一种融合时空特征与超参数寻优的气象预测方法及装置与流程

摘要: 本发明属于气象时序预测,具体涉及一种融合时空特征与超参数寻优的气象预测方法及装置。背景技术:1、气象时序预测在农业生产、防灾减灾、交通运输、能源调度、城市运行和...
一种融合时空特征与超参数寻优的气象预测方法及装置与流程

本发明属于气象时序预测,具体涉及一种融合时空特征与超参数寻优的气象预测方法及装置。

背景技术:

1、气象时序预测在农业生产、防灾减灾、交通运输、能源调度、城市运行和生态环境监测等领域具有重要作用。准确预测温度、降水量、风速、湿度、气压和能见度等气象要素,可以为灾害预警、资源调度和生产决策提供依据。

2、气象数据通常具有明显的时空耦合特征。一方面,不同区域、不同站点或不同网格之间的气象状态存在空间相关性;另一方面,气象要素随时间变化具有连续性、周期性和长期依赖性。同时,气象变化还受到地形、季节、环流背景和人类活动等因素影响,使得气象时序数据呈现出非线性、非平稳和多变量耦合的特点。

3、现有气象时序预测技术大体可以分为数值天气预报方法、统计预测方法、传统机器学习方法和深度学习方法。数值天气预报方法基于大气动力学方程和物理过程参数化,能够描述大尺度天气系统演变,但通常计算量大,对初始场质量、物理参数化方案和模式分辨率依赖较强,在站点级、局地化和短时精细预测场景中仍需进一步订正。统计预测方法例如线性回归、arima、卡尔曼滤波等具有实现简单和可解释性较强的优点,但其对复杂非线性关系的表达能力有限。

4、传统机器学习方法例如支持向量回归、随机森林、梯度提升树、k近邻和极端随机树等能够在一定程度上学习气象变量之间的非线性映射关系,但通常依赖人工特征设计,对长时间序列依赖和空间结构关系建模不足。当输入数据包含多源气象变量、地形变量、时间周期变量和数值预报背景场时,传统机器学习方法难以充分表达多变量之间的深层耦合关系。

5、近年来,深度学习方法逐渐用于气象时序预测。卷积神经网络(cnn)能够提取网格化气象场或多变量特征矩阵中的局部空间特征,长短时记忆神经网络(lstm)能够学习时间序列中的长期依赖关系,注意力机制(attention)能够根据不同历史时刻或不同特征的重要程度分配权重。因此,cnn、lstm和attention的组合模型具备处理气象时空数据的潜力。

6、然而,现有深度学习气象预测方法仍存在不足。其一,部分模型仅采用lstm或普通cnn-lstm结构,虽然可以学习部分时序关系,但难以自适应区分不同历史时刻和不同特征通道对预测结果的贡献。其二,深度学习模型对超参数敏感,时间步长、卷积核数量、卷积核大小、lstm隐藏单元数量、学习率、批量大小和训练迭代次数等参数都会影响预测效果。人工调参依赖研究人员经验,搜索效率低,且难以保证获得适合不同区域、不同气象要素和不同预测时效的参数组合;固定超参数配置在气象数据分布变化、预测区域变化或预测对象变化时,模型精度和泛化能力可能下降。此外,常规模型在多步预测时容易出现误差累积,对于降水、大风等变化剧烈的气象要素,预测稳定性仍有待提升。

技术实现思路

1、为解决上述技术问题,本发明提供了一种融合时空特征与超参数寻优的气象预测方法及装置,以多源气象影响因素数据为输入,利用cnn提取空间及多变量局部特征,利用lstm提取长期时间依赖,利用attention增强关键历史状态的贡献,并利用tso对关键超参数进行动态寻优,从而提高气象要素预测的准确性、稳定性和泛化能力。

2、为实现上述目的,本发明采用的技术方案如下:

3、一种融合时空特征与超参数寻优的气象预测方法,所述方法包括:

4、获取目标区域的历史气象数据,所述历史气象数据包括气象要素数据以及与所述气象要素数据相关联的影响因素数据;

5、对所述历史气象数据进行预处理;

6、基于预处理后的历史气象数据,按照预设时间步长构建标准化气象时序样本;

7、构建以所述影响因素数据为输入、以未来时刻的所述气象要素数据为输出的tso-starnet气象时序预测模型,所述tso-starnet气象时序预测模型包括时空特征学习模型starnet和超参数动态寻优方法tso,其中,所述时空特征学习模型starnet包括依次级联的卷积神经网络层、池化层、长短时记忆神经网络层、注意力层和输出层;所述超参数动态寻优方法tso包括采用金枪鱼群优化算法对所述气象时序预测模型的超参数进行动态寻优,最终得到最优超参数组合;

8、利用所述标准化气象时序样本训练基于所述最优超参数组合构建的所述气象时序预测模型,直至模型评价指标达到设定期望值;以当前采集的所述影响因素数据为输入,通过训练完成的所述气象时序预测模型输出所述未来时刻的所述气象要素数据。

9、进一步的,所述影响因素数据包括历史气象要素数据、经度数据、纬度数据、高程数据、地形坡度数据、季节信息数据、小时信息数据、再分析气象数据以及数值天气预报背景场数据中的至少一种;所述气象要素数据包括温度数据、降水量数据、风速数据、风向数据、相对湿度数据、气压数据、能见度数据、露点温度数据以及太阳辐射量数据中的至少一种。

10、进一步的,所述预处理包括对不同来源的所述历史气象数据进行时间对齐、空间配准、缺失值补全、异常值修正和归一化处理。

11、进一步的,所述时空特征学习模型starnet中,所述卷积神经网络层用于提取输入样本的空间局部特征并生成特征图,所述卷积神经网络层之后级联有池化层,所述池化层用于对所述特征图进行下采样并将下采样后的特征图展平为一维向量作为各时刻的输出,所述长短时记忆神经网络层以所述池化层各时刻输出的一维向量作为各时刻输入并学习时序依赖关系后输出各时刻的隐藏状态,所述注意力层以全部时刻的所述隐藏状态为基础计算注意力权重并生成上下文向量,所述输出层将所述上下文向量映射为未来时刻的气象要素预测值。

12、进一步的,所述注意力层将所述长短时记忆神经网络层最后一个时刻输出的隐藏状态作为查询向量,将全部时刻输出的隐藏状态作为键向量和值向量,计算各时刻隐藏状态相对于所述查询向量的注意力权重,对全部时刻的隐藏状态进行加权求和,得到所述上下文向量。

13、进一步的,所述超参数包括时间步长、卷积核数量、卷积核尺寸、长短时记忆神经网络隐藏单元数量、学习率、批量大小以及训练迭代次数。

14、进一步的,所述模型评价指标包括均方误差、均方根误差、平均绝对误差和决定系数中的至少一种;所述未来时刻为未来一个时刻或多个时刻。

15、另一方面,本发明提供一种融合时空特征与超参数寻优的气象预测装置,包括:

16、获取模块,用于获取目标区域的历史气象数据,所述历史气象数据包括气象要素数据以及与所述气象要素数据相关联的影响因素数据;

17、预处理模块,用于对所述历史气象数据进行预处理;

18、构建模块,用于基于预处理后的历史气象数据,按照预设时间步长构建标准化气象时序样本;

19、寻优模块,用于构建以所述影响因素数据为输入、以未来时刻的所述气象要素数据为输出的tso-starnet气象时序预测模型,所述tso-starnet气象时序预测模型包括时空特征学习模型starnet和超参数动态寻优方法tso,其中,所述时空特征学习模型starnet包括依次级联的卷积神经网络层、池化层、长短时记忆神经网络层、注意力层和输出层;所述超参数动态寻优方法tso包括采用金枪鱼群优化算法对所述气象时序预测模型的超参数进行动态寻优,最终得到最优超参数组合;

20、输出模块,用于利用所述标准化气象时序样本训练基于所述最优超参数组合构建的所述气象时序预测模型,直至模型评价指标达到设定期望值;以当前采集的所述影响因素数据为输入,通过训练完成的所述气象时序预测模型输出所述未来时刻的所述气象要素数据。

21、第三方面,本发明提供一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;其中,当一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现前述的一种融合时空特征与超参数寻优的气象预测方法。

22、第四方面,本发明提供一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时能够使处理器实现前述的一种融合时空特征与超参数寻优的气象预测方法。

23、本发明的有益效果在于:

24、本发明通过卷积神经网络提取气象数据的局部空间特征和多变量关联特征,通过长短时记忆神经网络学习气象时序数据的长期依赖关系,通过注意力层对隐藏状态进行权重分配,使模型能够重点关注对预测结果贡献较大的历史时刻和特征通道,实现了对气象数据空间相关性、时间依赖性和关键特征贡献的联合捕捉,有效提升了复杂非线性气象变化条件下的预测精度。

25、本发明引入金枪鱼群优化算法对深度学习模型的多个关键超参数进行动态寻优,包括时间步长、卷积核数量、lstm隐藏单元数量、学习率、批量大小等,克服了传统人工调参效率低、依赖经验、难以获得全局最优参数组合的缺陷,显著提高了模型收敛效率和预测稳定性。

26、本发明通过多源影响因素数据的融合输入以及标准化的时序样本构建,能够适应温度、降水量、风速、风向、相对湿度、气压、能见度、露点温度、太阳辐射量等多种气象要素的预测任务,具有广泛的适用性和扩展性。

27、本发明通过注意力机制强化关键历史信息的贡献,有效缓解了多步预测过程中的误差累积问题,对于变化剧烈气象要素的预测稳定性和可靠性得到了显著提升。