[发明专利]一种基于深度学习的云层变化趋势预测方法

权利要求书

1.一种基于深度学习的云层变化趋势预测方法，其特征在于，包括以下步骤：

步骤(1)，将从地面站采集的云图序列做数据预处理；按地面站上空的云层状况将云图序列数据分为晴空、少云和多云三类，并确定训练集、验证集和测试集；

步骤(2)，基于卷积-长短期记忆网络搭建深度预测网络模型，深度预测网络模型包括预测网络层、时间切片全连接层和全连接层，其中，预测网络层由四个模块组成，分别是输入卷积层，卷积-长短期记忆网络层，预测层和误差表示层，具体的更新规则如下：

其中，表示输入卷积层，x_t表示输入云层图像，t表示当前时刻，l表示当前模型网络层，MAXPOOL表示最大池化函数，RELU表示激活函数，CONV表示卷积函数，表示误差网络层，表示预测层，表示卷积长短期记忆网络表示层，CONVLSTM表示卷积长短期记忆函数，UPSAMPLE表示上采样函数，λ_t表示t时刻的误差权重，n_l表示l层的误差权重，L_train是总损失函数，定义为各层、各时刻预测误差的加权和；

步骤(3)，对深度预测网络模型训练，将训练集喂入深度预测网络模型进行模型的线下训练，验证集防止模型的过拟合，测试集用于测试模型的预测准确率，得到训练好的深度预测网络模型；

基于新接收的云层三维信息，通过训练好的深度预测网络模型直接预测下一时刻的云层的运动和变化，预测下一时刻的云层的运动和变化完成之后，此时将预测网络层和时间切片全连接层的参数固定，计算单位时间内相邻云层数据的欧几里得距离得到云层变化速度，根据云层变化速度设定和调整滑动窗口的大小，从当前接收的待预测序列中选取小训练集，对全连接层进行参数调整。

2.根据权利要求1所述基于深度学习的云层变化趋势预测方法，其特征在于：步骤(3)中预测下一时刻的云层的运动和变化的方法为：

步骤(3.1)，首先设定云层变化速度的多个阈值，每个阈值之间对应相应的滑动窗口大小；

步骤(3.2)，计算当前单位时间内相邻云层数据的欧几里得距离得到云层变化速度，与设定的阈值相比较，动态选择滑动窗口长度。

3.根据权利要求1所述基于深度学习的云层变化趋势预测方法，其特征在于：步骤(1)数据预处理包括数据筛选和数据清洗，去除不合格的云层图像。