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！

龙图腾网恭喜华风气象传媒集团有限责任公司申请的专利一种基于深度神经网络的短临多气象要素预报方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113095586B 。

龙图腾网通过国家知识产权局官网在2025-06-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110445350.9，技术领域涉及：G01W1/10；该发明授权一种基于深度神经网络的短临多气象要素预报方法是由何险峰;罗飞设计研发完成，并于2021-04-23向国家知识产权局提交的专利申请。

本一种基于深度神经网络的短临多气象要素预报方法在说明书摘要公布了：本发明提供一种基于深度神经网络的短临多气象要素预报方法，包括步骤：获取待测区域历史降水数据、历史压温湿风数据；根据气象要素类别的站点字典、均匀站字典，建立kNNBarnes因子图；使用knn邻近算法采样连接站点构造图获得邻接图特征数据；对邻接图特征数据进行预处理后进入UNet网络输出类别数量的特征图；根据历史压温湿风数据计算大气层物理特性和变化过程，按照蜂窝状六边形结构对站点使用knn算法构造图连接得到图特征集；将图特征集进行样本匹配并通过多个网络后代入预报器，得到站点集多要素时间序列预报。该方法能得到站点集多要素时间序列预报，可用于业务化运行天气预报。

本发明授权一种基于深度神经网络的短临多气象要素预报方法在权利要求书中公布了：1.一种基于深度神经网络的短临多气象要素预报方法，其特征在于，包括以下步骤： S1：获取待测区域历史降水数据、历史压温湿风数据，并将所述历史降水数据与所述历史压温湿风数据按照预设时间序列段进行分组，得到气候最大值、最小值、平均值； S2：根据不同气象要素类别的站点字典、均匀站字典，建立kNNBarnes因子图，基于kNNBarnes因子图使用knn邻近算法对kNNBarnes因子图进行数据采样连接站点构造图获得邻接图特征数据； 根据不同气象要素类别的站点字典、均匀站字典，建立kNNBarnes因子图，包括： 依据不同要素类别的站点字典、均匀站字典，建立要素站点字典Uii＝1..7与均匀站字典V之间的kNNBarnes因子图，其中Ui分别对应七种气象要素字典：能见度站、国家站、气压站、湿度站、风向风速站、气温站和雨量站； 大地坐标系中任意两点m,n∈M,m＝x1,y1，n＝x2,y2的距离可用度量rm,n表示为： 其中，xi,yi分别代表点的经纬度位置； 计算每个站点的权值w： 其中，R为站点与k个临近站点的最远距离； 基于kNNBarnes因子图使用knn邻近算法对kNNBarnes因子图进行数据采样连接站点构造图获得邻接图特征数据，包括： 数据采样过程是对待测区域的所有能见度站、国家站、气压站、湿度站、风向风速站、气温站和雨量站站点构造kNNBarnes因子图连接，使用knn邻近算法进行采样，采样遵循以下几点原则： 主站有降水特征，邻接站有降水特征的样本； 主站有降水特征，邻接站没有降水特征的样本； 主站没有降水特征，邻接站有降水特征的样本； 主站或邻接站在预设第一时间段内有降水特征的样本； 空间，国家站、分钟考核站点的所有样本； 时间，正点小时数据优先； S3：对S2获得的邻接图特征数据进行预处理后输入UNet模型和残差网络进行下采样学习深层次的特征，再经过上采样回复为原图大小，最后输出类别数量的特征图； 对S2获得的邻接图特征数据进行预处理后输入UNet模型和残差网络进行下采样学习深层次的特征，再经过上采样回复为原图大小，最后输出类别数量的特征图，包括： 引入UNet模型加残差网络试图对大气层物理特性和变化过程的参数集的估计，使用注意力UNet模型实现，模型分为两个部分，第一是大气层物理特性和变化过程的动力气象计算；第二是注意力UNet模型加残差网络；UNet为高效卷积神经网络架构； UNet经过不同程度的卷积，学习深层次的特征，再经过上采样回复为原图大小，上采样用反卷积实现，最后输出类别数量的特征图； S4：根据历史压温湿风数据计算大气层物理特性和变化过程的动力气象，并按照蜂窝状六边形结构对S3获得的特征图连接得到图特征集； 根据历史压温湿风数据计算大气层物理特性和变化过程的动力气象，并按照蜂窝状六边形结构对S3获得的特征图连接得到图特征集，包括： 根据步骤S1中获得的待测区域历史降水数据、历史压温湿风数据进行如下计算： 计算湿空气密度ρ： 其中压强为p，E为能量，Tk表示湿空气的热力学温度，kg为千克，m为米； 计算u、v、w因子气候背景场： 计算地球自转角速度ω： ω＝7.292×10-5s-1； 计算地转参数f： f＝2ωsinθ； 其中，θ为地理纬度； 对θ进行求导，得到地转参数f关于θ的导数 将f和ω带入如下方程组，求出u、v、w： 其中u、v、w分别代表在x、y、z方向的速度分量，压强为p，g为重力加速度，t代表时间序列； 平流方程F的计算：将vt+1得到的结果带入下式，计算出平流方程F： 将平流气温T带入到Ft+1中，得到平流气温T的计算方程： 通过如下公式计算水汽方程Mv： 其中ρ为空气密度，q为比湿，V表示风速大小，压强为p，ΔlΔz表示的是与风向正交面的平面面积； 通过如下公式计算Brunt-Vaisala频率N2： 其中θ为位温，g为重力加速度； 将N2带入下面两个得到重力内波的圆频率ω和波速c： 其中，k，n分别是x和z方向的波数，cl是绝热声速； Kelvin-Helmholtz的控制方程是欧拉方程，二维守恒形式的欧拉方程为其中守恒量U，和通量E，F分别表示为： 其中ρ为流体的密度，u为流体沿x方向速度，v为流体沿y方向速度，p为流体的压力，表示单位质能的能量，C表示速度，ρe表示能量强度，T为流体的温度； Kelvin-Helmholtz稳定度计算公式如下： 其中k是平面波的波数，g是重力加速度，当KH0时，代表稳定，当KH＝0时，代表中性，当KH0时，代表不稳定，ρ1、ρ2、分别为流体1的密度、流体2的密度、流体1沿x方向的速度、流体2沿x方向的速度； 理查逊不稳定度计算式如下： 其中，T为绝对温度，V表示风速大小，g为重力加速度，z表示高度，u表示风速，θ2、θ1、u2、u1分别对应高度z2和z1的位温和风速， 在上述计算过后，进行数据特征分析，分析变化范围，得到每个物理量的取值范围： 对每个物理量的取值范围进行特征归一化处理，得到归一化数据： 基于归一化数据，按照蜂窝状六边形结构，对待测区域内的所用站点使用knn算法构造图连接，实现站点气象物理特征向站点六边图结构转换； S5：将S4获得的图特征集进行样本匹配后代入时序图网络模型，最终得到站点集多要素时间序列预报结果； 将S4获得的图特征集进行样本匹配后代入时序图网络模型，最终得到站点集多要素时间序列预报结果，包括： 在获取到图特征集数据之后，使用相应的激活函数PReLU对数据进行处理，之后通过BiLSTM模型对数据进行编码器操作，并提炼信息形成一个向量，再经过一个PReLU函数和双向长短期记忆网络模型的解码器操作，开始回忆和运用这些信息，加工处理之后解码成需要用的形式，最后再通过一个PReLU函数得到最终的时间序列预报结果数据。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华风气象传媒集团有限责任公司，其通讯地址为：100081 北京市海淀区中关村南大街46号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。