[发明专利]一种降雨预测方法、系统及电子设备

权利要求书

1.一种降雨预测方法，其特征在于，包括：

步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；

步骤b：构建基于深度神经网络的降雨预测模型；

步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值；

在所述步骤a中，所述提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式；

在所述步骤b中，所述构建基于深度神经网络的降雨预测模型还包括：将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练；

所述降雨预测模型包括3D卷积神经网络和长短期记忆循环神经网络，所述通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练具体包括：

步骤b1：初始化所述基于深度神经网络的降雨预测模型的参数；

步骤b2：将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；

步骤b3：通过3D卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；

步骤b4：通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。

2.根据权利要求1所述的降雨预测方法，其特征在于，所述通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练还包括：

步骤b5：根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；

步骤b6：判断损失函数是否满足最小值，如果不满足最小值，执行步骤b7；如果满足最小值，执行步骤b8；

步骤b7：运用反向传播算法，根据损失函数调整网络参数；

步骤b8：保存网络参数，模型训练结束。

3.根据权利要求1或2所述的降雨预测方法，其特征在于，所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。

4.根据权利要求3所述的降雨预测方法，其特征在于，所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将所述有效信息加入对雷达图与气象信息序列的长期记忆中；所述输出门用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息。