忆单元搭建所述正反卷积神经网络模型，其中，所述正反卷积神经网络模型是以时刻和层为维度的二维模型，每一层的长度均相等，每一时刻的长度均相等；

将由观测值组成的张量序列数据输入所述正反卷积神经网络模型进行训练，获得所述训练好的正反卷积神经网络模型。

2.根据权利要求1所述的预测方法，其特征在于，所述通过所有卷积长短时间记忆单元和所有反卷积长短时间记忆单元搭建所述正反卷积神经网络模型进一步包括：

将所有卷积长短时间记忆单元置入所述正反卷积神经网络模型的较低层，将所有反卷积长短时间记忆单元置入所述正反卷积神经网络模型的较高层；

其中，任一所述反卷积长短时间记忆单元所处的层数比任一所述卷积长短时间记忆单元所处的层数高，且所述卷积长短时间记忆单元的数量与所述反卷积长短时间记忆单元的数量相等。

3.根据权利要求1所述的预测方法，其特征在于，所述任一时刻卷积记忆通过以下步骤获取：

通过以下公式获取卷积输入门：

其中，i_t为卷积输入门，σ为S型非线性激活函数Sigmoid，W_xi为计算卷积输入门时和做卷积操作的卷积核，*为卷积运算符，为任一时刻的输入量，W_hi为计算卷积输入门和做卷积操作的卷积核，为任一时刻的上一时刻的卷积输出，W_ci为计算卷积输入门时和做卷积操作的卷积核，⊙为阿达马算子，为任一时刻的上一时刻的卷积记忆，b_i为卷积输入门偏差；

通过以下公式获取卷积遗忘门：

其中，f_t为卷积遗忘门，σ为S型非线性激活函数Sigmoid，W_xf为计算卷积遗忘门时和做卷积操作的卷积核，*为卷积运算符，为任一时刻的输入量，W_hf为计算卷积遗忘门和做卷积操作的卷积核，为任一时刻的上一时刻的卷积输出，W_cf为计算卷积遗忘门时和做卷积操作的卷积核，⊙为阿达马算子，为任一时刻的上一时刻的卷积记忆，b_f为卷积遗忘门偏差；

将任一时刻的输入量和所述任一时刻的上一时刻的卷积输出通过下式整合成一个卷积张量：

其中，g_t为卷积张量，φ为双曲正切激活函数tangent，W_xg为计算卷积张量时和做卷积操作的卷积核，*为卷积运算符，为任一时刻的输入量，W_hg为计算卷积张量和做卷积操作的卷积核，为任一时刻的上一时刻的卷积输出，b_g为卷积张量偏差；

根据所述卷积输入门、所述卷积遗忘门和所述卷积张量，通过下式获取所述任一时刻卷积记忆：

其中，为任一时刻卷积记忆，f_t为卷积遗忘门，⊙为阿达马算子，为任一时刻的上一时刻的卷积记忆，i_t为卷积输入门，g_t为卷积张量。