[发明专利]一种基于深度学习的短时降水预测方法

权利要求书

1.一种基于深度学习的短时降水预测方法，其特征在于：包括以下步骤：

采集目标区域最近某段时间内降雨过程的雷达回波序列，构建降雨数据集，并按照预设比例将数据集分为训练集和测试集；

对降雨数据集中的降雨数据进行预处理，得到预处理后的降雨数据集；

基于在卷积部分中引入了Inception模块和高效通道注意力模块以及双向长短时记忆神经网络构建降雨预测模型；

基于预处理后的训练集数据训练降雨预测模型，得到训练好的降雨预测模型；

将预处理后测试集中降雨数据输入到训练好的降雨预测模型中，实现目标区域短时间内的将雨量预测。

2.根据权利要求1所述的一种基于深度学习的短时降水预测方法，其特征在于：所述对降雨数据集中的降雨数据进行预处理，包括以下步骤：

S21:采取K近邻算法，通过欧式距离找到雷达回波序列中缺失值附近相似的k个点，把k个点求均值做为缺失值的数值，得到对填充缺失值后的图像，

S22:对填充缺失值后的图像利用高斯滤波器去除高斯噪声，得到去除高斯处理后的图像；

S23:将得到的高斯滤波处理后的图像进行归一化处理，得到归一化后的图像。

3.根据权利要求1所述的一种基于深度学习的短时降水预测方法，其特征在于：所述降雨预测模型的结构如下：包括14个层组成：

第一层是卷积层，卷积核大小为3x3，卷积核个数为64；

第二层是池化层，内核大小为3x3，步长为2；

第三层是卷积层，卷积核大小为3x3，卷积核个数为128

第四层是池化层，内核大小为3x3，步长为2；

第五层是Inception模块Ⅰ；

第六层是由Inception模块Ⅱ与通道注意力ECA模块连接组成；

第七层是是池化层，内核大小为3x3，步长为2；

第九层到第十一层是三层BiLSTM，隐藏层结点个数均为256；

第十二到十四层是三层全连接层，神经元个数分别为512，128，1；；

在每层BiLSTM层和全连接层后设置了dropout，参数设置为0.5。

4.根据权利要求1所述的一种基于深度学习的短时降水预测方法，其特征在于：所述Inception模块Ⅰ与Inception模块Ⅱ结构相同；所述Inception模块Ⅰ包括第一层组和第二层组；第一层组和第二层组串联连接；

所述第一层组包括三个1x1卷积层和1个3x3的卷积层；

所述第二层组包括个1x1卷积层、1个3x3的卷积层和1个5x5卷积层。

5.根据权利要求1所述的一种基于深度学习的短时降水预测方法，其特征在于：所述降雨预测模型使用均方根误差作为损失函数，所述损失函数的公式如下：

其中：N表示样本的个数，y_i和分别代表第i个样本序列对应的实际降雨量结果和预测降雨量。

6.一种基于深度学习的短时降水预测装置，其特征在于：包括

采集模块：用于采集目标区域最近某段时间内降雨过程的雷达回波序列，构建降雨数据集，并按照预设比例将数据集分为训练集和测试集；

预处理模块：对降雨数据集中的降雨数据进行预处理，得到预处理后的降雨数据集；

构建模块：用于基于在卷积部分引入了Inception模块和高效通道注意力模块,以及双向长短时记忆神经网络构建降雨预测模型；

训练模块：用于基于预处理后的训练集数据训练降雨预测模型，得到训练好的降雨预测模型；

预测模型：用于将预处理后测试集中降雨数据输入到训练好的降雨预测模型中，实现目标区域未来1到2小时内的将雨量预测。