[发明专利]一种构建用于风速预测的深度卷积回归网络的方法及装置

说明书

本发明提供了一种构建用于风速预测的深度卷积回归网络的方法及装置，方法包括：收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；基于收集的地面观测气象样本数据的尺寸、总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络。可提高风速预测的精度。

技术领域

本发明涉及气象预报技术领域，具体而言，涉及一种构建用于风速预测的深度卷积回归网络的方法及装置。

背景技术

风速预测是气象模式预测中的一个重要分支，对人们日常生活、工农业生产、环境分析等都有极为重要的影响。但由于自然界风速涉及的气象因素较多，因素之间关联度十分复杂，使得对风速值进行预报的准确性较低，因而，对风速进行预测是目前气象学中的难点。

发明内容

有鉴于此，本发明的目的在于提供构建用于风速预测的深度卷积回归网络的方法及装置，以提高风速预测的精度。

第一方面，本发明实施例提供了构建用于风速预测的深度卷积回归网络的方法，包括：

收集目标地区各历史时刻的地面观测气象样本数据、高空观测气象样本数据以及地形地物样本数据；

基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据；

针对每一历史时刻，对构建的时序编码层数据、地面观测气象样本数据以及地形地物样本数据进行拼接融合，得到地面融合数据，以及，对构建的时序编码层数据、高空观测气象样本数据以及地形地物样本数据进行拼接融合，得到高空融合数据；

依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络；

所述深度卷积回归训练网络包括空间特征提取网络、时序特征融合网络以及风速残差回归网络，空间特征提取网络包括：残差卷积网络以及空洞空间卷积池化金字塔网络，所述依据地面融合数据以及高空融合数据，对预设的深度卷积回归训练网络进行训练，得到深度卷积回归网络，包括：

将地面融合数据输入残差卷积网络，获得地面深层特征以及地面浅层特征，将高空融合数据输入所述残差卷积网络，获得高空深层特征以及高空浅层特征；

将地面深层特征输入空洞空间卷积池化金字塔网络，得到地面池化特征，将高空深层特征输入所述空洞空间卷积池化金字塔网络，得到高空池化特征；

分别对地面池化特征和高空池化特征进行双线性插值处理，得到地面插值特征以及高空插值特征；

对地面浅层特征、高空浅层特征、地面插值特征以及高空插值特征进行特征拼接，得到空间特征；

将各历史时刻的空间特征输入时序特征融合网络，得到对应空间特征的时序权重因子；

依据各历史时刻的时序权重因子，对该历史时刻的空间特征进行加权，得到时序融合特征；

将时序融合特征输入残差特征提取网络，得到目标预测时序的风速预测值；

依据目标预测时序的风速预测值以及风速实际值，调整深度卷积回归训练网络的参数，直至深度卷积回归训练网络满足预先设置的精度阈值，得到深度卷积回归网络。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述基于收集的地面观测气象样本数据的尺寸、预设的总预测时序数以及目标预测时序，构建时序编码层数据中的各通道数据，包括：