本發(fā)明涉及基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法，具體涉及一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法。

背景技術(shù)：

1、短時臨近降雨預(yù)報是大氣科學(xué)領(lǐng)域的一個重要任務(wù)，旨在在未來短時間段內(nèi)（通常為0-2小時）準(zhǔn)確預(yù)報當(dāng)?shù)亟涤昵闆r。目前，該技術(shù)已經(jīng)被廣泛應(yīng)用于氣象災(zāi)害預(yù)警，交通運輸管，城市建設(shè)管理，農(nóng)業(yè)生產(chǎn)等方面。其重要性不僅在于方便人們的生活，更在于有助于防災(zāi)減災(zāi)，這一直是天氣預(yù)報領(lǐng)域的關(guān)鍵任務(wù)。然而，隨著氣候變化和城市化進程的加速，大氣情況變得越來越復(fù)雜，各種氣象現(xiàn)象頻繁發(fā)生。氣候變化給人們的生活和工作帶來了許多不利影響，增加了許多不確定性的危險。有效地預(yù)測和預(yù)防上述氣象現(xiàn)象，將有助于減少損失。

2、近年來，隨著計算機視覺和深度學(xué)習(xí)技術(shù)的快速發(fā)展，視頻預(yù)測技術(shù)逐漸應(yīng)用于氣象領(lǐng)域。視頻預(yù)測技術(shù)通過對連續(xù)時間序列圖像進行分析和建模，能夠預(yù)測未來時間點的圖像變化情況。這種技術(shù)在短臨降水預(yù)測中具有顯著的優(yōu)勢，因為降水過程本質(zhì)上是一個時空演變的動態(tài)過程，視頻預(yù)測技術(shù)能夠更好地捕捉和模擬這一動態(tài)變化。然而，目前的視頻預(yù)測技術(shù)在短臨降水預(yù)測中的應(yīng)用仍面臨一些挑戰(zhàn)。例如，氣象圖像數(shù)據(jù)的復(fù)雜性和多變性要求模型具有較強的適應(yīng)能力和泛化能力；同時，如何有效融合多源氣象數(shù)據(jù)，提高預(yù)測的準(zhǔn)確性和可靠性，也是一個亟待解決的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是針對現(xiàn)有技術(shù)存在的不足，提供一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法，包括：

3、將連續(xù)時間序列的氣象圖像數(shù)據(jù)構(gòu)建為三維視頻流數(shù)據(jù)；

4、將所述三維視頻流數(shù)據(jù)輸入至構(gòu)建的三維時空體素運動模型中，所述三維時空體素運動模型包括空間路徑、運動路徑和頻域路徑；

5、所述空間路徑用以根據(jù)輸入的三維視頻流數(shù)據(jù)預(yù)測未來時間點的三維體素狀態(tài)；

6、所述運動路徑用以基于時空屬性隨機游走相似性算法捕獲三維視頻流數(shù)據(jù)節(jié)點間的動態(tài)關(guān)系；

7、所述頻域路徑用以將輸入的三維視頻流數(shù)據(jù)反演獲得時域的預(yù)測信息；

8、對所述三維體素狀態(tài)、節(jié)點間的動態(tài)關(guān)系和時域的預(yù)測信息進行融合，以獲得最終的短臨降水預(yù)測結(jié)果，concat為融合操作。

9、進一步的，所述空間路徑包括體素編碼模塊、雙通道注意力選擇下采樣網(wǎng)絡(luò)和體素解碼模塊，所述體素編碼模塊用以對輸入的三維視頻流數(shù)據(jù)進行特征編碼，所述雙通道注意力選擇下采樣網(wǎng)絡(luò)用以在特征提取下采樣過程中避免特征丟失，所述體素解碼模塊用以進行特征解碼，以獲得三維體素狀態(tài)，其中，表示第一時間通道，為氣象圖像的高，為氣象圖像的寬。

10、進一步的，所述雙通道注意力選擇下采樣網(wǎng)絡(luò)通過分離體素編碼模塊輸出的特征來得到特征和特征，具體如下：

11、

12、其中，為卷積運算操作，為分離操作；

13、所述雙通道注意力選擇下采樣網(wǎng)絡(luò)對體素編碼模塊輸出的特征基于全局平均池化操作和全連接操作分別得到特征和特征，并對特征通過歸一化操作分別獲得信道權(quán)重和信道權(quán)重，所述特征和特征分別為：

14、

15、其中，、為像素索引，為relu激活函數(shù)，為批量歸一化；

16、對特征和特征分配信道權(quán)重，獲得特征和特征，并在特征和特征方向上選擇重要的特征信道進行融合，具體如下：

17、

18、

19、

20、其中，為所述雙通道注意力選擇下采樣網(wǎng)絡(luò)輸出的特征，為特征選擇操作。

21、進一步的，所述運動路徑包括動態(tài)圖網(wǎng)絡(luò)，所述動態(tài)圖網(wǎng)絡(luò)捕獲三維視頻流數(shù)據(jù)節(jié)點間的動態(tài)關(guān)系的方式具體如下：

22、將每一個圖都轉(zhuǎn)化成一個加權(quán)圖，其中，表示頂點子集合，表示邊集合，s、v、p分別為狀態(tài)、節(jié)點、位置；

23、計算兩個節(jié)點之間的相似度為：

24、

25、其中，、為加權(quán)圖中節(jié)點i和節(jié)點j對應(yīng)的特征向量， p表示屬性向量的維度；

26、計算時間上和空間上的節(jié)點?i?與節(jié)點?j?之間的相似性度量矩陣為：

27、

28、其中，為空間上的節(jié)點?i?與節(jié)點?j?之間的相似性度，為時間上的節(jié)點?i?與節(jié)點?j?之間的相似性度，和分別是空間和時間屬性加權(quán)融合系數(shù)，為設(shè)定的隨機游走步數(shù)，為歸一化因子，表示節(jié)點?i?與節(jié)點?j之間的相似度分?jǐn)?shù)，表示i的鄰居節(jié)點集合，表示j的鄰居節(jié)點集合；

29、通過引入一個雙向gru模塊，確保動態(tài)圖網(wǎng)絡(luò)充分學(xué)習(xí)到時間序列數(shù)據(jù)中的前后文關(guān)系，并通過一個標(biāo)準(zhǔn)化層優(yōu)化了數(shù)據(jù)分布，并通過一個多層感知機線性層提煉數(shù)據(jù)特征，然后通過引入了殘差連接策略避免深層網(wǎng)絡(luò)在學(xué)習(xí)過程中可能出現(xiàn)的性能退化，最終輸出節(jié)點間的動態(tài)關(guān)系，表示第二時間通道。

30、進一步的，所述頻域路徑通過快速傅里葉變換轉(zhuǎn)換到頻域，然后進行濾波處理，使用單個復(fù)值線性層對頻率進行插值，再將插值后的頻率數(shù)據(jù)映射回時域，以獲得頻域路徑特征，表示第三時間通道。

31、有益效果：本發(fā)明提出了視頻預(yù)測的方法來預(yù)測未來降水的分布，可以及時捕捉到云圖的演變和降水的形成過程，并且提高了空間分辨率；在空間路徑中，避免使用池化層，提出了雙通道注意力選擇下采樣，解決了時空信息丟失，預(yù)測精度低的問題；在運動路徑中，捕捉并模擬節(jié)點變量之間的動態(tài)時空關(guān)系，這有助于提高模型對于數(shù)據(jù)中關(guān)鍵特征的捕捉和利用，從而提升預(yù)測的準(zhǔn)確性；在頻域路徑中，通過傅里葉變換可以提供信號在時間和頻率上的詳細(xì)信息，從而進行時頻分析，有利于識別信號中的突發(fā)事件、頻率變化或頻率成分隨時間的演變等問題，可以幫助捕獲數(shù)據(jù)中的動態(tài)特性和變化模式，從而提高預(yù)測模型的精度。

技術(shù)特征：

1.一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法，其特征在于，所述空間路徑包括體素編碼模塊、雙通道注意力選擇下采樣網(wǎng)絡(luò)和體素解碼模塊，所述體素編碼模塊用以對輸入的三維視頻流數(shù)據(jù)進行特征編碼，所述雙通道注意力選擇下采樣網(wǎng)絡(luò)用以在特征提取下采樣過程中避免特征丟失，所述體素解碼模塊用以進行特征解碼，以獲得三維體素狀態(tài)，其中，表示第一時間通道，為氣象圖像的高，為氣象圖像的寬。

3.根據(jù)權(quán)利要求2所述的一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法，其特征在于，所述雙通道注意力選擇下采樣網(wǎng)絡(luò)通過分離體素編碼模塊輸出的特征來得到特征和特征，具體如下：

4.根據(jù)權(quán)利要求1所述的一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法，其特征在于，所述運動路徑包括動態(tài)圖網(wǎng)絡(luò)，所述動態(tài)圖網(wǎng)絡(luò)捕獲三維視頻流數(shù)據(jù)節(jié)點間的動態(tài)關(guān)系的方式具體如下：

5.根據(jù)權(quán)利要求1所述的一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法，其特征在于，所述頻域路徑通過快速傅里葉變換轉(zhuǎn)換到頻域，然后進行濾波處理，使用單個復(fù)值線性層對頻率進行插值，再將插值后的頻率數(shù)據(jù)映射回時域，以獲得頻域路徑特征，表示第三時間通道。

技術(shù)總結(jié)
本發(fā)明公開了一種基于復(fù)頻域深度注意力體素流的短臨降水預(yù)測方法。該方法包括將連續(xù)時間序列的氣象圖像數(shù)據(jù)構(gòu)建為三維視頻流數(shù)據(jù)；將三維視頻流數(shù)據(jù)輸入至構(gòu)建的三維時空體素運動模型中，所述三維時空體素運動模型包括空間路徑、運動路徑和頻域路徑；空間路徑用以根據(jù)輸入的三維視頻流數(shù)據(jù)預(yù)測未來時間點的三維體素狀態(tài)；所述運動路徑用以基于時空屬性隨機游走相似性算法捕獲三維視頻流數(shù)據(jù)節(jié)點間的動態(tài)關(guān)系；所述頻域路徑用以將輸入的三維視頻流數(shù)據(jù)反演獲得時域的預(yù)測信息；對三維體素狀態(tài)、節(jié)點間的動態(tài)關(guān)系和時域的預(yù)測信息進行融合，以獲得最終的短臨降水預(yù)測結(jié)果。本發(fā)明可以及時捕捉到云圖的演變和降水的形成過程，提高預(yù)測精度。

技術(shù)研發(fā)人員：陳蘇婷,陳志偉,閔錦忠,周函,彭周鋒,高曉峰
受保護的技術(shù)使用者：南京中網(wǎng)衛(wèi)星通信股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21