申请/专利权人：北京工业大学

申请日：2023-11-30

公开（公告）日：2024-04-12

公开（公告）号：CN117874448A

主分类号：G06F18/20

分类号：G06F18/20;G06F18/213;G06F18/214;G06N3/049;G06N3/0464;G06N3/0499;G06N3/09;G01W1/10;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种基于Transformer的时空气象预测方法，该方法通过设计一种新的嵌入了条件编码的空间Transformer模块对气象信号的全局和局部空间信息进行学习。然后，通过一个时间Tasnsformer模块，利用自注意力机制自适应地进行气象序列动态的时间相关性学习。最后，通过将上述两个模块组合为一个时空块，通过堆叠提取深层时空信息，并通过残差连接提升网络的稳定性，从而进行时空气象预测。本方法能更好地提取多个站点间气象时空数据的时空相关性，并且能够提高气象预测的预测精度。本发明考虑到气象数据时间维度的动态变化，在提取时间特征时采用Transformer结构，利用其高度并行的自注意力机制，从而使本发明能够实现高效的气象时序学习，自适应地捕获多个时间步间的依赖关系。

主权项：1.一种基于Transformer的时空气象预测方法，其特征在于，包括以下步骤：步骤一，数据获取：基于WeatherBench提供的ERA5各气象站提供的气象要素数据及各个气象站的经纬度信息；步骤二，数据划分：对气象站点所采集到的原始气象数据按照指定时间间隔进行合并；步骤三，构建训练集：采用最大最小方法对数据进行归一化处理，并构建训练集和测试集；步骤四，确定局部空间：根据各个气象站的经纬度计算相互之间的测地线距离，从而根据距离最K近的K个气象站为每个中心站点构建局部空间；步骤五，构建模型：建立基于Transformer的时空神经网络预测模型；所使用的预测模型以Transformer为主体，分为空间Transformer模块和时间Transformer模块，基本架构包括一个多头注意力模块，层归一化模块，多个残差块、前馈网络模块以及为了使模型学习不同信息设置的不同的位置编码嵌入；步骤六，监督训练预测模型：将训练集的数据分批作为时空神经网络模型的输入，计算预测值与真实标签的误差，并将其作为模型的损失。步骤七，模型根据误差损失完成参数的迭代更新，待收敛后，利用训练结束的时空预测模型对测试集进行气象预测，并根据预测结果与真实气象数据对预测误差进行评价分析。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于Transformer的时空气象预测方法

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