[发明专利]一种风廓线雷达缺测数据的补齐方法和装置

权利要求书

1.一种风廓线雷达缺测数据的补齐方法，其特征在于，包括：

在获取到待处理风廓线雷达功率谱数据序列之后，确定出所述待处理风廓线雷达功率谱数据中缺测数据的属性数据，其中，所述属性数据包括：缺失时刻和缺失高度；

基于所述属性数据，确定出第一风廓线雷达功率谱数据组和第二风廓线雷达功率谱数据组，其中，所述第一风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中所述缺失时刻之前第一预设数量个高度与所述缺失高度相同的风廓线雷达功率谱数据，所述第二风廓线雷达功率谱数据组包括所述待处理风廓线雷达功率谱数据序列中与高度所述缺失高度之间的差值小于预设阈值且时刻与所述缺失时刻相同的第二预设数量个风廓线雷达功率谱数据；

将所述第一风廓线雷达功率谱数据组输入预设LSTM模型，得到第一雷达功率谱预测数据，以及将所述第二风廓线雷达功率谱数据组输入预设CNN模型，得到第二雷达功率谱预测数据，其中，所述预设LSTM模型和所述预设CNN模型均用于对所述待处理风廓线雷达功率谱数据中缺测数据进行补齐；

对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合，得到目标雷达功率谱预测数据；

其中，所述方法还包括：

获取样本风廓线雷达功率谱数据序列；

基于预设时间段和所述样本风廓线雷达功率谱数据对应的时间段，对所述样本风廓线雷达功率谱数据进行分类，得到多个样本集，其中，一个预设时间段对应一个样本集；

利用所述多个样本集，对多个初始LSTM模型和多个初始CNN模型进行训练，得到多个目标LSTM模型和多个目标CNN模型，其中，一个样本集对应一个预设LSTM模型和一个预设CNN模型；

其中，获取样本风廓线雷达功率谱数据序列，包括：

获取风廓线雷达数据序列和所述风廓线雷达数据序列对应的风廓线雷达产品；

对所述风廓线雷达数据序列进行傅里叶变换，得到初始样本风廓线雷达功率谱数据序列；

对所述风廓线雷达产品中的目标数据进行缺测值检查，并为所述风廓线雷达产品中的无缺测数据添加标记，其中，所述标记用于表征所述无缺测数据对应的时间和高度；

确定出所述初始样本风廓线雷达功率谱数据序列中的中间风廓线雷达功率谱数据，其中，所述中间风廓线雷达功率谱数据为与所述标记时空对齐的风廓线雷达功率谱数据；

基于所述中间风廓线雷达功率谱数据，构建所述样本风廓线雷达功率谱数据序列；

其中，所述方法还包括：

确定出所述缺失时刻所处的预设时间段，基于所述缺失时刻所处的预设时间段对应的目标LSTM模型和目标CNN模型；

将所述缺失时刻所处的预设时间段对应的目标LSTM模型和目标CNN模型，确定为所述预设LSTM模型和所述预设CNN模型。

2.根据权利要求1所述的方法，其特征在于，对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合，得到目标雷达功率谱预测数据，包括：

利用预设融合公式，对所述第一雷达功率谱预测数据和所述第二雷达功率谱预测数据进行融合，得到目标雷达功率谱预测数据，其中，所述预设融合公式为，和为t时刻的第一雷达功率谱预测数据和第二雷达功率谱预测数据，和为时刻的第一雷达功率谱预测数据和第二雷达功率谱预测数据；和分别是预设LSTM模型和预设CNN模型的测试集归一化准确率，和分别是所述第一风廓线雷达功率谱数据组和所述第一风廓线雷达功率谱数据组的时空距离权重。

3.根据权利要求1所述的方法，其特征在于，

所述初始LSTM模型包括：输入层，隐藏层和输出层，其中，所述隐藏层包括第一子隐藏层，第二子隐藏层和第三子隐藏层，所述输入层、所述第一子隐藏层，所述第二子隐藏层和所述第三子隐藏层依次采用二元链接结构进行链接，且链接方向为数据传播方向。

4.根据权利要求1所述的方法，其特征在于，

所述初始CNN模型为Densenet神经网络结构且卷积核大小为7×7；

所述初始CNN模型包括三层Dense Block结构和传导层，其中，所述传导层包括一个1×1的卷积和2×2的平均池化。