[发明专利]一种基于关键影响因子的全局时空气象农灾预测方法

权利要求书

1.一种基于关键影响因子的全局时空气象农灾预测方法，其特征在于，该预测方法包括以下步骤：

步骤1，将农业气象异构数据上传至云平台，利用第一神经网络对异构数据按照时间与空间进行融合，融合成时空数据立方体，对时空数据立方体进行聚合；

步骤2，对聚合后的时空数据立方体进行分析并获取关键特征数据，从关键特征数据中收集特定农业灾害指标的历史数据；

步骤3，对特定农业灾害指标的历史数据采用极端随机树方法，实施集成化回归分析，预测出农业灾害指标，筛选出对农业灾害影响最大的指标组合作为影响因子；

步骤4，根据影响因子从云平台抽取与极端天气、农业灾害相关的文本、图像对应的时空数据立方体，利用LSTM神经网络处理文本特征，利用卷积神经网络处理图像特征，将处理后的文本特征和图像特征输入到激活函数Softmax中形成一个向量，作为联合特征表示；以该联合特征表示为输入，以历史农业灾害指标预测为辅助学习任务，构建辅助学习网络，通过最小化预测误差，训练特征提取器；

步骤5，从云平台中抽取代表极端天气和农业灾害数据的时空数据立方体，将时空数据立方体转化为由若干无纲量序列组成的无纲量平面；

步骤6，在无量纲平面之间按序列相关度将具有关联关系的极端天气数据与农业灾害数据进行映射，在无量纲平面内部按序列相关性寻找同类型数据之间的关联关系；

步骤7，根据极端天气与农业灾害的关联关系，从云平台时空数据立方体中按时间与空间提取气象与农业关联数据分组，并根据联合特征表示将关联数据分组表征为带有全局时空特性的二维特征平面集合；

步骤8，在二维特征平面集合基础上构建带有全局时空特性的农业灾害预测的第二神经网络，计算农灾发生概率。

2.根据权利要求1所述的预测方法，其特征在于，利用第一神经网络对异构数据按照时间与空间进行融合过程包括：

将不同农业气象异构数据、上下文描述符及当前时空步长的时空观测量共同建模作为输入，利用反向传播算法训练的前馈神经网络；得到融合后的时空数据立方体。

3.根据权利要求1所述的预测方法，其特征在于，利用层次聚类从关键特征数据中收集特定农业灾害指标的历史数据，包括：输入融合后的异构数据作为样本集合，类簇数设置条件以试错计算方法选取能够使得每一类信息所占系统的比例不确定度低的数值，将样本集合中的所有样本点当做一个独立类簇，取两个类中距离最近的两个样本的距离作为这两个集合的距离，重复计算两两类簇之间的距离且距离最小的两个类簇，直到达到预先设定的样本距离阈值，将结束时得到的数据集合作为特定农业灾害指标的历史数据。

4.根据权利要求3所述的预测方法，其特征在于，所述步骤3包括：

对特定农业灾害指标的历史数据构造极端随机树，使用特定农灾指标历史数据集合里的所有数据作为样本数据，对所有样本随机分裂并选取特征，随机选择特征值划分决策树，对决策树预测出的指标值按照占比或概率进行排序，结合各自对应的特征数据筛选出对农业灾害影响最大的指标集合作为影响因子。

5.根据权利要求1所述的预测方法，其特征在于，利用LSTM神经网络处理文本特征包括：将文本特征分为正向情感样本、中性情感样本和负向情感样本，分别对三种样本进行分词和词向量化，将转化成的向量表示分别输入LSTM神经网络中，根据正、中、负三种情感样本分别训练出覆盖正向情感样本的LSTM模型、覆盖中性情感样本的LSTM模型、覆盖负向情感样本的LSTM模型，分别简称为正向情感模型、中性情感模型、负向情感模型。

6.根据权利要求5所述的预测方法，其特征在于，所述步骤5包括：

利用灰色关联度，从时空数据立方体中按空间逐层抽取数据，每一层数据按照时间维度组成序列，并将所有数据取值压缩至[0,1]范围内，将数据立方体转化为由若干无纲量序列组成的二维平面。

7.根据权利要求6所述的预测方法，其特征在于，所述步骤8包括：所述第二神经网络包括多层卷积层和池化层，融入时间跳跃机制，通过指定跳跃单元个数，一次性预测未来某段时间范围内的农业灾害发生概率：

将时间窗口t-N～t内的高层特征序列作为输入，在中间层手动指定需要跳跃的时间单元个数，从而预测出若干时间单元之后某一时间窗口内的农业灾害发生概率，迭代执行上述过程，将预测结果作为下一轮跳跃预测的资料输入。