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：南京信息工程大学

摘要：本发明公开了气象预报技术领域的一种基于ST‑Transformer的暴雨预测方法、系统、介质及设备，旨在解决现有技术无法满足实际需求的问题。包括：采集多源气象数据集；根据所述多源气象数据集，进行数据预处理，得到处理后数据集；根据所述处理后数据集，进行数据编码，得到编码后数据集；根据所述编码后数据集，基于训练并优化好的暴雨预测模型，进行暴雨预测，得到预测结果。本发明能有效提取和利用气象数据中的时空特征、地理特征以及物理规律，提高了暴雨预报的时空分辨率、准确性和物理一致性，并适用于各类复杂地形条件下的暴雨预测，为防灾减灾、城市管理、农业生产等领域提供科学可靠的决策支持。

主权项：1.一种基于ST-Transformer的暴雨预测方法，其特征在于，包括：采集多源气象数据集；根据所述多源气象数据集，进行数据预处理，得到处理后数据集；根据所述处理后数据集，进行数据编码，得到编码后数据集；根据所述编码后数据集，基于训练并优化好的暴雨预测模型，进行暴雨预测，得到预测结果；所述暴雨预测模型基于ST-Transformer模型构建，包括：采用多头时空注意力机制的时空编码器，用于捕捉模型输入中时空序列的动态变化和空间相关性，得到时空特征；地理信息嵌入层，用于将模型输入中的地理特征转化为嵌入向量，并与所述时空特征深度融合，得到地理信息嵌入结果；物理约束融合层，用于将大气动力学、热力学和暴雨形成相关的物理参数作为先验知识与所述时空特征结合，得到物理约束融合结果；自回归解码器，用于根据所述时空特征、地理信息嵌入结果和物理约束融合结果，逐时预测未来时段的降水率；所述暴雨预测模型的训练和优化过程包括：构建多源气象训练集、验证集和测试集；构建暴雨预测模型，根据所述训练集，对所述暴雨预测模型进行模型训练，通过反向传播和优化算法更新模型参数，得到训练好的暴雨预测模型；使用所述验证集对所述训练好的暴雨预测模型进行模型性能评估和超参数调整；使用所述测试集测试所述训练好的暴雨预测模型的预测效果，得到优化好的暴雨预测模型；所述数据预处理包括以下步骤：对采集到的多源气象数据集进行剔除异常值和填充缺失值处理，得到清洗后数据集；利用熵值法计算所述清洗后数据集中各指标变量的权重，并将所述权重加入到所述清洗后数据集中，得到初步处理数据集；将所述初步处理数据集进行数据整理，以地面距离分辨率500M和高度分辨率500M组织成一个三维数组，每个坐标位置对应一个虚拟传感器节点，每个虚拟传感器节点包含16个环境变量，分别为；其中，表示大气状态参数中的气压，表示为大气状态参数中的温度，表示水汽条件中的水汽含量，表示水汽条件中的水汽输送信息，表示动力条件中的风场，表示动力条件中的地面风速，表示动力条件中的风向，表示热力条件中的对流有效位能，表示热力条件中的位温，表示地形影响中的地形高度，表示地形影响中的地形坡度，表示地形影响中的地形障碍指数，表示其他相关参数值中的云量，表示其他相关参数值中的云顶温度，表示其他相关参数值中的大气稳定度参数，为根据熵值法确定的各指标变量的权重；将所述三维数组按照时间顺序整理：对每一个虚拟传感器节点中的16个环境变量数据按照每15分钟为一个样本，分别获取时间范围内的数据，得到m个样本，得到处理后数据集，其表达式为：；利用熵值法计算所述清洗后数据集中各指标变量的权重包括：设为所述清洗后数据集的原始数据矩阵，其中样本个数为，评价指标个数为，为第个样本的第项指标的数值，，，所述原始数据矩阵表达式如下： ；通过分析所述原始数据矩阵中各项指标与暴雨强度的相关关系，将所述原始数据矩阵中的评价指标划分为正向指标和负向指标两种类型；对所述原始数据矩阵进行标准化处理，将转化为无单位的相对数，，得到标准化数据矩阵：若为正向指标，则相对数；若为负向指标，则相对数；其中，表示原始数据矩阵中第个样本下第项指标的数据值，表示第项指标的最大数据值，表示第项指标的最小数据值，表示标准化数据矩阵中第个样本下第项指标的数据值；将所述标准化数据矩阵通过以下公式进行平移，得到平移后数据矩阵： ；其中，表示平移后数据矩阵中第个样本下第项指标的数据值，表示标准化数据矩阵中第个样本下第项指标的数据值，表示平移幅度；根据所述平移后数据矩阵，通过以下公式计算第个样本下第项指标所占的比重： ；其中，表示第个样本下第项指标所占的比重，表示平移后数据矩阵中第个样本下第项指标的数据值；根据所述第个样本下第项指标所占的比重，通过以下公式计算第项指标的熵值： ；其中，表示第项指标的熵值，；根据第项指标的熵值，通过以下公式计算第项指标的差异性系数： ；其中，表示第项指标的差异性系数；根据第j项指标的差异性系数，通过以下公式计算第项指标的权重： ；其中，为第项指标的权重；所述数据编码包括：根据所述处理后数据集，通过连续位置编码，将每个虚拟传感器节点在三维空间中的坐标编码为一个固定长度的向量，得到空间位置编码，所述空间位置编码表达式为：num_coordinates,sequence_length,y，其中，num_coordinates表示坐标点总数，sequence_length表示每个坐标点的时间序列长度，y表示环境参数维度；根据所述处理后数据集，对每个环境变量进行归一化处理，并进行环境变量编码，将单个样本的环境参数合并为一个向量，得到环境变量向量，所述环境变量向量表达式为：num_coordinates,sequence_length,y+coordinate_encoding_dim，其中，coordinate_encoding_dim=行方向编码维度+列方向编码维度+层方向编码维度，表示地面距离、地面宽度和高度三个方向的编码维度之和；将所述空间位置编码与每个时间步的环境变量向量合并，形成一个包含位置信息和环境变量的复合向量，得到数据编码数据集，所述数据编码数据集表达式为：num_coordinates*sequence_length,y+coordinate_encoding_dim。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于ST-Transformer的暴雨预测方法、系统、介质及设备