[发明专利]面向多业务应用场景的气象信息特征数据生成方法

说明书

本发明涉及一种面向多业务应用场景的气象信息特征数据生成方法，利用生成对抗网络进行数据生成，生成对抗网络包括生成器与判别器两部分，正方包含一个判别器A，目的是区分训练集中的样本和生成网络生成的新样本；反方包含一个判别器B和一个生成器，反方判别式器B的目的是指导生成网络生成逼近训练集样本的新样本，判别式网络的损失函数同时也是生成网络的损失函数。本发明在生成对抗网络数据生成模型的基础上，提出了改进的生成式对抗网络，利用改进的生成式对抗网络进行数据的生成，然后推论出隐藏变量与原始样本之间的数据关系，基于神经网络生成模型的核心理论，构建了面向多业务应用场景的新能源特征数据的生成方法。

技术领域

本发明属于气象研究技术领域，尤其是一种面向多业务应用场景的气象信息特征数据生 成方法。

背景技术

自主性生成技术依托于人工智能相关理论，而数据生成的发展经历了从人工建立相关数 学模型到现在主流的使用神经网络拟合出相关场景的数据生成模型。概率推论是整个数据生 成理论的起点，它提供了一套基于贝叶斯公式数学建模理论，让数据生成能通过数学理论进 行表达，并通过数学工具进行实现。在数据生成领域，依据观察事实x完成对事件y的概率 推断不是最终的目标，而是要生成新的事实x^*，这需要完成对观察变量x的概率建模，即获 取p(x)的概率分布而非单一事件的概率值，这个建模理论基于一个基本想法：每个类都是一 个数据集合体，以不同应用场景的计量数据为例，每种不同的场景是由不同的数据类型以及 数据特征组成的，这些数据类型以及数据特征构成了这个类的集合，每个类的数据集合服从 一个概率分布，因此只要得到一类数据的概率分布p(x)，就可以对该分布进行采样得到新的 相关的数据，即新的样本。

数据生成以建模出概率分布p(x)为基础，然后采样得到结果。目前用数学模型模拟出样 本的概率分布p(x)是一个较为简单的事情，一般采用极大似然的方法获得，该方法基于观测 事实来来对事实服从的概率分布p(x)进行估计，如有以下观测事实 {x₀ x₁ x₂… x_n-1 x_n}。假设一个含参数的概率分布p^*(x)。时间真实的概率分布p(x)可 通过优化包含p^*(x)的式子来获得：

为了计算方便，通常将式(3-2)的概率相乘转换为凸函数logp^*(x)相加来求解：

上述算法的依据是如果事实x服从p(x)分布，则在概率分布p(x)的前提下出现事实x的 可能性最大，因此选择优化最大的概率乘积估计出概率分布p(x)，即最大似然估计。

神经网络的强大的映射能力可以使数据生成更简单，如图1所示，使用神经网络构造的 数据生成模型，数据生成模型不需要再进行复杂的建模，而是通过神经网络算法自动拟合出 一个适用于当前应用场景的函数模型，实现数据生成的功能。

神经网络能将有限维度的变量映射成另一个有限维度的变量，这是神经网络生成能力的 体现，因此基于深度学习的数据生成模型的显式目标是利用已知的样本集，直接由神经网络 输出采样结果，p(x)的概率模型和从p(x)中采样的算法都作为隐式信息蕴含在神经网络之 中。所以在生成式网络模型中，神经网络最终输出的不再是网络推断，而直接是与样本同维 度的新样本，也就不能再使用判别式网络中的损失函数指导学习过程。因此构造出指导神经 网络利用样本数据直接生成新样本的损失函数是生成式网络模型的关键难点。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种面向多业务应用场景的气象信息 特征数据生成方法。

本发明解决其技术问题是采取以下技术方案实现的：