[发明专利]基于物联网数据在线学习的降雨等级预测方法及系统

说明书

本发明公开了一种基于物联网数据在线学习的降雨等级预测方法及系统；包括微型气象站、物联网网关、基于深度学习的降雨等级预测(Trans‑CGan)模型、增量式模型为修正算法；本系统具有自适应修正的能力，对已部署的模型进行增量式在线学习，能适应之后新数据的变化；通过Trans‑CGan模型，本模型既能够针对多步输入的数据进行融合，又能在构成特征向量时会考虑到这个时间段中的上下文关系，也能提取不同属性值之间的特征关系，显著提升预报准确性；引入了增量式在线学习的方法，对于产生的新数据，能按批次地放入模型中去对模型中的参数进行微调，能极大提高了该方法在环境变化下的适应能力和模型预测准确率。

技术领域

本发明涉及基于物联网的气象预测技术领域，具体涉及一种基于物联网数据在线学习的降雨等级预测方法及系统。

背景技术

在各种天气事件中，降雨在人类生活中扮演着最重要的角色。降雨影响人类活动、农业、交通以及生活的几乎所有方面。确定降雨等级的能力有助于加强所有行业进程的决策和管理。如水资源的规划和管理，水库运行和洪水预防，城市地区的交通、下水道系统和其他人类活动控制，农业上种植、灌溉、施肥和收获。然而，降雨在空间和时间上的可变性使得降雨的定量预测变得极其困难。降雨的行为和结构，包括其在时间和空间维度上的分布，取决于几个变量，例如湿度、压力、温度以及可能的风向和风速。除此之外，降雨的时间序列通常也包含局部特征，例如，长时间低强度降雨之间的暴雨爆发。实际上，这些局部特征在一个时隙内不是固定的，这使得预测发生更加困难。对于降雨预测，目前已有的方法主要以大气模型和机器学习为主。

大气模式可进一步分为大气环流模式、气候模式和数值模式。大气环流模型可以预测大气物理量。气候模型可以预测各种气候因素，数值模式是我国中短期降水预报的主要模式。大气模式预测需要建立对应的物理模型称为大气方程，但大气方程由偏微分方程组成，数值计算的整体精度取决于合理的近似，这种不确定性使得结果与实际情况总是存在偏差。此外，大气模型通常需要大量的计算和资源。这些对硬件的严格要求使得大气预报难以实施。机器学习方法预测可分为两种，第一种机器学习方法基于统计学理论。时间序列分析是一种典型的多元统计分析方法。它是根据降雨的时间序列特征来预测降雨的。时间序列分析主要包括小波、自回归综合移动平均模型(ARIMA)、马尔可夫模型等。这些统计方法仅从降雨序列开始，并学习降雨序列的各种特征。但它们没有考虑气候或其他环境因素对降雨的影响，只从趋势上把握降雨变化的大致方向。其他机器学习方法可以学习气象/物理因素和降雨量之间的关系。这类方法主要包括支持向量机(SVM)、支持向量回归(SVR)、灰色预测(GF)、人工神经网络(ANN)等。与统计方法相比，它们可以获得更好的预测结果，但大多数仍存在着很多的因素困扰不能做到对短时降雨的精准预测。

发明内容

针对现有技术中的缺陷，本发明提供基于物联网数据在线学习的降雨等级预测方法及系统，以解决上述背景技术问题。

本发明的一目的在于提供了一种高准确度且占用资源小的降雨等级预测模型；

本发明的另一目的在于提供了一种能够实时对某一区域进行降雨等级实时预测的预测系统；

本发明的再一目的在于提供了一种高准确度的降雨等级预测的方法。

为达到上述目的，本发明提供了一种基于物联网数据在线学习的降雨等级预测方法，包括应用于实时在线的预测系统；其中所述实时在线的预测系统包括：

微型气象站，用于周期性地采集被监测周围局部区域的气象站数据；

物联网网关，对多个所述微型气象站数据的过滤和汇集然后集中通过无线网络将数据传输给云服务器，使得多个微型气象站通过物料网联系起来；

降雨等级预测模型，所述降雨等级预测模型与所述云端服务器通信连接，降雨等级预测模型用于对所述微型气象站的实时气象数据分析，并对未来短时间降雨等级进行预测；所述降雨等级预测模型通过增量式在线学习方法定时对模型进行微调并更新；