申请/专利权人：青海大学

申请日：2023-12-08

公开（公告）日：2024-04-09

公开（公告）号：CN117852592A

主分类号：G06N3/049

分类号：G06N3/049;G06N3/044;G06N3/045;G06N3/0464;G06F18/214;G06F18/25;G06F18/213;G06N3/08;G01W1/10

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明涉及一种降水预测模型的训练方法、系统、计算设备及介质，方法包括：获取多个待训练数据；将每个待训练数据输入时空循环神经网络中进行训练；对于连续的时间步，利用注意力机制确定每个待训练数据在当前时间步的融合特征，将每个融合特征作为当前时间步的循环层的输入，确定每个待训练数据在当前时间步的循环层输出的隐藏状态，并将最后一个时间步中最后一个循环层输出的隐藏状态作为预测降水量；确定每个真实降水量和对应的预测降水量之间的损失值，根据每个损失值确定目标降水预测模型。解决了以往使用深度学习进行降水预报通常采用雷达回波图外推法只能进行短临降水预报，无法实现短期降水预报的问题。

主权项：1.一种降水预测模型的训练方法，其特征在于，包括：S1、获取多个待训练数据；S2、将每个所述待训练数据输入时空循环神经网络中进行训练；其中，所述时空循环神经网络包括多个顺序连接的循环层；S3、对于连续的时间步，从第一个时间步开始直到最后一个时间步结束，通过执行以下步骤，确定最后一个时间步中最后一个循环层输出的隐藏状态作为预测降水量，所述以下步骤包括：S31、对于每个循环层，利用注意力机制，将第一个循环层在当前时间步的上一个时间步的隐藏状态分别和每个所述待训练数据进行特征融合，确定每个所述待训练数据在当前时间步的融合特征；S32、对于每个循环层，将每个所述融合特征作为当前时间步的循环层的输入，确定每个所述待训练数据在当前时间步的循环层输出的隐藏状态；S4：确定每个所述待训练数据的真实降水量和对应的预测降水量之间的损失值，若各个所述损失值均小于预设值，则将各个所述损失值均小于预设值对应的时空循环神经网络作为目标降水预测模型，若各个所述损失值中存在至少一个大于或等于预设值的损失值，则调整时空循环神经网络中的参数，重复执行S3至S4，直到各个所述损失值均小于预设值。

全文数据：

权利要求：

百度查询： 青海大学 一种降水预测模型的训练方法、系统、计算设备及介质

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD