一种气象数据预测方法、设备及存储介质与流程

1.本发明实施例涉及气象预测技术领域，尤其涉及一种气象数据预测方法、设备及存储介质。


背景技术：

2.随着科技的发展，天气预测越来越多的应用在各个领域，如天气预报可以预测未来几小时内的降雨、温度、风速、能见度等等。通过对天气要素的预测来指导人们出行、农作物种植、工业生产、航空交通运行等等，所以天气预测与人们生活息息相关，对人们来说越来越重要。
3.但是，目前的天气预测方法中，所预测的天气准确度较低，不能很好的预测到突变部分。因此为生产生活带来极大的不便。


技术实现要素：

4.本发明提供一种气象数据预测方法、设备及存储介质，以实现对气象数据的准确预测。
5.第一方面，本发明实施例提供了一种气象数据预测方法，所述气象数据预测方法包括：
6.获取历史气象数据序列；
7.将所述历史气象数据序列作为输入数据输入到预确定的目标气象网络模型中，其中，所述目标气象网络模型采用设定的训练方法进行训练；
8.根据所述目标气象网络模型的输出结果，对气象数据进行预测，获得所述历史气象数据序列对应的目标气象数据序列。
9.第二方面，本发明实施例还提供了一种计算机设备，该设备包括：
10.一个或多个处理器；
11.存储器，用于存储一个或多个程序，
12.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的一种气象数据预测方法。
13.第三方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的一种气象数据预测方法。
14.本发明实施例提供了一种气象数据预测方法、设备及存储介质，通过获取历史气象数据序列；将所述历史气象数据序列作为输入数据输入到预确定的目标气象网络模型中，其中，所述目标气象网络模型采用设定的训练方法进行训练；根据所述目标气象网络模型的输出结果，对气象数据进行预测，获得所述历史气象数据序列对应的目标气象数据序列，解决了现有技术中气象数据进行预测时，预测结果不准确的问题。通过采用预先设定的训练方法训练神经网络模型，得到目标气象网络模型，然后通过目标气象网络模型对历史气象数据序列进行预测，得到对应的目标气象数据序列，实现了对气象数据的准确预测。
附图说明
15.图1是本发明实施例一中的一种气象数据预测方法的流程图；
16.图2是本发明实施例二中的一种气象数据预测方法的流程图；
17.图3是本发明实施例三中的一种计算机设备的结构示意图。
具体实施方式
18.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例方式作进一步地详细描述。应当明确，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
19.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
20.在本技术的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
21.实施例一
22.图1为本发明实施例一提供的一种气象数据预测方法的流程图，本实施例可适用于进行气象数据预测的情况，该方法可以由气象数据预测装置来执行，具体包括如下步骤：
23.s110、获取历史气象数据序列。
24.在本实施例中，历史气象数据序列具体可以理解为由多条历史气象数据构成的数据序列，本技术实施例中为了更加准确的预测气象数据，所采用的历史气象数据序列为按照时间顺序排列的序列。气象数据可以是温度、风速、降雨、能见度、气压等任何一种气象数据。
25.具体的，预先通过数据采集装置采集历史气象数据，可以根据历史气象数据的类型设置合适的数据采集装置。例如，通过雷达采集云图，将云图作为历史气象数据，通过传感器采集温度数据，将其作为历史气象数据，等等，本发明实施例对此不进行限定。
26.s120、将历史气象数据序列作为输入数据输入到预确定的目标气象网络模型中，其中，目标气象网络模型采用设定的训练方法进行训练。
27.在本实施例中，目标气象网络模型具体可以理解为预先训练好的神经网络模型，本技术实施例的神经网络模型以长短期记忆网络(long short
‑
termmemory，lstm)模型为例，进行气象数据预测。
28.现有技术中在进行模型训练时，以lstm预测模块为例，在训练时，输入预测模型序列：x[1,t]，输出预测到的序列：x[t 1,t k]。预测得到的序列 x[t 1,t k]与真实的未来序列进行损失函数的计算：常用的是均值平方差mse 损失函数。，但是这种损失函数由于对幅
度突变和相位差异不敏感导致预测结果不理想。所以训练好的模型无法准确预测气象数据。本技术实施例针对此问题，提供一种新的训练方法，通过训练过程中的损失函数进行优化，通过可微分的动态时间规整算法(dynamic time warping，dtw)定义损失函数的正向传播和反向传播，通过此种方式训练得到的目标气象网络模型可以准确预测未来的气象数据，为人们的生活生产提供可靠依据。
[0029]
通过将历史气象数据序列作为输入数据，将其输入到训练好的目标气象网络模型中，目标气象网络模型根据训练过程中学习的经验，以及历史气象数据序列进行预测。
[0030]
s130、根据目标气象网络模型的输出结果，对气象数据进行预测，获得历史气象数据序列对应的目标气象数据序列。
[0031]
在本实施例中，目标气象数据序列具体可以理解为预测未来的气象数据序列。目标气象数据序列的长度与历史气象数据序列的长度可以相同，也可以不同，例如，历史气象数据序列的长度为10，目标气象数据序列的长度为5，即根据10个历史气象数据预测得到未来的5个气象数据。
[0032]
可以知道是，历史气象数据序列中的历史气象数据可以是每隔一段时间间隔采集的气象数据，例如，每隔10分钟采集一次，采集得到10个历史气象数据(x1，x2
……
x10)组成的历史气象数据序列，相应的，预测得到的目标气象数据序列即为未来一段时间的目标气象数据(x11，x12
……
x15)。
[0033]
需要知道的是，一个训练好的目标气象网络模型预测一种气象数据，其预测的数据类型由训练数据类型决定，即训练过程中采用何种数据训练，训练好的模型可以预测何种数据。如想预测多种类型的数据，可以训练多个模型，其训练原理相同，区别为样本数据不同。历史气象数据序列中的历史气象数据为在同一位置采集的气象数据。
[0034]
本发明实施例提供了一种气象数据预测方法，通过获取历史气象数据序列；将所述历史气象数据序列作为输入数据输入到预确定的目标气象网络模型中，其中，所述目标气象网络模型采用设定的训练方法进行训练；根据所述目标气象网络模型的输出结果，对气象数据进行预测，获得所述历史气象数据序列对应的目标气象数据序列，解决了现有技术中气象数据进行预测时，预测结果不准确的问题。通过采用预先设定的训练方法训练神经网络模型，得到目标气象网络模型，然后通过目标气象网络模型对历史气象数据序列进行预测，得到对应的目标气象数据序列，实现了对气象数据的准确预测。
[0035]
实施例二
[0036]
图2为本发明实施例二提供的一种气象数据预测方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，具体主要包括如下步骤：
[0037]
s210、采用训练气象数据序列以及对应的标准气象数据序列作为一个训练样本。
[0038]
在本实施例中，训练气象数据序列具体可以理解为用来进行模型训练的气象数据构成的序列，训练气象数据需要预先采集；标准气象数据序列具体可以理解为训练气象数据所对应的实际气象数据构成的序列。
[0039]
将同一位置(例如，同一气象站点)采集的气象数据按照时间顺序排列，构成序列，此时的气象数据均为历史数据。多个序列构成数据集，按照一定比例划分数据集，将其划分为训练数据集、测试数据集和验证数据集。训练数据集中的数据即为训练样本。
[0040]
s220、将训练样本输入给定的待训练气象网络模型，获得预测气象数据序列。
[0041]
在本实施例中，待训练气象网络模型具体可以理解为未进行训练的、基于深度学习的神经网络模型，用于预测未来气象数据；预测气象数据序列具体可以理解为待训练气象网络模型根据输入的气象数据所预测得到的未来气象数据。
[0042]
将训练样本输入到待训练气象网络模型中，待训练气象网络模型根据模型各层的参数进行学习，得到预测气象数据序列。
[0043]
s230、根据预测气象数据序列和标准气象数据序列，确定中间惩罚矩阵。
[0044]
在本实施例中，中间惩罚矩阵具体可以理解为模型训练过程中计算损失函数过程中的一个矩阵，用来表示预测气象数据序列和标准气象数据序列之间的误差。
[0045]
计算预测气象数据序列和标准气象数据序列中每个预测气象数据和标准气象数据之间的惩罚函数对应的数值、可微分函数对应的数值等，根据惩罚函数对应的数值、可微分函数对应的数值确定中间惩罚矩阵中的每个数据项，由此确定中间惩罚矩阵。
[0046]
作为本实施例的一个可选实施例，本可选实施例进一步将根据所述预测气象数据序列和标准气象数据序列，确定中间惩罚矩阵优化为：
[0047]
a、根据预测气象数据序列中的预测气象数据和标准气象数据序列中的标准气象数据确定惩罚函数值。
[0048]
在本实施例中，惩罚函数值具体可以理解为根据惩罚函数所计算得到的数值，惩罚函数值的数量与预测气象数据序列的长度和标准气象数据序列的长度有关。惩罚函数为一类制约函数，用于约束非线性规划。计算每个预测气象数据和每个标准气象数据之间的惩罚函数值。
[0049]
作为本实施例的一个可选实施例，本可选实施例进一步将根据所述预测气象数据序列中的预测气象数据和标准气象数据序列中的标准气象数据确定惩罚函数值优化为：针对每个预测气象数据，确定与各所述标准气象数据的距离和匹配值；将各所述距离与对应的匹配值相加，得到各惩罚函数值。
[0050]
在本实施例中，匹配值具体可以理解为用于约束序列之间相位误差的数值。对于每个预测气象数据，依次计算其与每个标准气象数据的距离和匹配值，计算距离可以采用任意一种距离计算方式，例如，欧式距离。匹配值通过预测气象数据和标准气象数据的序列号进行计算。在计算完每个距离和对应的匹配值后，将其相加得到对应的惩罚函数值。
[0051]
作为本实施例的一个可选实施例，本可选实施例进一步将确定匹配值优化为：将各所述预测气象数据的预测序列号和各所述标准气象数据的标准序列号分别代入预确定的匹配函数公式中，计算得到各匹配值。
[0052]
在本实施例中，预测序列号具体可以理解为预测气象数据在预测气象数据序列中的编号；标准序列号具体可以理解为标准气象数据在标准气象数据序列中的编号。将预测序列号和标准序列号带入预确定的匹配函数公式中进行计算，即可以得到匹配值。
[0053]
进一步地，匹配函数公式表示为：
[0054][0055]
其中，所述match(i，j)表示预测序列号为i的预测气象数据和标准序列号为j的标准气象数据之间的匹配值，i＝0,1,2,3
…
n，j＝0,1,2,3
…
m；k＝n＝m，n＝预测气象数据序列的长度
‑
1，m＝标准气象数据序列的长度
‑
1。
[0056]
在本技术实施例中，n 1为预测气象数据序列x的长度；m 1为标准气象数据序列y的长度。匹配函数的作用是为了对两个序列之间的相位偏差增加约束。
[0057]
b、根据预确定的可微函数公式和初始可微值确定可微值。
[0058]
在本实施例中，初始可微值具体可以理解为可微值计算过程中所使用的初始值；可微值为通过迭代循环方式计算得到的数值，即计算当前的可微值时需要使用上一次的可微值。最终需要计算的可微值的数量与预测气象数据序列的长度和标准气象数据序列的长度相关，初始可微值为预先给定的数值。将初始可微值带入可微函数公式进行迭代计算，得到各可微值。
[0059]
进一步地，可微函数公式表示为：
[0060]
t
i,j
＝minγ{r
i
‑
1,j
‑1,r
i
‑
1,j
,r
i,j
‑1}；
[0061]
其中，t
i,j
表示中间惩罚矩阵中第i行，第j列的数据项所对应的可微值； minγ{r
i
‑
1,j
‑1,r
i
‑
1,j
,r
i,j
‑1}表示取最小值；γ为可微参数；r
i
‑
1,j
‑1、r
i
‑
1,j
和r
i,j
‑1均为中间惩罚矩阵中相应行列的数据项。
[0062]
现有技术中，由于损失函数对幅度突变和相位差异不敏感导致预测结果不准确，所以本技术通过可微分的动态时间规整算法对损失函数进行改进。定义其中，a为路径矩阵；δ(x,y)为惩罚矩阵。由于其是不可微分的，所以无法直接计算得到损失函数。通过将min函数进行优化，将其优化为下述公式：
[0063][0064]
min{a1,...a
k
}中的a1…
a
k
对应可微函数公式中的r
i
‑
1,j
‑1,r
i
‑
1,j
,r
i,j
‑1，即在计算过程中通过r
i
‑
1,j
‑1,r
i
‑
1,j
,r
i,j
‑1替换a1…
a
k
进行计算，k的大小取决于r
i，j
的数量。上述公式实现了min函数的可微，使其可以应用在损失函数的计算中。在计算可微值时，通过对现有的min函数进行优化，使其可微分，并在计算过程中引入可微参数γ进行计算，γ为可微参数为预先设置的数值，本技术实施例中γ可设置为0.1。
[0065]
c、根据各惩罚函数值和所对应可微值结合预确定的中间惩罚矩阵确定公式确定中间惩罚矩阵的数据项，根据各所述数据项形成中间惩罚矩阵。
[0066]
在本实施例中，中间惩罚矩阵确定公式具体可以理解为计算中间惩罚矩阵中数据项的计算公式。本发明实施例中的数据项是指矩阵中的项，如矩阵中第 2行第2列的项。
[0067]
将惩罚函数值和对应的可微值分别代入中间惩罚矩阵确定公式，计算得到中间惩罚矩阵的数据项，根据各数据项形成中间惩罚矩阵。惩罚函数值和可微值在计算时，由于是循环重复计算，在计算的过程中使用了变量i和j，通过对i和j进行循环赋值，重复计算得到，所以赋值过程中i和j的值即对应表示了其在中间惩罚矩阵中的位置。
[0068]
进一步地，中间惩罚矩阵确定公式表达式为：
[0069]
r
i，j
＝cost(x
i
,y
j
) t
i,j
；
[0070]
其中，r
i,j
表示中间惩罚矩阵中第i行，第j列的数据项；cost(x
i
,y
j
)表示中间惩罚矩阵中预测气象数据x
i
和标准气象数据y
j
之间的惩罚函数值；x
i
表示预测序列号为i的预测
气象数据，y
j
表示标准序列号为j的标准气象数据；t
i,j
表示中间惩罚矩阵中第i行，第j列的数据项所对应的可微值；r
0,0
＝0；r
i,0
＝ ∞； r
0,j
＝ ∞。
[0071]
在迭代过程中，迭代若想正常进行，必须进行初始化赋值，即给定初始值， r
0,0
＝0；r
i,0
＝ ∞；r
0,j
＝ ∞作为预先给定的初始值，保证循环迭代可以正常进行。r
0,0
＝0；r
i,0
＝ ∞；r
0,j
＝ ∞同时可作为初始可微值计算可微值。由于r
0,0
＝0； r
i,0
＝ ∞；r
0,j
＝ ∞均为初始值，无需计算，所以在通过计算可微值进一步计算中间惩罚矩阵的数据项时，第0行和第0列的所有数据项均是确定的，相应的也无需计算可微值。
[0072]
s240、根据中间惩罚矩阵确定目标损失函数和梯度反传值。
[0073]
在本实施例中，目标损失函数具体可以理解为模型反向传播时的损失函数，用于衡量模型的好坏；梯度反传值具体可以理解为模型反向传播时的梯度值。
[0074]
根据中间惩罚矩阵计算目标损失函数时，由于中间惩罚矩阵中包含了多各数据项，从中间惩罚矩阵中选取一个数据项作为目标损失函数。通过中间惩罚矩阵中的各数据项进行计算，得到一个输出矩阵，通过对输出矩阵进行运算得到梯度反传值。
[0075]
作为本实施例的一个可选实施例，本可选实施例进一步将根据所述中间惩罚矩阵确定目标损失函数优化为：提取所述中间惩罚矩阵中指定行列对应的目标数据项；将所述目标数据项确定为目标损失函数。
[0076]
在本实施例中，目标数据项具体可以理解为中间惩罚矩阵中特定行列的数据项。从中间惩罚矩阵的各行列中提取指定行列的目标数据项，将目标数据项作为目标损失函数。本技术实施例以提取[
‑
2，
‑
2]的目标数据项为例，即将倒数第二行、倒数第二列的目标数据项确定为目标损失函数。此时得到的目标损失函数为最优值。
[0077]
作为本实施例的一个可选实施例，本可选实施例进一步将根据所述中间惩罚矩阵确定梯度反传值优化为如下步骤：
[0078]
a、根据中间惩罚矩阵、各惩罚函数值形成的惩罚矩阵确定输出矩阵。
[0079]
在本实施例中，惩罚矩阵是由各惩罚函数值所构成的矩阵，惩罚函数值的确定方法与步骤a相同。通过对中间惩罚矩阵中各数据项，以及惩罚矩阵中各数据进行计算，得到输出矩阵。
[0080]
作为本实施例的一个可选实施例，本可选实施例进一步将根据所述中间惩罚矩阵、各惩罚函数值形成的惩罚矩阵确定输出矩阵优化为：
[0081]
a1、根据中间惩罚矩阵、惩罚矩阵和预设的第一公式确定第一参数。
[0082]
a2、根据中间惩罚矩阵、惩罚矩阵和预设的第二公式确定第二参数。
[0083]
a3、根据中间惩罚矩阵、惩罚矩阵和预设的第三公式确定第三参数。
[0084]
a4、根据第一参数、第二参数和第三参数结合预确定的输出矩阵确定公式确定输出矩阵。
[0085]
在本实施例中，第一公式、第二公式、第三公式均为预先定义好的计算公式，第一参数、第二参数和第三参数均为计算输出矩阵过程中所使用到的参数。
[0086]
由于输出矩阵中是包含多个数据项的矩阵，输出矩阵的各数据项确定过程也是循环迭代过程，通过给定初始化值，实现循环的初始化赋值，然后计算第一参数、第二参数和第三参数，通过将第一参数、第二参数和第三参数带入到输出矩阵确定公式中，计算得到输出矩阵的相应数据项。本技术实施例中，在循环中从大到小进行赋值，通过对j从m到1、i从n
到1进行双重循环赋值，最终得到的输出矩阵为n
×
m个数据项。
[0087]
第一公式表示为：
[0088]
第二公式表示为：
[0089]
第三公式表示为：
[0090]
输出矩阵确定公式表示为：e
i，j
＝e
i 1，j
*a e
i，j 1
*b e
i 1，j 1
*c；
[0091]
其中，a为第一参数；b为第二参数；c为第三参数；γ为可微参数；e
i，j
为输出矩阵中第i行，第j列的数据项；r
i，j
为中间惩罚矩阵中第i行，第j列的数据项；d
i 1，j
、d
i，j 1
和d
i 1，j 1
分别为惩罚矩阵中相应行列的数据项；j＝m，m
‑
1， m
‑
2，
…
，1；i＝n，n
‑
1，n
‑
2，
…
，1；d
i，m 1
＝d
n 1，j
＝0；e
i，m 1
＝e
n 1，j
＝0； r
i，m 1
＝r
n 1，j
＝
‑
∞；e
n 1，m 1
＝1；r
n 1，m 1
＝r
n，m
。
[0092]
b、对惩罚矩阵进行微分求导，得到微分矩阵。
[0093]
本技术实施例提供了一种对惩罚矩阵进行微分求导的公式：
[0094]
其中，e'为微分矩阵，δ(x,y)为惩罚矩阵。
[0095]
c、将微分矩阵进行转秩变换，并将转秩变换后的矩阵与输出矩阵进行相乘，得到梯度反传值。
[0096]
将微分矩阵进行转秩变换得到(e')
t
，然后将转秩变换后的矩阵(e')
t
与输出矩阵进行相乘，得到梯度反传值。
[0097]
s250、通过目标损失函数和梯度反传值对待训练气象网络模型进行反向传播，得到目标气象网络模型。
[0098]
在神经网络模型的训练过程中，通过反向传播方法不断更新调整模型的参数，直至模型的输出与目标趋于一致，将此时模型的参数确定为目标气象网络模型的参数。在确定了目标损失函数和梯度反传值后，通过该目标损失函数和梯度反传值对待训练气象网络模型进行反向传播，得到目标气象网络模型。本发明实施例对具体的反向传播过程不做限定，可根据具体情况进行设置。
[0099]
s260、获取历史气象数据序列。
[0100]
s270、将所述历史气象数据序列作为输入数据输入到目标气象网络模型中。
[0101]
s280、根据所述目标气象网络模型的输出结果，对气象数据进行预测，获得所述历史气象数据序列对应的目标气象数据序列。
[0102]
在通过s210
‑
s250的方法完成对待训练气象网络模型的训练后，得到训练好的目标气象网络模型，然后在进行气象数据预测时，直接获取所采集的历史气象数据序列，将历史气象数据序列输出到目标气象网络模型中，目标气象网络模型输出预测的目标气象数据序列，就可以实现对气象数据的预测。
[0103]
需要知道的是，本技术实施例所提供的模型训练方法，可以训练任意一种预测气象数据的神经网络模型，不拘泥于气象数据的类型。并且，针对量化交易中利用股票k线图
的预测结果来指导投资决策、在交通行业中提前预测和预判行人和车辆轨迹对等时序预测方法，均可以采用本技术所提供的模型训练方法进行模型训练，实现相应功能模型的构建。
[0104]
本发明实施例提供了一种气象数据预测方法，通过提供一种优化的损失函数训练待训练气象网络模型，得到目标气象网络模型。通过使用可微的动态时间规整算法对损失函数进行优化，保证了预测结果对突变部分的敏感性，同时增加匹配函数进行相位偏差约束，通过使用匹配点相位错位加权的方法减小相位误差，通过对损失函数的改进使得到的目标气象网络模型预测结果更加准确。解决了现有技术中气象数据进行预测时，预测结果不准确的问题，实现了对气象数据的准确预测。
[0105]
实施例三
[0106]
图3为本发明实施例三提供的一种计算机设备的结构示意图，如图3所示，该设备包括处理器30、存储器31、输入装置32和输出装置33；设备中处理器 30的数量可以是一个或多个，图3中以一个处理器30为例；设备中的处理器 30、存储器31、输入装置32和输出装置33可以通过总线或其他方式连接，图3中以通过总线连接为例。
[0107]
存储器31作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的气象数据预测方法对应的程序指令/ 模块。处理器30通过运行存储在存储器31中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的气象数据预测方法。
[0108]
存储器31可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器31可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器31可进一步包括相对于处理器30远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0109]
输入装置32可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置33可包括显示屏等显示设备。
[0110]
实施例四
[0111]
本发明实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种气象数据预测方法，该方法包括：
[0112]
获取历史气象数据序列；
[0113]
将所述历史气象数据序列作为输入数据输入到预确定的目标气象网络模型中，其中，所述目标气象网络模型采用设定的训练方法进行训练；
[0114]
根据所述目标气象网络模型的输出结果，对气象数据进行预测，获得所述历史气象数据序列对应的目标气象数据序列。
[0115]
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的气象数据预测方法中的相关操作。
[0116]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的
部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器 (read
‑
only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0117]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。