[发明专利]一种构建降水等级预测模型的方法及装置

说明书

本发明提供了一种构建降水等级预测模型的方法及装置，方法包括：收集目标区域的气象要素数据以及地面地形数据；依据收集的数据获取历史时序的气象类别叠加数据；利用特征提取网络，对气象类别叠加数据进行气象类别中层特征以及气象类别高层特征提取，并获取预测时序的预测特征；依据预测时序的预测特征以及该预测时序的融合特征，调整特征提取网络的参数，直至得到完成训练的特征提取网络；将时序卷积网络输出的预测特征输入分类器，得到各预测时序的短时降水等级，基于预测时序的短时降水等级及该预测时序的实际短时降水等级，训练分类器，依据完成训练的特征提取网络以及分类器，构建降水等级预测模型。可以提高降水等级预测的准确性。

技术领域

本发明涉及气象预报技术领域，具体而言，涉及一种构建降水等级预测模型的方法及装置。

背景技术

短时降水等级预测是气象学预测的重要组成部分，是在统计过去一段时序内历史气象数据的基础上，预测未来若干时序的降水等级，从而为城市交通管理、市民出行、工农业生产、航空航海等提供技术支持。但由于影响降雨等级的气象因素较多，各因素之间关联度十分复杂，使得在依据历史时序内历史气象数据分析基础上得到的经验数据，预测未来时序的降水等级的准确性较低。

发明内容

有鉴于此，本发明的目的在于提供构建降水等级预测模型的方法及装置，以提高降水等级预测的准确性。

第一方面，本发明实施例提供了构建降水等级预测模型的方法，包括：

收集目标区域各历史时序内不同高度层的气象要素数据以及地面地形数据，所述气象要素数据包括一个或多个气象类别数据；

针对每一历史时序，依据气象类别数据以及地面地形数据，获取该历史时序的气象类别叠加数据；

利用特征提取网络中的残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取，基于气象类别中层特征以及气象类别高层特征，获取预测时序的预测特征；

依据预测时序的预测特征以及该预测时序的融合特征，调整残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络的参数，直至预测时序的预测特征以及该预测时序的融合特征的均方差满足预设的均方误差阈值，得到完成训练的特征提取网络；

将完成训练的特征提取网络中的时序卷积网络输出的各预测时序的预测特征输入分类器，得到各预测时序的短时降水等级，基于预测时序的短时降水等级以及该预测时序的实际短时降水等级，训练分类器，依据完成训练的特征提取网络以及分类器，构建降水等级预测模型。

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，所述利用特征提取网络中的残差网络、反卷积网络、特征融合网络、膨胀卷积网络、上采样网络以及时序卷积网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取，基于气象类别中层特征以及气象类别高层特征，获取预测时序的预测特征，包括：

利用残差网络，对气象类别叠加数据进行气象类别中层特征提取以及气象类别高层特征提取；

利用反卷积网络对气象类别高层特征进行反卷积处理，得到气象类别高层一致特征，气象类别高层一致特征的尺寸与气象类别中层特征的尺寸一致；

针对每一历史时序，利用特征融合网络，分别对各气象类别高层一致特征以及气象类别中层特征进行融合，得到时序高层融合特征以及时序中层融合特征；

利用膨胀卷积网络对时序高层融合特征进行卷积处理，得到多尺度高层融合特征；

利用上采样网络，对多尺度高层融合特征进行上采样，得到融合特征；

利用时序卷积网络，对按照历史时序排列的融合特征进行处理，获取预测时序的预测特征。