[发明专利]基于时空序列聚类算法和LSTM神经网络雷电预测方法

说明书

本发明公开了基于时空序列聚类算法和LSTM神经网络雷电预测方法，属于计算机科学技术领域，本发明的基于时空序列聚类算法和LSTM神经网络雷电预测方法，根据雷电中心经纬度的变化，利用基于雷电预测改进的DBSCAN密度聚类算法得到Eps值和每个时间片的雷电中心，通过LSTM神经网络预测出下一个时间片的雷电中心的地理位置。本发明可以自动计算出密度聚类DBSCAN的聚类半径，LSTM神经网络对雷电中心经纬度预测预测误差小精度高，基本可以满足实际的雷电预测需求。本发明首次尝试用LSTM神经网络解决雷电预测问题，之前的方法一般使用多项式拟合或者其他拟合方法，对雷电中心移动这个复杂的过程模拟的不够完全。

技术领域

本发明属于计算机科学技术领域，具体涉及基于时空序列聚类算法和LSTM神经网络雷电预测方法。

背景技术

雷电灾害是最严重的十种自然灾害之一。雷电常伴有阵风和暴雨，导致配电系统，通信装备，和居民的家用电器损坏，更甚者导致人和动物的伤亡。早在18世纪的美国，弗兰克林就利用“费城引雷实验”发明了避雷针。近三百年来人们对雷电的防控和预警从未停下过脚步。现代用雷达，卫星，闪电定位仪等测量工具对雷电进行实时监测。

目前，对雷电预测的方法有：传统雷电预测方法，利用相关计算法，通过历史观测数据建立潜势力预报方程，建立雷电短时临近预报模型和方法。基于天气研究和预报模型WRF((Weather Research and Forecast Model)的预警是对天气预报和天气的研究。模式可以为全球模式预报天气，为区域模式数值模拟天气现象。

但是经研究人员研究WRF模型在雷电预警中的应用较少。利用多种观测资料的外推进行临近预警，利用目前流行的神经网络算法，聚类算法等，对观测数据处理并建模，合理外推进行临近预警。基于数值模型的雷电预报，基于数据融合和各种高观测频率有效外推的近期预报。

近年来利用神经网络来研究雷电预测问题屡见不鲜，Geng等人提出了基于ConvLstm的LightNet，加入encoder-decoder模型以及反卷积模型，数据方面引入WRF预测数据来校正预测数据，但是这个方法在短时雷电预测上效果并不明显。冯崇等人提出基于聚类的雷电临近预报，从空间数据特征和分析方法研究出发，仿真分析雷电定位数据在不同平面上的分布特征，确定其在经纬平面上的分布特点，使用经典算法DBSCAN对雷电数据进行聚类分析，通过大量仿真分析输入参数对聚类结果的影响，选择合适的参数得到相应的聚类结果，最后通过分析云团质心距离、边界点距离和雷击次数建立一种多项式拟合的预测方法对短时雷电进行预测。该方法和本发明方法都使用了DBSCAN聚类算法，但该方法运用大量的参数对聚类结果进行分析，采用大量参数对比的形式对找到聚类中心的过程加大了难度，也降低了聚类中心的确定的准确性，对不同的雷电数据参数的选择也不具备普适性，对没有专业背景的用户十分不友好。

目前存在利用聚类算法和神经网络去解决雷电预测问题，但是所选用的DBSCAN聚类算法中的聚类半径没有自动给出都是通过经验值或者给出大量的聚类半径之后得出的符合需要的聚类半径。

发明内容

发明目的：本发明的目的在于提供基于时空序列聚类算法和LSTM神经网络雷电预测方法，通过时间片上输入的雷电数据自动的给出聚类半径的值，不需要反复调节聚类半径的大小，结合聚类算法更准确、更快速和更方便的确定雷电中心。

技术方案：为实现上述目的，本发明采用如下技术方案：

基于时空序列聚类算法和LSTM神经网络雷电预测方法，包括如下步骤：

1)对基于雷电预测问题对密度聚类DBSCAN算法的改进过程；

2)利用LSTM神经网络对短时雷电进行预测过程。