一种基于序列注意力机制的多任务雷电预警方法、装置和介质与流程

本发明涉及雷电预警的，尤其是涉及一种基于序列注意力机制的多任务雷电预警方法、装置和介质。

背景技术：

1、雷电作为强对流天气中最具破坏性的现象之一，其发生、发展过程具有极端复杂的非线性动力学特征，且在空间上表现出高度的局限性，在时间上则具有显著的突发性和短促性。随着现代社会对电力基础设施、航空运输及生命财产安全保障要求的不断提高，建立高精度的雷电短临与中期预警系统已成为气象科学与人工智能交叉领域的研究核心。

2、早期的雷电预警主要依赖于经验外推技术（heuristic extrapolation）和传统的数值天气预报模型（numerical weather prediction, nwp）。雷达回波外推法，如交叉相关法（cotrec）和光流法，通过追踪对流单体的移动矢量来预测未来 1 小时内的闪电发生概率。然而，这些方法本质上是基于图像几何变换的线性预测，无法表征对流单体内部的电荷累积、对流活动与击穿放电等复杂的物理过程。数值天气预报模型（nwp）则通过求解流体力学和热力学方程组来模拟大气状态。虽然 nwp 在描述大尺度大气环流方面具有不可替代的优势，但在处理百米量级的局地雷电活动时，受限于其网格分辨率和参数化方案的简化，往往难以给出精确的落雷时间和坐标。近年来，深度学习技术在处理高维时空数据方面的卓越表现，促使研究者开始探索基于卷积神经网络（cnn）、循环神经网络（rnn）及其变体（如lstm, convlstm）的雷电预报模型。这些模型通过学习雷达反射率、卫星红外云图及闪电定位数据的历史演变模式，显著提升了短临预报的准确率。

3、然而，尽管深度学习模型在雷电预测领域取得了阶段性成果，但在实际业务化应用中，仍存在以下四个维度的技术缺陷：（1）时空依赖捕获的局限性，现有模型多采用标准cnn 或简单 lstm，前者在提取空间特征时受限于固定感受野，后者在处理长序列时易出现梯度消失。这种表征能力的不足，导致模型无法有效建模雷暴云团动态演进过程中的长程时空关联，进而在实际预报中表现出显著的演进滞后或空间定位偏差。（2）单任务预测维度的缺失，多数研究将雷电预测简化为二分类任务（是否有雷），忽略了对落雷精确位置、发生概率及强度等级的同步量化。这种单一的信息维度难以支撑电力调度、精密仪器防护等领域对差异化、分级化防雷预警的精细化需求。（3）特征权重的静态性与非自适应性，传统模型在特征提取阶段给予所有区域和时间步相同的权重，未考虑气象变量对雷电触发贡献度的差异。特别是在复杂地形或多单体对流并存的极端天气下，模型由于缺乏对关键“触发单体”的自适应聚焦能力，极易导致对突发性雷电事件的漏报或误报。（4）模型退化与灾难性遗忘，现有的离线训练模式使得模型在部署后难以吸收最新的观测数据，无法应对气候变化导致的季节性模式漂移。模型性能随时间推移而退化，且重新训练整个模型的计算成本极高，无法满足气象业务的实时性要求。此外，在数据融合层面，现有技术往往无法实现短临监测数据（高频、局部）与中期 nwp 产品（低频、全局）的有效衔接，导致在 30 分钟到 12小时的预报时效窗口内存在明显的性能断层。

4、综上所述，现有雷电预警技术在处理复杂的时空非线性特征、多维度预测需求、模型实时在线进化以及多模态数据深度融合等方面仍面临显著挑战。传统的物理模型和静态深度学习架构往往无法兼顾预报的时效性与精准度，且难以应对由于季节或气候变化导致的数据分布动态漂移。

技术实现思路

1、本发明的目的就是为了构建一种基于序列注意力机制的多任务雷电预警方法、装置和介质，通过引入序列注意力机制，模型能够根据输入的时序特征流，动态调整不同区域（空间维度）和不同时段（时间维度）的特征贡献度，确保系统对异常电荷积累区域的高度敏感性。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于序列注意力机制的多任务雷电预警方法，方法包括以下步骤：

4、s1、获取多源气象数据并进行对齐预处理；

5、s2、构建基于图卷积和序列注意力机制的共享特征编码器；

6、s3、采用多任务独立头结构，构建三个平行的解码头，包括空间位置回归头、发生概率预测头和强度等级分类头，基于分类头的输出设置三元混合损失函数；

7、s4、基于三元混合损失函数训练共享特征编码器和解码头，对齐预处理得到的数据作为模型的输入，得到雷电预警模型，将雷电预警模型用于实际的雷电预警，得到预警结果，实际的雷电预警过程中，到达更新周期时，将缓冲区内的样本构造为增量训练集，冻结共享特征编码器的权重，更新三个平行的解码头的权重。

8、进一步地，共享特征编码器输出共享特征，共享特征编码器包括空间特征提取层和序列注意力机制层。

9、进一步地，空间位置回归头包括卷积层和全连接层，输出雷电发生的空间位置概率图。

10、进一步地，发生概率预测头包括softmax，输出未来各个步长内的雷电发生概率分布。

11、进一步地，强度等级分类头包括特征映射层，输出各雷电活动水平等级的对数几率。

12、进一步地，三元混合损失函数为：

13、；

14、其中，表示位置损，表示概率损，表示强度损，分别为位置损、概率损和强度损的可学习参数，表示三元混合损失函数。

15、进一步地，更新后的三个平行的解码头的权重为：

16、

17、其中为较小的增量学习率，表示三个平行的解码头的权重，表示三元混合损失函数，▽表示变化量。

18、进一步地，更新三个平行的解码头的权重的方法为随机梯度下降。

19、本发明的另一方面，提出一种基于序列注意力机制的多任务雷电预警装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述基于序列注意力机制的多任务雷电预警方法。

20、本发明的另一方面，提出一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述的基于序列注意力机制的多任务雷电预警方法。

21、与现有技术相比，本发明具有以下有益效果：

22、本发明采用多任务学习（multi-task learning，mtl）框架，利用共享的特征表征同时预测雷电的空间位置（回归任务）、时间概率（分类任务）和强度等级（多分类/分级任务）。通过引入序列注意力机制，模型能够根据输入的时序特征流，动态调整不同区域（空间维度）和不同时段（时间维度）的特征贡献度，确保系统对异常电荷积累区域的高度敏感性。

1.一种基于序列注意力机制的多任务雷电预警方法，其特征在于，方法包括以下步骤：

2.根据权利要求1所述的一种基于序列注意力机制的多任务雷电预警方法，其特征在于，共享特征编码器输出共享特征，共享特征编码器包括空间特征提取层和序列注意力机制层。

3.根据权利要求1所述的一种基于序列注意力机制的多任务雷电预警方法，其特征在于，空间位置回归头包括卷积层和全连接层，输出雷电发生的空间位置概率图。

4.根据权利要求1所述的一种基于序列注意力机制的多任务雷电预警方法，其特征在于，发生概率预测头包括softmax，输出未来各个步长内的雷电发生概率分布。

5.根据权利要求1所述的一种基于序列注意力机制的多任务雷电预警方法，其特征在于，强度等级分类头包括特征映射层，输出各雷电活动水平等级的对数几率。

6.根据权利要求1所述的一种基于序列注意力机制的多任务雷电预警方法，其特征在于，三元混合损失函数为：

7.根据权利要求1所述的一种基于序列注意力机制的多任务雷电预警方法，其特征在于，更新后的三个平行的解码头的权重为：

8.根据权利要求7所述的一种基于序列注意力机制的多任务雷电预警方法，其特征在于，更新三个平行的解码头的权重的方法为随机梯度下降。

9.一种基于序列注意力机制的多任务雷电预警装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-8中任一项所述基于序列注意力机制的多任务雷电预警方法。

10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的基于序列注意力机制的多任务雷电预警方法。