[发明专利]基于卷积网络和注意力机制的短时临近降雨预测方法

说明书

本申请涉及一种基于卷积网络和注意力机制的短时临近降雨预测方法。该方法包括：获取被预测区域在当前时间点前预设时段内的降雨过程图像；将所述降雨过程图像进行预处理，获得完全时空特性的张量；完全时空特性的张量输入多尺度特征融合的神经网络中进行特征提取，获得局部短期运动特征；将所述局部短期运动特征输入到结合了注意力机制的卷积长短期记忆人工神经网络中进行降雨预测，获得降雨预测信息；将所述预测结果信息输入到卷积层进行反向重构，获得所述被预测区域的未来降雨图像序列。解决了时空信息丢失容易，预测精度低的问题，提高了短时临近降雨的预测精度。

技术领域

本申请涉及信号工程技术领域，特别是涉及一种基于卷积网络和注意力机制的短时临近降雨预测方法。

背景技术

短时临近降雨预测是大气科学的一个重要领域。该任务的目标是在未来相对短的时间段(例如0-2小时)内，对当地区域的降雨情况进行及时且准确的预测。目前，该技术已经被广泛应用于为居民出行、农业生产、飞行安全等方面提供防洪防汛信息，它不仅能够方便人们，而且有利于防灾减灾，这也一直是天气预测领域的关键任务。随着气候的变化和城市化进程的加快，大气情况变得越来越复杂，各种气象现象频繁发生。气候变化给人们的生活和工作带来了许多不利影响，并且增加了许多不确定性的危险，如果能够对上述气象现象做出有效的预测和预防，损失将会大大减少。

而目前的短时临近降雨预测的常规方法主要包括：基于雷达回波外推方法，特别是其中的交叉相关法和基于光流的方法等，能有效地外推出未来雷达回波图(雷达回波图是定高度平面位置指示器图像)，通过马歇尔-帕尔默关系或Z-R关系转换为降雨图,在转换的过程中会引入不必要的系统误差，导致短时临近降雨的预测精度低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高短时临近降雨的预测精度的基于卷积网络和注意力机制的短时临近降雨预测方法。

一种基于卷积网络和注意力机制的短时临近降雨预测方法，所述方法包括：

获取被预测区域在当前时间点前预设时段内的降雨过程图像；

将所述降雨过程图像进行预处理，获得完全时空特性的张量；

完全时空特性的张量输入多尺度特征融合的神经网络中进行特征提取，获得局部短期运动特征；

将所述局部短期运动特征输入到结合了注意力机制的卷积长短期记忆人工神经网络中进行降雨预测，获得降雨预测信息；

将所述预测结果信息输入到卷积层进行反向重构，获得所述被预测区域的未来降雨图像序列。

在其中一个实施例中，所述将所述局部短期运动特征输入到结合了注意力机制的卷积长短期记忆人工神经网络中进行降雨预测，获得降雨预测信息的步骤，包括：

将所述局部短期运动特征输入结合了注意力机制的第一卷积长短期记忆人工神经网络中，学习全局长期的时空特征依赖关系，获得时间运动特征，并将所述时间运动特征压缩成隐状态张量输出；

将所述隐状态张量输入到结合了注意力机制的第二卷积长短期记忆人工神经网络中进行预测，获得预测结果信息。

在其中一个实施例中，所述第一卷积长短期记忆人工神经网络和所述第二卷积长短期记忆人工神经网络的激活函数为ReLU非线性激活函数。

在其中一个实施例中，所述第一卷积长短期记忆人工神经网络由3个卷积长短期记忆人工神经网络单元组成；第二卷积长短期记忆人工神经网络由3个卷积长短期记忆人工神经网络单元组成。

在其中一个实施例中，在所述各所述卷积长短期记忆人工神经网络单元之前，还引入了Batch Normalization方法；