基于TCN的汛期气候趋势预测方法.pdf

《基于TCN的汛期气候趋势预测方法.pdf》由会员分享，可在线阅读，更多相关《基于TCN的汛期气候趋势预测方法.pdf（8页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010737477.3 (22)申请日 2020.07.28 (71)申请人 中原工学院 地址 450007 河南省郑州市中原区中原中 路41号 (72)发明人 王海泉温盛军喻俊谢晓峰 王瑷珲苏孟豪张姗姗岳文轩 杜盼盼 (74)专利代理机构 郑州芝麻知识产权代理事务 所(普通合伙) 41173 代理人 董晓勇 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/26(20。

2、12.01) (54)发明名称 基于TCN的汛期气候趋势预测方法 (57)摘要 本发明公开了一种基于TCN的汛期气候趋势 预测方法。 该方法包括： 对收集的多种汛期气象 观测指标数据进行分析， 筛选出与汛期天气趋势 因素相关的汛期气象观测指标； 训练天气趋势因 素对应的孪生时域卷积网络， 将与天气趋势因素 相关的汛期气象观测指标数据映射到高维特征 向量； 将各汛期天气趋势因素对应的训练好的孪 生时域卷积网络输出的高维特征向量输入对应 的天气趋势预测时域卷积网络、 温度趋势预测时 域卷积网络、 降水量预测时域卷积网络， 得到预 测的天气、 温度、 降水量； 根据预测结果绘制天气 趋势、 温度趋势。

3、、 降水量趋势图， 分析气候趋势。 利用本发明实现了汛期气候预测， 可以达到更好 的预测效果。 权利要求书1页 说明书5页 附图1页 CN 111882128 A 2020.11.03 CN 111882128 A 1.一种基于TCN的汛期气候趋势预测方法， 其特征在于， 该方法包括： 对收集的多种汛期气象观测指标数据进行分析， 筛选出与汛期天气趋势因素相关的汛 期气象观测指标， 汛期天气趋势因素包括降水量、 温度、 光照强度； 将第一滑动时间窗口内、 与降水量相关的汛期气象观测指标数据输入第一孪生时域卷 积网络的第一分支， 得到第一高维特征向量； 将第二滑动时间窗口内、 与降水量相关的汛期 。

4、气象观测指标数据输入第一孪生时域卷积网络的第二分支， 得到第二高维特征向量； 第一 孪生时域卷积网络的标签数据为第一滑动时间窗口降水量分级与第二滑动时间窗口降水 量分级是否属于同一类的标注； 计算第一高维特征向量与第二高维特征向量之间的距离， 利用标注与对比损失函数训练第一孪生时域卷积网络， 更新网络权重； 按照同样的方法， 分 别利用与其它各汛期天气趋势因素相关的汛期气象观测指标数据训练对应的孪生时域卷 积网络； 将第三滑动时间窗口内、 各汛期天气趋势因素对应的训练好的孪生时域卷积网络输出 的高维特征向量连接， 输入天气趋势预测时域卷积网络进行推理， 输出预测的天气； 将第三滑动时间窗口内、。

5、 温度对应的训练好的孪生时域卷积网络输出的高维特征向 量， 输入温度趋势预测时域卷积网络进行推理， 输出预测的温度； 将第三滑动时间窗口内、 降水量对应的训练好的孪生时域卷积网络输出的高维特征向 量， 输入降水量趋势预测时域卷积网络进行推理， 输出预测的降水量； 根据预测结果绘制天气趋势、 温度趋势、 降水量趋势图， 分析气候趋势。 2.如权利要求1所述的方法， 其特征在于， 所述汛期气象观测指标包括： 降水量、 温度、 湿度、 风速、 风向、 光照强度、 气压、 土壤温度、 土壤湿度、 露点、 太阳辐射强度。 3.如权利要求1所述的方法， 其特征在于， 第一滑动时间窗口与第二滑动时间窗口的尺。

6、 寸、 步长相同， 第一滑动时间窗口、 第二滑动时间窗口的采样起始时刻不同步。 4.如权利要求1所述的方法， 其特征在于， 所述第三滑动窗口的尺寸大于第一滑动时间 窗口的尺寸。 5.如权利要求1所述的方法， 其特征在于， 所述天气趋势因素还包括： 湿度、 风速、 风向、 气压、 太阳辐射强度。 6.如权利要求1所述的方法， 其特征在于， 所述孪生时域卷积网络的每个分支分别包括 时域卷积网络单元、 全连接层， 两个分支共享网络权重。 7.如权利要求1所述的方法， 其特征在于， 所述天气趋势预测时域卷积网络的标签包 括： 暴雨、 雷暴大风、 冰雹、 龙卷、 高温、 晴朗、 阴天。 权利要求书 1/。

7、1 页 2 CN 111882128 A 2 基于TCN的汛期气候趋势预测方法 技术领域 0001 本发明涉及气候预测、 深度学习、 人工智能技术领域， 具体涉及一种基于TCN的汛 期气候趋势预测方法。 背景技术 0002 汛期是一年中灾害性天气集中多发期， 汛期气候趋势预测是对汛期平均气候状态 的预测， 对汛期气候趋势预测对防灾工作十分重要。 目前， 在气候趋势预测领域， 一些方法 通过时间卷积网络对影响降水的因子数据进行分析， 预测降水值， 这种方法需要大量的样 本数据来训练网络， 训练时间长， 仅能预测降水值， 而且时间卷积网络的输入数据表征能力 较差， 不利于网络收敛。 发明内容 00。

8、03 本发明的目的在于针对上述现有技术存在的缺陷， 提出一种基于TCN的汛期气候 趋势预测方法。 0004 一种基于TCN的汛期气候趋势预测方法， 该方法包括： 0005 对收集的多种汛期气象观测指标数据进行分析， 筛选出与汛期天气趋势因素相关 的汛期气象观测指标， 汛期天气趋势因素包括降水量、 温度、 光照强度； 0006 将第一滑动时间窗口内、 与降水量相关的汛期气象观测指标数据输入第一孪生时 域卷积网络的第一分支， 得到第一高维特征向量； 将第二滑动时间窗口内、 与降水量相关的 汛期气象观测指标数据输入第一孪生时域卷积网络的第二分支， 得到第二高维特征向量； 第一孪生时域卷积网络的标签数。

9、据为第一滑动时间窗口降水量分级与第二滑动时间窗口 降水量分级是否属于同一类的标注； 计算第一高维特征向量与第二高维特征向量之间的距 离， 利用标注与对比损失函数训练第一孪生时域卷积网络， 更新网络权重； 按照同样的方 法， 分别利用与其它各汛期天气趋势因素相关的汛期气象观测指标数据训练对应的孪生时 域卷积网络； 0007 将第三滑动时间窗口内、 各汛期天气趋势因素对应的训练好的孪生时域卷积网络 输出的高维特征向量连接， 输入天气趋势预测时域卷积网络进行推理， 输出预测的天气； 0008 将第三滑动时间窗口内、 温度对应的训练好的孪生时域卷积网络输出的高维特征 向量， 输入温度趋势预测时域卷积网。

10、络进行推理， 输出预测的温度； 0009 将第三滑动时间窗口内、 降水量对应的训练好的孪生时域卷积网络输出的高维特 征向量， 输入降水量趋势预测时域卷积网络进行推理， 输出预测的降水量； 0010 根据预测结果绘制天气趋势、 温度趋势、 降水量趋势图， 分析气候趋势。 0011 汛期气象观测指标包括： 降水量、 温度、 湿度、 风速、 风向、 光照强度、 气压、 土壤温 度、 土壤湿度、 露点、 太阳辐射强度。 0012 第一滑动时间窗口与第二滑动时间窗口的尺寸、 步长相同， 第一滑动时间窗口、 第 二滑动时间窗口的采样起始时刻不同步。 说明书 1/5 页 3 CN 111882128 A 3。

11、 0013 第三滑动窗口的尺寸大于第一滑动时间窗口的尺寸。 0014 天气趋势因素还包括： 湿度、 风速、 风向、 气压、 太阳辐射强度。 0015 孪生时域卷积网络的每个分支分别包括时域卷积网络单元、 全连接层， 两个分支 共享网络权重。 0016 天气趋势预测时域卷积网络的标签包括： 暴雨、 雷暴大风、 冰雹、 龙卷、 高温、 晴朗、 阴天。 0017 本发明与现有技术相比， 具有以下有益效果： 0018 1.本发明通过筛选出与汛期天气趋势因素相关的汛期气象观测指标， 从而进行分 析， 能够提高气候因素预测精度。 0019 2.基于深度学习技术， 设计了多个孪生时域卷积网络， 包括降水量对。

12、应的第一孪 生时域卷积网络、 温度对应的孪生时域卷积网络、 降水量对应的孪生时域卷积网络， 利用孪 生时域卷积网络， 将气象观测指标数据映射到高维空间， 避免了线性不可分的情况， 孪生 TCN在同样体量的样本集下， 训练次数多， 以高维特征向量作为趋势预测时域卷积网络的输 入， 其表征能力更强， 有利于加快趋势预测时域卷积网络收敛。 0020 3.本发明采用时域卷积网络技术， 实施者可以更好地控制TCN模型的记忆长短， 避 免了RNN中经常出现的梯度爆炸或梯度消失问题。 0021 4.本发明设计了天气趋势预测时域卷积网络、 温度趋势预测时域卷积网络、 降水 量趋势预测时域卷积网络， 分别分析天。

13、气趋势、 温度趋势、 降水量趋势， 能够提高气候趋势 分析的精度。 附图说明 0022 图1为本发明的流程图。 具体实施方式 0023 为了使本发明的目的、 技术方案及优点更加清楚明白， 以下结合附图以及实施例， 对本发明进行进一步详细说明。 应当理解， 此处所描述的具体实施例仅仅用以解释本发明， 并不用于限定本发明。 0024 本发明主要对汛期气候进行预测与分析， 提供一种基于TCN的汛期气候趋势预测 方法， 为相关部门提供数据支持， 提前做好防汛各项准备工作。 图1为本发明的流程图。 下面 通过具体实施例来进行说明。 0025 实施例1： 0026 一种基于TCN的汛期气候趋势预测方法： 。

14、0027 对收集的多种汛期气象观测指标数据进行分析， 筛选出与汛期天气趋势因素相关 的汛期气象观测指标， 汛期天气趋势因素包括降水量、 温度、 光照强度。 0028 首先通过传感模块进行汛期气象观测指标的采集， 该模块最主要的设备为气象 站， 可采取便携式气象站， 便于携带， 使用方便， 测量精度高， 可采集降水量、 温度、 湿度、 风 速、 风向、 光照强度、 气压、 土壤温度、 土壤湿度、 露点、 太阳辐射强度等多项气象观测指标信 息。 气象站需要在区域内进行合理的部署， 部署的原则实施者可以根据实施情况调整。 气候 是对某区域常年天气、 降水、 温度等综合分析的结果， 因此， 预测气候趋。

15、势， 需要对常年的天 说明书 2/5 页 4 CN 111882128 A 4 气、 降水、 温度等气候因素的趋势进行分析。 而天气又是各种气象观测指标综合的结果， 因 此需要结合多种气象观测指标进行分析。 天气趋势因素包括降水量、 温度、 光照强度。 0029 由于气象观测指标很多， 需要从中筛选出与天气趋势因素相关的气象观测指标。 即包括筛选出与降水量相关的汛期气象观测指标、 与温度相关的汛期气象观测指标、 与光 照强度相关的汛期气象观测指标。 具体地， 本发明利用随机森林算法， 根据袋外数据的误差 OOB(out-of-bag)衡量气象观测指标对天气趋势因素的重要性。 0030 衡量指标。

16、重要性， 其输入有两个， 一是特征序列， 二是标签。 需要对每一个天气趋 势因素进行特征重要性分析。 特征序列为历史数据， 主要为气象站各式各样传感器得到的 气象观测指标数据。 标签同样为历史数据。 以区域降水量预测为例， 特征序列为每两小时的 气象站各式各样传感器得到的气象观测指标数据， 标签为两小时区域降水量的分级结果。 分级区间如下： 降水量在10毫米以下， 为1级； 降水量为1024.9毫米， 为2级； 降水量为25 49.9毫米， 为3级； 降水量为5099.9毫米， 为4级； 降水量为100250毫米， 为5级； 降水量在 250毫米以上， 为6级。 0031 衡量指标重要性具体的。

17、实施细节如下： 对于随机森林中的每一颗决策树， 选择相 应的袋外数据进行袋外数据误差的计算， 记为Error1。 所谓袋外数据是指， 每次建立决策树 时， 通过重复抽样得到一个数据用于训练决策树。 需要注意的是需要对训练集划分验证集， 即不参与决策树的建立。 验证集可以用于对决策树的性能进行评估， 计算模型的预测错误 率， 称为袋外数据误差。 这已经经过证明是无偏估计的， 所以在随机森林算法中不需要再进 行交叉验证或者单独的测试集来获取测试集误差的无偏估计。 随机对袋外数据所有样本的 特征X加入噪声干扰(可以随机改变样本在特征X处的值)， 再次计算袋外数据误差， 记为 Error2。 假设森林。

18、中有N棵树， 则： 0032 特征X的重要性(Error2-Error1)/N 0033 这个数值之所以能够说明特征的重要性， 是因为如果加入随机噪声后， 袋外数据 准确率大幅度下降(即Error2上升)， 说明这个特征对于样本的预测结果有很大影响， 进而 说明重要程度比较高。 0034 指标重要性即特征重要性分析方法有很多种， 实施者可自由选取， 如因素分析法， 是利用统计指数体系分析现象总变动中各个因素影响程度的一种统计分析方法， 包括连环 替代法、 差额分析法、 指标分解法等。 至此即可得到气象站采集的各种气象观测指标数据对 于天气趋势因素的重要性。 0035 天气趋势预测主要使用TCN。

19、网络进行训练与实施。 神经网络往往需要经过长时间、 大量样本的训练才能收敛， 时域卷积网络的样本数据必然要经过长时间的采集才能构建出 较为完备的样本集， 采集样本耗费时间过长势必会影响方法的实用性。 另一方面， 如果直接 将传感器采集的气象观测指标数据输入进行天气预测， 由于气象观测指标数据维度低、 表 征能力差， 网络不易收敛。 综上考虑， 本发明设计了孪生TCN将气象站采集的各种数据进行 特征映射， 映射到高维空间， 将笼统的气象数据拉开， 提高数据的表征能力， 孪生时域卷积 模型使用各类影响因素作为输入(此处选择高影响因素的前N个， 即重要性高的指标， 以减 少网络运算量)， 然后产生特。

20、征向量作为输出。 而且， 孪生TCN在同样体量的样本集下， 训练 次数多， 网络易于收敛。 0036 将第一滑动时间窗口内、 与降水量相关的汛期气象观测指标数据输入第一孪生时 说明书 3/5 页 5 CN 111882128 A 5 域卷积网络的第一分支， 得到第一高维特征向量； 将第二滑动时间窗口内、 与降水量相关的 汛期气象观测指标数据输入第一孪生时域卷积网络的第二分支， 得到第二高维特征向量； 第一孪生时域卷积网络的标签数据为第一滑动时间窗口降水量分级与第二滑动时间窗口 降水量分级是否属于同一类的标注； 计算第一高维特征向量与第二高维特征向量之间的距 离， 利用标注与对比损失函数训练第一。

21、孪生时域卷积网络， 更新网络权重； 按照同样的方 法， 分别利用与其它各汛期天气趋势因素相关的汛期气象观测指标数据训练对应的孪生时 域卷积网络。 0037 孪生TCN训练的特征序列及标签都为历史数据。 孪生网络具有两个分支， 第一分 支、 第二分支分别包括时域卷积网络单元、 全连接层。 训练细节如下： 由于TCN的特性， 实施 者可设置较大的时间窗口以捕捉长期信息。 将与天气趋势因素相关的汛期气象观测指标数 据作为孪生TCN输入， 经过时域卷积网络进行特征提取， 最终经过全连接FC， 输出为高维特 征向量， 经验维数64维。 损失函数采用孪生网络常用损失函数对比损失。 在此举例， 以降 水量为。

22、例， 滑动时间窗口尺寸为两小时， 特征序列为每两小时的气象站传感器测得的、 与降 水量相关的气象观测指标数据(即第一步筛选的气象观测指标)， 标签为孪生TCN两个分支 输入的两小时区域降水量的分级结果是否属于同一类， 即是否属于同一级别。 0038 孪生TCN的输入为重要性高的气象站各式各样传感器数值序列， 由于孪生网络的 特点， 网络的两个分支的滑窗大小及步长要保持一致， 即第一滑动时间窗口、 第二滑动时间 窗口的尺寸、 步长相同。 在本实施例中， 滑窗大小要覆盖到两小时的数据， 尺寸为每两小时 数据的长度， 且TCN的输入数据要保证时间不同步， 即第一滑动时间窗口、 第二滑动时间窗 口的采。

23、样起始时刻不同步， 训练时输入孪生TCN的每一对数据要不同。 0039 通过孪生TCN， 映射出区域的各项天气趋势因素特征向量， 这些天气趋势因素对于 天气的预测应具有一定的影响， 经验天气趋势因素还包括湿度、 风速、 风向、 太阳辐射强度、 气压。 0040 需要说明的是， 温度、 湿度、 降水量、 光照强度、 风速、 风向、 太阳辐射强度、 气压每 项天气趋势因素都需要一个孪生TCN来映射。 即利用第一孪生时域卷积网络将与降水量相 关的汛期气象观测指标数据映射到高维特征向量， 利用第二孪生时域卷积网络将与温度相 关的汛期气象观测指标数据映射到高维特征向量， 利用第三孪生时域卷积网络将与光照。

24、强 度相关的汛期气象观测指标数据映射到高维特征向量， 以此类推， 利用与其它各汛期天气 趋势因素相关的汛期气象观测指标数据训练对应的孪生时域卷积网络， 利用训练好的孪生 时域卷积网络将数据映射到高维特征向量。 0041 将第三滑动时间窗口内、 各汛期天气趋势因素对应的训练好的孪生时域卷积网络 输出的高维特征向量连接， 输入天气趋势预测时域卷积网络， 输出预测的天气； 将第三滑动 时间窗口内、 温度对应的训练好的孪生时域卷积网络输出的高维特征向量， 输入温度趋势 预测时域卷积网络， 输出预测的温度； 将第三滑动时间窗口内、 降水量对应的训练好的孪生 时域卷积网络输出的高维特征向量， 输入降水量趋。

25、势预测时域卷积网络， 输出预测的降水 量。 0042 将孪生TCN产生的时序高维特征向量Concatenate(连接)一起输入到天气趋势预 测TCN中， 对区域未来的天气趋势进行预测。 天气趋势预测TCN训练的详细步骤如下： 实施者 应当知道TCN最终要接全连接FC， 以输出预测目标。 FC起到将特征映射到样本标记空间的作 说明书 4/5 页 6 CN 111882128 A 6 用， 输入为特征序列， 输出为预测的天气。 高维特征向量Concatenate一起， 在本实施例中， 每一个天气趋势因素都会被映射为64维的特征向量， 因此上述8个天气因素高维特征向量 Concatenate后为51。

26、2维特征向量。 天气趋势预测TCN的输入形状为B， N， 512， 输出形状为 B,7， B为Batch size， N为时间尺度(即第三滑动时间窗口)， 如时间尺度为4， 即代表8小时 (孪生TCN每次滑窗为2小时数据量)的数据。 7则代表7种天气趋势的概率(在本实施例中预 测7种天气趋势， 实施者可以根据实际情况设置更多的天气类型)。 然后将处理后的特征数 据与标签数据(要进行one-hot编码)送到网络中进行训练。 标签数据为区域未来(如预测未 来8小时)的天气趋势， 为暴雨、 雷暴大风、 冰雹、 龙卷、 高温、 晴朗、 阴天的一种， 并依次用阿 拉伯数字代替(0-6)。 训练过程采用标。

27、签平滑技术， 对预测结果进行惩罚， 减少真实样本标 签的类别在计算损失函数时的权重， 最终起到抑制过拟合的效果， 平滑经验值为0.1。 损失 函数采用交叉熵。 最终网络输出的结果再经过Argmax操作， 得到具体的天气， 即暴雨、 雷暴 大风、 冰雹、 龙卷、 高温、 晴朗、 阴天的一种。 0043 对输入数据进行更改， 以预测未来该区域的相关气候因素趋势。 在本实施例中， 气 候趋势因素包括天气， 还包括降水量、 温度。 将第三滑动时间窗口内、 温度对应的孪生时域 卷积网络输出的高维特征向量， 输入温度趋势预测时域卷积网络， 输出预测的温度。 将第三 滑动时间窗口内、 降水量对应的孪生时域卷。

28、积网络输出的高维特征向量(即第一孪生时域 卷积网络)， 输入降水量趋势预测时域卷积网络， 输出预测的降水量。 以降水量为例， 降水量 趋势预测时域卷积网络的输入为时序的降水量高维特征向量， 标签可以根据上述的降水量 分级设置未来时刻的降水量分级标签， 以预测未来该区域的降水量等级。 通常来说， 未来的 气候趋势因素包括温度、 降水量、 天气、 光照的预测， 实施者可自由选择。 因此， 实施者可以 以相同的方法构建温度趋势预测时域卷积网络、 光照强度趋势预测时域卷积网络等， 从而 获得未来时刻的降水量、 温度、 光照强度等。 0044 最后， 对上述预测结果进行分析。 绘制天气趋势、 降水量趋势。

29、、 温度趋势的变化图， 分析气候趋势。 0045 基于投影曲线原理， 构建分析图像。 根据上述预测结果， 构建投影曲线， 以天气预 测为例， 横坐标为时间， 纵坐标为该时间段的天气预测结果。 通过投影曲线可以得知每个时 间段的天气状况。 以同样的方法绘制降水量趋势图， 温度趋势图， 根据各气候因素的趋势图 分析汛期气候趋势。 0046 以上实施例仅为本发明的较佳实施例而已， 并不用以限制本发明， 凡在本发明的 精神和原则之内所作的任何修改、 等同替换和改进等， 均应包含在本发明的保护范围之内。 说明书 5/5 页 7 CN 111882128 A 7 图1 说明书附图 1/1 页 8 CN 111882128 A 8 。