[发明专利]一种预测降雨量的方法与设备

权利要求书

1.一种预测降雨量的方法，其特征在于，所述方法包括：

获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；

基于所述第一雷达回波图像序列确定第二雷达回波图像序列；

将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。

2.根据权利要求1所述的方法，其特征在于，所述第二雷达回波图像序列包括：

所述第一雷达回波图像序列的首、尾两帧雷达回波图像，及基于预设间隔从第一雷达回波图像序列中采样获取的若干帧雷达回波图像。

3.根据权利要求1或2所述的方法，其特征在于，确定所述训练后的改进SlowFast神经网络模型包括：

获取所述预设站点的历史第一雷达回波图像序列，构建历史第一雷达回波图像序列训练集，其中，所述历史第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；

基于所述历史第一雷达回波图像序列确定历史第二雷达回波图像序列，构建与所述历史第一雷达回波图像序列训练集对应的历史第二雷达回波图像序列训练集，其中，所述历史第二雷达回波图像序列从所述历史第一雷达回波图像序列中采样确定；

获取所述预设站点与所述历史第一雷达回波图像序列对应的历史降雨量，构建历史降雨量数据集；

将所述历史第一雷达回波图像序列训练集、所述历史第二雷达回波图像序列训练集和所述历史降雨量数据集用于训练改进SlowFast神经网络，当所述改进SlowFast神经网络的损失函数输出满足预置阈值，完成所述SlowFast神经网络模型训练。

4.根据权利要求1所述的方法，其特征在于，所述改进SlowFast神经网络是将SlowFast神经网络尾部的分类或者检测结构替换成回归结构。

5.根据权利要求4所述的方法，其特征在于，所述改进SlowFast神经网络的结构包括：

Fast Pathway分支，包括1个卷积池化层和4个残差模块、1个全局平均池化层；

Slow Pathway分支，包括1个卷积池化层、4个残差模块、1个全局平均池化层，其中，在距离输出近端的后两个残差模块使用了时间维度卷积；

3个特征融合卷积层、1个拼接层和1个全连接层，其中，在所述Fast Pathway分支中的前3个残差模块的每一个残差模块与所述Slow Pathway分支中的对应残差模块之间有1个特征融合卷积层，其中，所述Fast Pathway分支中的全局平均池化层和所述Slow Pathway分支中的全局平均池化层的输出都作为拼接层的输入，拼接层的输出作为全连接层的输入。

6.根据权利要求5所述的方法，其特征在于，所述特征融合卷积层包括：

将所述Fast Pathway分支中的残差模块输出作为特征融合卷积层的输入；

特征融合卷积层的输出与所述Slow Pathway分支中的对应残差模块的输出按特征点位置进行加法运算，结果作为所述Slow Pathway分支中的下一个残差模块的输入。

7.根据权利要求3所述的方法，其特征在于，所述损失函数包括均方差损失函数。

8.一种预测降雨量的设备，其特征在于，所述设备包括：

第一装置，用于获取第一雷达回波图像序列，其中，所述第一雷达回波图像序列包括基于预设帧数的连续帧雷达回波图像；

第二装置，用于基于所述第一雷达回波图像序列确定第二雷达回波图像序列；

第三装置，用于将所述第一雷达回波图像序列和所述第二雷达回波图像序列输入训练后的改进SlowFast神经网络模型，以预测预设站点预设时间段内降雨量。

9.一种计算机可读介质，其特征在于，

其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7中任一项所述的方法。

10.一种预测降雨量的设备，其特征在于，该设备包括：

一个或多个处理器；以及

存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至7中任一项所述方法的操作。