Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种前兆因子深度融合的次季节极端降水预测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

摘要:本发明公开了一种前兆因子深度融合的次季节极端降水预测方法,包括:基于优化的损失函数,构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型,基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化;利用训练好的模型,输入目标时间的数值模式降水预测和前兆因子数据进行预测,输出次季节极端降水预测结果;本发明通过数值模式降水预测、历史降水观测和观测前兆因子数据的深度融合,利用一种新的时空变换网络深度学习方法,显著提高了次季节极端降水预测的准确性和全面性,具有极高的应用价值和广泛的应用前景。

主权项:1.一种前兆因子深度融合的次季节极端降水预测方法,其特征在于,包括以下步骤:基于优化的损失函数,构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型,基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化;利用训练好的模型,输入目标时间的数值模式降水预测和前兆因子数据进行预测,输出次季节极端降水预测结果;其中,观测前兆因子数据集制作方法为:对观测前兆因子数据进行自适应标注编码生成统一格式的特征向量,具体为:观测前兆因子数据包括起报时刻同期和前期的海温、海冰、环流,自适应标注编码预处理计算方法为: , , ,其中,Embedding为标注编码嵌入函数,SST、SeaIce和Circulation分别为起报时刻同期和前期的海温、海冰和环流数据矩阵,、和分别为自适应标注编码后的海温、海冰和环流数据矩阵;归一化预处理计算方法为: , , ,其中,、和分别为自适应标注编码后的海温、海冰和环流最小值,、和分别为自适应标注编码后的海温、海冰和环流最大值,、和分别为自适应标注编码与归一化预处理后的海温、海冰和环流数据矩阵;时空变换网络深度学习模型包括输入模块、时空编码模块、多头自注意力机制模块、前馈神经网络模块、时空解码模块和输出模块;输入模块获取数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集,拼接为模型输入特征矩阵;时空编码模块提取输入特征矩阵的时空特征,其中时序编码通过位置编码方法嵌入时间信息,捕捉输入特征矩阵的时间关系,空间编码则进一步通过卷积神经网络提取不同区域的输入特征矩阵之间的空间关系;多头自注意力机制模块通过计算时空特征之间的相关性,捕捉不同时间和空间点之间的依赖性;前馈神经网络模块对来多头自注意力机制模块的输出进行进一步处理,增强复杂特征的表达能力;时空解码模块用于逐步恢复数据的空间分辨率,得到时空解码后的特征矩阵;输出模块将生成的时空解码后的特征矩阵转换为预测特征。

全文数据:

权利要求:

百度查询: 南京信息工程大学 一种前兆因子深度融合的次季节极端降水预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。