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：水利部交通运输部国家能源局南京水利科学研究院

摘要：本发明提供了一种基于二次筛选的融合多头自注意力机制的中长期降水预报方法及系统，涉及降水预报领域。该方法步骤如下：获取研究区域历史气象因子数据和水文站降水数据，采用统计学方法和随机森林算法筛选预报因子，获取最终的预报因子库；将多头自注意力机制与卷积长短记忆神经网络融合，采用麻雀算法进行优化耦合构建中长期降水预报模型；采用最终预报因子库输入构建的优化模型中，实现研究区域中长期降水的预估；与传统预报模型进行统计参数对比，评估模型预报效果。本发明通过二次筛选精选预报因子，并通过引入多头自注意力机制层多层次训练传统预报模型，预估后续中长期降水预报精度高于传统方法。

主权项：1.一种基于二次筛选的融合多头自注意力机制的中长期降水预报方法，其特征在于，包括如下步骤：步骤1、获取预定研究区域的历史气象因子数据，构建基础气象因子库；获取该研究区域的水文站降水数据，并基于该水文站降水数据计算该研究区域月度面下的平均降水数据序列；依次将所述历史气象因子数据前推预定月份从而与水文站降水数据的月度时间尺度匹配，构建逐月的气象因子预报库；步骤1-1、获取预定研究区域、预定研究时段的气象因子数据，构成基础气象因子库；其中所述气象因子数据包括大气环流因子和海温因子；步骤1-2、获取研究区域各水文站对应研究时段的点降水数据，通过泰森多边形法计算得到该研究区域的面降水量；步骤1-3、从1月逐月推至12月，将所述基础气象因子库与研究区域的面降水量的时间序列进行组合，形成多个不同前推月份的气象因子-目标降水组合，以此作为气象因子预报库；步骤2、计算所述平均降水数据序列与气象因子预报库的相关系数，获得平均降水数据序列与气象因子预报库在不同前推月份的相关系数结果集合；对所述相关系数结果集合进行分析，筛选出多组预报因子序列，得到该研究区域下的最终预报因子库；步骤2-1、针对步骤1-3中所得到的气象因子预报库，匹配后计算气象因子-目标降水组合的秩相关系数； ；式中，n表示样本序列长度，表示两个变量分别排序后成对的变量位置差；计算所有组合的秩相关系数后构建序列相关系数集合；步骤2-2、对构建得到的序列相关系数集合进行分析，筛选出排位靠前的前推月份的气象因子-目标降水组合，采用随机森林法评估气象因子-目标降水组合中的各个特征的重要性，并计算各个特征的基尼指数；以基尼系数作为评价指标对预报因子二次筛选得到多组预报因子序列，多组预报因子序列构成最终预报因子库；步骤3、将多头自注意力机制与卷积长短记忆神经网络融合得到中长期降水预报模型并对其进行参数优化；步骤3-1、以步骤2-2中筛选得到的多组预报因子序列作为输入，以步骤1-2中计算得到的研究区域的面降水量作为输出，构建多组预报序列组合并将其输入至卷积长短记忆神经网络；所述卷积长短记忆神经网络包括信号输入层、CNN卷积层、池化层、LSTM层、分类输出层；其中所述LSTM层包含两个隐藏层；步骤3-2、采用麻雀算法对所述LSTM层的进行参数优化：将LSTM层中的参数映射为麻雀位置；麻雀位置、、是优化目标，其中是隐藏层节点数，是初始学习率，是L2正则化系数；经过多轮迭代找到卷积长短记忆神经网络的最佳隐藏层节点数、最佳初始学习率、最佳L2正则化系数；步骤3-3、将多头自注意力机制层插入经过步骤3-2参数优化的LSTM层，得到中长期降水预报模型；步骤4、将所述最终预报因子库分别输入参数优化后的中长期降水预报模型中，输出目标区域的中长期降水预报结果，对预报结果执行统计学分析：若预报结果符合预期，则直接输出当前预报结果；若预报结果不符合预期，则重复执行步骤1至步骤3，直至迭代出符合预期的中长期降水预报模型、输出符合预期的预报结果。

全文数据：

权利要求：

百度查询： 水利部交通运输部国家能源局南京水利科学研究院 基于二次筛选的融合多头自注意力机制的中长期降水预报方法及系统