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！

申请/专利权人：北京环境特性研究所

摘要：本发明实施例涉及计算机技术领域，特别涉及一种温度廓线预测模型的构建方法、预测方法、装置及设备。其中，构建方法包括：获取多个训练样本对；训练样本对包括作为输入的若干个原始温度张量和作为输出的若干个原始温度张量；所述原始温度张量为多个气象格点在不同等压高度的温度张量；利用多个训练样本对对预测神经网络进行温度廓线的时空特征的提取与训练，以构建得到温度廓线预测模型；预测神经网络包括针对等压高度注意力计算的层高注意力机制编码子模块和周期性时空卷积编码子模块组成的编码层以及由注意力时空卷积解码模块和时序注意力模块组成的解码层。本发明可以构建得到温度廓线预测模型，提高温度廓线的预测准确度。

主权项：1.一种温度廓线预测模型的构建方法，其特征在于，包括：获取多个训练样本对；所述训练样本对包括作为输入的若干个原始温度张量和作为输出的若干个原始温度张量，作为输入的若干个原始温度张量所对应的第一时间序列，位于作为输出的若干个原始温度张量的第二时间序列之前，且所述第一时间序列和所述第二时间序列相连续；所述原始温度张量为多个气象格点在不同等压高度的温度张量；所述原始温度张量的大小为Xs∈Rn×m×c，Xs表示s时刻对应的原始温度张量，n表示该区域所跨越的经度格点，m表示该区域所跨越的纬度格点，c表示包括的等压高度的层数；利用多个训练样本对对预测神经网络进行温度廓线的时空特征的提取与训练，以构建得到温度廓线预测模型；所述预测神经网络包括针对等压高度注意力计算的层高注意力机制编码子模块和周期性时空卷积编码子模块组成的编码层以及由注意力时空卷积解码模块和时序注意力模块组成的解码层；所述利用多个训练样本对对预测神经网络进行温度廓线的时空特征的提取与训练，以构建得到温度廓线预测模型，包括：将所述训练样本对中对应第一时间序列的若干个原始温度张量按照时间序列依次由输入至所述编码层的层高注意力机制编码子模块中，对每一个原始温度张量进行等压高度注意力计算，得到调整后的若干个原始温度张量；将调整后的若干个原始温度张量按照时间序列依次输入周期性时空卷积编码子模块，基于提取的上一时刻对应的原始温度张量的时空特征和上一周期对应的原始温度张量的时空特征，对下一时刻对应的原始温度张量进行时空特征的提取，直至得到所述第一时间序列中最后一个时刻对应的原始温度张量的时空特征；其中，每一个原始温度张量对应一个时刻；将所述第一时间序列中最后一个时刻对应的原始温度张量的时空特征输入所述解码层的注意力时空卷积解码模块中，预测所述第二时间序列的若干个初始温度张量；利用所述解码层的时序注意力模块，根据所述第一时间序列的若干个原始温度张量的时空特征，对预测得到的所述第二时间序列的每一个初始温度张量进行时序注意力计算，输出若干个预测温度张量；根据输出的若干个预测温度张量和所述训练样本对中对应第二时间序列的若干个原始温度张量，调整所述预测神经网络的网络参数，直至得到符合预期的温度廓线预测模型；所述周期性时空卷积编码子模块按照如下公式对调整后的原始温度张量进行时空特征提取： 其中，*表示卷积，·表示乘积，表示Hadamard乘积，τ是原始温度张量的时间周期，it是输入门的输出，ft是遗忘门的输出，ot是输出门的输出，et是记忆单元的输出，et-τ是上一个周期记忆单元的输出，Ht-1为输出的t-1时刻对应的原始温度张量的时空特征，Ht为输出的t时刻对应的原始温度张量的时空特征，Ht-τ为上一周期t时刻对应的原始温度张量输出的时空特征，xt为t时刻对应的调整后的原始温度张量，σ为第一激活函数，tanh为第二激活函数，Wxi、Whi、Wci、Wxf、Whf、Wcf、Wxc、Whc、Wxo、Wh0、Wco、bi、bf、bc、bo为所述周期性时空卷积编码子模块的网络参数，Wit、Wft、Wet、Wot、Wt为在t时刻的所述周期性时空卷积编码子模块的网络参数，Wit-τ、Wft-τ、Wet-τ、Wot-τ、Wt-τ为上一周期t时刻的所述周期性时空卷积编码子模块的网络参数；所述利用所述解码层的时序注意力模块，根据所述第一时间序列的若干个原始温度张量的时空特征，对预测得到的所述第二时间序列的每一个初始温度张量进行时序注意力计算，输出若干个预测温度张量，包括：计算出所述第一时间序列中原始温度张量的时空特征相对于所述注意力时空卷积解码模块输出的每个初始温度张量的注意力分布；将所述注意力分布值进行加权求和，计算得到对应的注意力状态值；根据每一个注意力状态值以及对应的初始温度张量得到若干个预测温度张量；所述时序注意力模块按照如下公式得到预测温度张量，包括： 其中，表示Hadamard乘积，Hi为在所述编码层中所述第一时间序列的原始温度张量的时空特征，i∈{s,s-1,…s-N-1}，s为所述第一时间序列的最后一个时刻，N为所述第一时间序列的原始温度张量的数量，Ds+k为所述注意力时空卷积解码模块预测的所述第二时间序列的第k个初始温度张量，ai为第i个原始温度张量的时空特征相对于Ds+k的注意力分布值，Cs+k为注意力状态值，tanh为激活函数，Wc为所述时序注意力模块的网络参数，为所述时序注意力模块得到的所述第二时间序列的第k个预测温度张量。

全文数据：

权利要求：

百度查询： 北京环境特性研究所 温度廓线预测模型的构建方法、预测方法、装置及设备