[发明专利]长期天气预测方法、装置、计算机设备及存储介质

说明书

本申请公开了一种长期天气预测方法、装置、计算机设备及存储介质。该方法包括获取历史气象数据，并对历史气象数据进行数据清洗得到历史训练集；历史训练集包括若干个具有时间序列的子训练集；将若干个具有时间序列的子训练集按批次对LSTM模型进行训练；训练的过程具体包括在当前批次子训练集X_n对LSTM模型进行训练结束后，得到的输出向量Y_n，将输出向量Y_n用于下一批次的训练；输出向量用于表征天气预测结果，根据训练完成后的LSTM模型得到天气预测结果。同时不断获取增量气象数据集进行增量训练经过训练可以得到增量学习后的模型，提高了时间和空间的利用率。相比于现有技术本申请可以提高天气预测的准确率和计算效率。

技术领域

本发明涉及天气信息服务领域，特别涉及一种长期天气预测方法、装置、计算机设备及存储介质。

背景技术

及时准确的气象信息对生产生活有着巨大的指导作用，随着经济活动的发展，人们对气象信息的服务要求逐渐增高，长期天气预测成为一个大家关注的重点领域。

然而某地区的气象数据是一类典型的高纬度时间序列数据，具有非线形，非平稳等特征，现有的时间序列模型对天气模型描述不够充分，预测效果不够准确，并且计算效率也较低。

使用深度学习方法处理天气序列问题，能一定程度上提高天气预测的准确率和计算效率。

发明内容

基于此，本申请实施例提供了一种长期天气预测方法、装置、计算机设备及存储介质，可以提高天气预测的准确率和计算效率。

第一方面，提供了一种长期天气预测方法，该方法包括：

获取历史气象数据，并对所述历史气象数据进行数据清洗得到历史训练集；所述历史训练集包括若干个具有时间序列的子训练集，每个所述子训练集具有相同的时间周期；

将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练；其中，在当前批次子训练集X_n对所述LSTM模型进行训练结束后，得到的输出向量Y_n，将所述输出向量Y_n用于下一批次的训练；所述输出向量用于表征天气预测结果；

根据训练完成后的LSTM模型得到天气预测结果。

在其中一个实施例中，将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练之后，所述方法还包括：

获取增量气象数据，并对所述增量气象数据进行数据清洗得到增量训练集；

利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型；

根据增量训练后的LSTM模型得到天气预测结果。

在其中一个实施例中，利用所述增量训练集对所述LSTM模型进行增量训练得到增量训练后的LSTM模型，包括：

利用LwF算法将增量训练后的LSTM模型对增量训练前的模型进行覆盖。

在其中一个实施例中，通过LSTM模型的遗忘门对所述历史训练集进行数据压缩。

在其中一个实施例中，所述LSTM模型包括一个顺序RNN的神经网络，并在顺序RNN的基础上添加门控单元。

在其中一个实施例中，所述门控单元包括遗忘门，其中遗忘门使用Sigmoid作为激活函数。

在其中一个实施例中，将所述若干个具有时间序列的子训练集按批次对LSTM模型进行训练，包括：

通过反向传播算法更新所述LSTM模型中的各层参数。

第二方面，提供了一种长期天气预测装置，该装置包括：