[发明专利]一种基于简单卷积循环神经网络的短临预报方法及系统

权利要求书

1.一种基于简单卷积循环神经网络的短临预报方法，其特征在于，包括如下步骤：

获取用于进行天气短临预报的雷达回波图像序列；

将所述雷达回波图像序列输入编码-解码模型，以生成天气短临预报结果；

其中，所述编码-解码模型包括编码器和解码器，所述编码器用于编码提取所述雷达回波图像序列的图像特征信息，所述解码器用于以所述编码器的输出为输入，解码输出所述天气短临预报结果；

所述编码器包括交替设置的多层卷积神经网络记忆单元与多层下采样层，所述解码器包括交替设置的多层卷积神经网络记忆单元与多层上采样层，每一层所述编码器的所述卷积神经网络记忆单元均对应一层所述解码器的所述卷积神经网络记忆单元；

所述编码器的下采样层用于将接收的图像数据进行卷积缩减；

所述编码器和所述解码器的卷积神经网络记忆单元用于将接收的图像数据进行编码，以得到包括有所述图像特征信息的输出状态图像和记忆状态图像；

所述解码器的上采样层，用于将接收的图像数据进行反卷积扩大，其中，所述解码器的上采样层接收的图像数据包括所述解码器的所述上采样层上层的所述卷积神经网络记忆单元输出的所述输出状态图像，以及包括所述上采样层上层的所述编码器的所述卷积神经网络记忆单元输出的记忆状态图像；

所述图像特征信息包括图像局部细节信息和图像整体形态信息，所述编码器和所述解码器中均分别至少包括一层所述卷积神经网络记忆单元，以得到包括有所述图像局部细节信息的所述输出状态图像和记忆状态图像；且所述编码器和所述解码器中均分别至少包括一层所述卷积神经网络记忆单元，以得到包括有所述图像整体形态信息的所述输出状态图像和所述记忆状态图像，在编码阶段，所述编码-解码模型按照从细节到整体的过程获取图像特征信息，在解码阶段，所述编码-解码模型按照从整体形态到具体细节的过程，提取图像特征信息；

所述将所述雷达回波图像序列输入编码-解码模型，以生成天气短临预报结果步骤之前，还包括如下步骤：

以第一连续时间步和第二连续时间步为滑动窗口对历史雷达回波图像进行采样，其中，所述第一连续时间步与所述第二连续时间步在时间上连续；

设定所述第一连续时间步中每个时间步的所述历史雷达回波图像作为模型输入数据，设定所述第二连续时间步中每个时间步的所述历史雷达回波图像作为实况数据；

建立编码-解码模型；

将所述模型输入数据输入编码-解码模型进行迭代预测，直至得到多个用于进行模型训练的模型预测数据，其中，所述第二连续时间步中每一时间步均对应一所述模型预测数据，所述迭代预测按照所述第二连续时间步中的时间步进行迭代；

根据所述模型预测数据与对应的所述实况数据对所述编码-解码模型进行训练，直至所述编码-解码模型收敛。

2.根据权利要求1所述的基于简单卷积循环神经网络的短临预报方法，其特征在于，所述卷积神经网络记忆单元包括：

遗忘门，；

重置门，；

所述卷积神经网络记忆单元的记忆状态为：，；

所述卷积神经网络记忆单元的输出状态为：，；

其中与表示两个偏置，*表示卷积，表示矩阵对应元素相乘， 和g表示激活函数，t表示当前时间步，表示所述卷积神经网络记忆单元接收的数据，，分别代表所述卷积神经网络记忆单元中的三个卷积核。