(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211298113.5 (22)申请日 2022.10.21 (71)申请人 北京计算机技 术及应用研究所 地址 100854 北京市海淀区永定路51号 (72)发明人 李保平　李晖　邹琴　李康康　 (74)专利代理 机构 中国兵器 工业集团公司专利 中心 11011 专利代理师 刘瑞东 (51)Int.Cl. G01W 1/10(2006.01) G01W 1/02(2006.01) G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于神经网络的多气象数据预测方法 (57)摘要 本发明涉及一种基于神经网络的多气象数 据预测方法， 属于天气预报领域。 本发明向神经 网络输入过去A小时的气象数据， 包括： N张雷达 图像、 N张降水图像和N张平均风图像， 神经网络 输出未来A小时的M张雷达图像、 M张降水图像和M 张平均风图像， 从而预测未来A小时的气象数据； 神经网络采用编码器 ‑解码器的神经网络结构， 编码器和解码器都包含4个阶段， 每个阶段采用 特征提取模块FEM构成， 编码器中的特征共享到 解码器中， 使用双卷积网络进行三种气象数据的 特征融合。 本发 明具有能够同时预测三种类别的 气象数据的优点， 同时方法能够利用三种类别气 象数据的相关性， 在预测准确度上 更具有优势。 权利要求书2页 说明书5页 附图1页 CN 115524766 A 2022.12.27 CN 115524766 A 1.一种基于神经网络的多气象数据预测方法， 其特征在于， 该方法包括： 向神经网络输 入过去A小 时的气象数据， 包括： N张雷达图像、 N张降水图像和N张平均风图像， 神经网络输 出未来A小时的M张雷达图像、 M张降水图像和M张平均风图像， 从而 预测未来A小时的气象数 据； 神经网络采用编码器 ‑解码器的神经网络结构， 编码器和解码器都包含4个阶段， 每个 阶段采用特征提取模块FEM构成， 编 码器中的特征共享到解码 器中， 使用双卷积网络进 行三 种气象数据的特 征融合； 神经网络的输入的三类图像数据表示为降水XP， 雷达图XR， 平均风XW， 输出结果为三类 图像数据， 表示 为降水YP， 雷达图YR， 平均风YW， 整个神经网络表示 为函数Γ(·)； {YP,YR,YW}＝Γ(XP,XR,XW, θ ) 其中θ 为神经网路的参数； 训练该神经网络的损失函数为MSEL oss函数表示 为， MSELoss({XP,XR,XW},{YP,YR,YW})＝({YP,YR,YW}‑{XP,XR,XW})2 使用多气象数据图像对神经网络进行训练， 通过训练得到神经网络的Γ( ·)的参数 θ′； 训练完成后， 使用神经网络进行推理， {RP,RR,RW}＝Γ(XP,XR,XW, θ′)。 2.如权利要求1所述的基于神经网络的多气象数据 预测方法， 其特征在于， 神经网络的 输入的三类图像数据表示为降水XP， 雷达图XR， 平均风XW， 其中XP＝{xP_1,xP_2,…,xP_N}， 是N 张降水图像xP_i的集合， XR＝{xR_1,xR_2,…,xP_N}， 是N张雷达图像xR_i的集合， XW＝{xW_1, xW_2,…,xW_N}， 是N张平均风图像xw_i的集合； 输出结果也为三类图像数据， 表示为降水YP， 雷 达图YR， 平均风YW， 其中YP＝{yP_1,yP_2,…,yP_M}， 是M张降水图像yP_i的集合， YR＝{yR_1, yR_2,…,yR_M}， 是M张降水图像yR_i的集合， YW＝{yW_1,yW_2,…,yW_M}， 是M张降水图像yW_i的集 合。 3.如权利要求2所述的基于神经网络的多气象数据预测方法， 其特 征在于， N ＝M。 4.如权利要求2所述的基于神经网络的多气象数据 预测方法， 其特征在于， A小时为2小 时。 5.如权利要求1所述的基于神经网络的多气象数据预测方法， 其特征在于， FEM为特征 提取模块， 在每 个阶段对提取的特 征进行增强， 使用Φ 表示FEM， 编码器的处 理过程表示 为， FP_1＝Φ(XP) FP_i＝Φ(FP_(i‑1)),i∈{2,3,4} 其中FP_1和FP_i为编码器中FE M处理降水图像数据输出的特 征； FR_1＝Φ(XR) FR_i＝Φ(FR_(i‑1)),i∈{2,3,4} 其中FR_1和FR_i为编码器中FE M处理雷达图像数据输出的特 征； FW_1＝Φ(XW) FW_i＝Φ(FW_(i‑1)),i∈{2,3,4} 其中FW_1和FW_i为编码器中FE M处理平均风图像数据输出的特 征。 6.如权利要求5所述的基于神经网络的多气象数据 预测方法， 其特征在于， 在解码器阶权　利　要　求　书 1/2 页 2 CN 115524766 A 2段， 处理过程表示 为， F′P_5＝Φ(cat(FP_4,DoubleCo nv(cat(FP_4,FR_4,FW_4)))) F′P_i＝Φ(cat(FP_(9‑i),F′P_(i‑1))),i∈{6,7,8} 其中F′P_5和F′P_i为解码器中FE M处理降水图像数据输出的特 征； F′R_5＝Φ(cat(FR_4,DoubleCo nv(cat(FP_4,FR_4,FW_4)))) F′R_i＝Φ(cat(FR_(9‑i),F′R_(i‑1))),i∈{6,7,8} 其中F′R_5和F′R_i为解码器中FE M处理雷达图像数据输出的特 征； F′W_5＝Φ(cat(FW_4,DoubleCo nv(cat(FP_4,FR_4,FW_4)))) F′W_i＝Φ(cat(FW_(9‑i),F′W_(i‑1))),i∈{6,7,8} 其中F′W_5和F′W_i为解码器中FE M处理平均风图像数据输出的特 征。 7.如权利 要求6所述的基于神经网络的多气象数据预测方法， 其特征在于， DoubleConv 为两个卷积层， 每 个卷积层中包括2D卷积、 Batc hNormalization层和ReLU函数。 8.如权利要求5 ‑7任一项所述的基于神经网络的多气象数据预测方法， 其特征在于， FEM的结构为： Φ(X)＝MLP(L N(attention(LN(X))+X))+attention(LN(X))+X X为输入FEM的图像特征， LN为LayerNorm层， 对attention层 的输出进行分布归一化， MLP为全连接层， 其中 attention的表达式为， 其中Q， K， V均为由输入图像特 征X得到的特 征矩阵， 其中dk为Q和K的维度。 9.如权利要求8所述的基于神经网络的多气象数据 预测方法， 其特征在于， 使用多气象 数据图像对神经网络进 行训练时， 数据集中包含20000次强天气过程， 每次强天气过程中每 类数据为40张图像， 前20张图像为过去2小时的数据， 后20张为后2小时数据， 使用RTX3090 训练500轮， 通过训练得到神经网络的Γ( ·)的参数θ ′。 10.如权利要求9所述的基于神经网络的多气象数据预测方法， 其特征在于， 训练完成 后， 使用神经网络进行推理时， 输入前2小时， 20张降水图像数据XP、 雷达图像数据XR， 平均风 图像数据XW， 输出后2小时， 20张降水图像数据RP、 雷达图像数据RR， 平均风图像数据RW。权　利　要　求　书 2/2 页 3 CN 115524766 A 3