[发明专利]基于增量学习的厄尔尼诺极端天气预警方法及装置

说明书

本发明公开了一种基于增量学习的厄尔尼诺极端天气预警方法及装置，方法包括：基于增量训练，即使用一多尺度特征频域蒸馏技术，选择性地约束多尺度特征低频分量的漂移，记忆并行卷积神经网络在旧任务中学到的知识；使用一多尺度特征自适应融合技术，根据输入多尺度数据不同的时间跨度，自适应学习不同的融合参数，增强对新任务的学习能力；自适应融合后的特征通过全连接层，输出反映厄尔尼诺现象变化规律的Nino3.4指数，建立极端降雨概率的映射函数，预测值超过阈值则进行暴雨预警并提前开展输电线路暴雨防治工作。装置包括：处理器和存储器。本发明可以有效的提升增量的厄尔尼诺现象下降雨量预测的准确度，减轻自然灾害。

技术领域

本发明涉及气象预测、海洋现象预测以及增量学习领域，尤其涉及一种基于增量学习的厄尔尼诺极端天气预警方法及装置。

背景技术

厄尔尼诺现象^[1,2,3]是一种海洋-大气系统的周期性变化，是地球年际气候变化的主要驱动因素之一，会对全球范围内的气候、环境和社会经济造成极大影响^[4]。厄尔尼诺现象与全球极端天气灾害的发生息息相关，已经受到学术界和相关行业的重视。例如，1997厄尔尼诺事件发生的次年，1998年夏季，我国长江流域、东北地区发生流域性特大暴雨洪涝灾害；2014年开始的厄尔尼诺事件，导致2015年我国冬季全国平均降水量较常年同期偏多五成以上，创历史最高纪录，长江流域和江南地区极易发生洪涝灾害。极端暴雨期间，容易导致输电线路杆塔塔基、变压器、变电站等重要电力设施浸水，甚至造成火灾导致大面积的停电，影响电网安全稳定运行。

近年来，为了预防极端天气并降低其对人类生产生活的影响，全球的研究者们致力于利用基于神经网络的表示学习来提高对全球气候的预测水平。例如：厄尔尼诺现象的发生与缓慢的海洋变化及其与大气的耦合有关，这表明利用卷积神经网络提前对厄尔尼诺事件进行预测，进而对其导致的暴雨等极端天气进行预警是可行的^[5]。但是，目前有关在厄尔尼诺现象影响下对极端降雨的预测工作较少，利用增量学习^[6,7]提升基于神经网络的厄尔尼诺极端天气预测水平的工作尚未开展，例如，利用增量学习对厄尔尼诺影响下极端降雨进行准确预测及对电网防灾预警工作尚未开展。

发明内容

本发明提供了一种基于增量学习的厄尔尼诺极端天气预警方法及装置，本发明致力于提升基于神经网络的厄尔尼诺极端天气预测水平，解决了传统卷积神经网络在面对持续出现的新数据时扩展性不足、时空继承性缺乏的问题，以及极端降雨长短期预测的差异化问题，例如，可以有效的提升增量的厄尔尼诺现象下输电线路沿线降雨量预测的准确度，减轻自然灾害；详见下文描述：

第一方面，一种基于增量学习的厄尔尼诺极端天气预警方法，所述方法包括：

对海洋数据进行下采样，得到多尺度的海洋数据，将多尺度数据以预设年为界划分为多个任务序列；

将任务序列以数据流形式输入并行卷积神经网络，通过有监督表示学习提取多尺度特征；

基于增量训练，使用多尺度特征频域蒸馏技术，选择性地约束多尺度特征低频分量的漂移，记忆并行卷积神经网络在旧任务中学到的知识；

使用多尺度特征自适应融合技术，根据输入多尺度数据不同的时间跨度，自适应学习不同的融合参数，增强对新任务的学习能力；

自适应融合后的特征通过全连接层，输出反映厄尔尼诺现象变化规律的Nino3.4指数；基于Nino3.4指数建立极端降雨概率的映射函数，预测值超过阈值则进行暴雨预警并提前开展输电线路暴雨防治工作。

其中，所述多尺度特征频域蒸馏技术用于使新并行网络的输出特征去逼近旧并行网络的输出特征。

其中，所述多尺度特征自适应融合技术包括：多尺度并行网络，两个瓶颈层，两个全连接层，以及一个自适应融合函数。