[发明专利]一种融合关联度加权与时空注意力的温度预报方法

说明书

本发明为一种融合关联度加权与时空注意力的温度预报方法，首先获取包括温度和多个气象要素在内的气象数据集；接着，计算各个气象要素与温度之间的关联度，将关联度进行加权，并将所有关联度加权结果在通道方向连接，得到加权后的气象时空序列数据；最后，以预测循环神经网络为基础构建温度预报模型，将温度和加权后的气象时空序列数据输入到温度预报模型中，用于未来时刻局部地区的温度预报；温度预报模型包括n个时空注意力层，每个时空注意力层包括若干个时空注意力模块，时空注意力模块利用上下文交互单元对输入和上下文信息进行互相校正来记忆短期依赖信息，利用时空记忆单元捕获气象数据的长期依赖关系。该方法能够捕捉温度突变，预报准确度更高。

技术领域

本发明属于温度预报技术领域，具体是一种融合关联度加权与时空注意力的温度预报方法，可用于温度预报领域基于多要素时空序列的温度预测。

背景技术

温度预报是气象预报领域的研究热点，其目的是根据历史气象数据对未来一段时间内的温度变化进行精确预报，被广泛应用于交通控制、传染病预防、环境监测和灾害预警等领域。自动气象观测技术、遥感卫星工程技术以及智能网格预报技术的迅速发展，为基于深度学习的温度预报研究提供了丰富的数据支持。

传统的温度预报方法主要是基于物理的数值模型，它在获取数据和预测温度时需要耗费大量的计算资源和时间。随着多源、海量气象数据的出现，产生了数据驱动模型。深度学习技术特别是卷积神经网络和循环神经网络在温度预报领域取得了里程碑式的进步，更好地模拟了气象数据的非线性关系，并且解决了温度预报中数据依赖和机制复杂的问题。然而，循环神经网络倾向于时间结构的建模，缺乏捕捉温度空间变化的能力；卷积神经网络更注重空间外观变化，捕捉时序变化规律的能力较差。事实上，某地区温度变化的随机行为不仅受该地区历史气象数据的影响，而且受周围地区气象要素时空变化的影响，因此利用深度学习预测温度需要考虑长距离时空依赖。

现有的时空序列预测算法虽然能够从海量气象数据中高效准确地提取信息，但是它们通常分别对时空维度进行建模并且使用卷积操作捕捉气象数据的空间相关性，没有充分考虑温度变化的时空相关性和地理因素对温度变化的影响，忽略了不同气象要素对温度变化的影响程度，并且难以感知温度突变。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种融合关联度加权与时空注意力的温度预报方法。

本发明解决所述技术问题采用的技术方案如下：

一种融合关联度加权与时空注意力的温度预报方法，其特征在于，该方法包括如下步骤：

第一步、获取气象数据集，该数据集包括温度和多个气象要素在内的时空序列数据；

第二步、计算各个气象要素与温度之间的关联度，将各个气象要素与温度的关联度进行加权，并将各个气象要素的关联度加权结果在通道方向上连接，得到加权后的气象时空序列数据；

首先，根据式(1)对温度和各个气象要素的时空序列数据进行标准化处理；

其中，X_tj表示t时刻第j个气象要素的时空序列，表示t时刻第j个气象要素标准化后的时空序列，μ_j表示按时间维度计算得到的不同地区第j个气象要素的均值，σ_j表示第j个气象要素在不同地区的标准差；

其次，计算温度与各个气象要素之间的关联系数；

然后，根据式(3)计算各个气象要素与温度之间的关联度；

其中，r_j表示不同地区温度与第j个气象要素的关联度，ξ_tj表示t时刻不同地区温度与第j个气象要素的关联系数，T′表示时间序列长度；