-
公开(公告)号：CN117350440A
公开(公告)日：2024-01-05
申请号：CN202311638469.3
申请日：2023-12-04
IPC分类号： G06Q10/04 , G01W1/00 , G06F17/15 , G06N3/084 , G06N3/0442 , G06N3/0464
摘要： 本发明提出了一种区域气溶胶光学厚度的时空预测模型及方法，属于遥感气象格点要素预测领域，预测模型包括：输入层、预处理层、预测层以及输出层，输入层用于接收带时序的气溶胶光学厚度张量并导入到预处理层进行数值数据的预处理；预处理层用于对数据进行特征变换以及时间编码，以满足预测层的需要；预测层用于对输入的气溶胶光学厚度张量进行预测；输出层用于对预测层得到的结果进行融合处理，通过门控机制分别对预测层中不同模块的预测结果进行融合，并输出预测结果；本发明通过提取输入的气溶胶光学厚度张量的时空特征，实现对区域气溶胶光学厚度数值的预测。
-
公开(公告)号：CN117313015A
公开(公告)日：2023-12-29
申请号：CN202311594907.0
申请日：2023-11-28
IPC分类号： G06F18/2433 , G06F18/214 , G06N3/0499 , G06N3/045 , G06N3/088 , G06F123/02
摘要： 本发明提出了一种基于时序和多变量的时间序列异常检测方法及系统；属于数据检测技术领域，在模型训练前，获取含单变量和多变量的原始时间序列数据，采用改进的Transformer模型作为主干模型，统计特征处理模块作为枝干模型，结合构成损失函数，训练异常检测模型；结合对抗训练框架，将每个变量维度真实值和预测值的均方误差作为损失函数优化网络的参数，经过多次迭代训练模型，同时将训练好的模型进行保存；通过异常分数计算得到阈值，然后将测试集输入到训练好的模型中，根据模型的输出结果结合阈值并通过点调整策略，判断是否异常；发明方案采用多种新颖的深度学习方法，可以自动化地对时间序列数据进行较为精准的异常检测。
-
公开(公告)号：CN115456314B
公开(公告)日：2023-03-24
申请号：CN202211408732.5
申请日：2022-11-11
IPC分类号： G06Q10/04 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明提供了一种大气污染物时空分布预测系统及方法，涉及环境预测领域，通过特征提取单元将所述时空分布信息分别输入顺序连接通路和跳跃连接通路进行特征提取，顺序连接通路可以提取连续的时序特征，得到一个连续的变化趋势，用于后续时刻的预测；跳跃连接通路是跳跃着连接不同周期同一时刻的数据，通过跳跃连接通路对特征的传递，当前时刻的特征中可以融入前面周期内相同时刻的数据特征，用更明显的周期性特征来预测当前时刻的特征，对当前时刻的预测有一个辅助修正的作用；结合PM2.5时空分布的连续性变化趋势和周期性变化特征，融合单元将两条连接通路提取的特征相融合，使得预测结果更加准确，可用于预测很长一段时间之后的PM2.5时空分布情况。
-
公开(公告)号：CN117350440B
公开(公告)日：2024-07-12
申请号：CN202311638469.3
申请日：2023-12-04
IPC分类号： G06Q10/04 , G01W1/00 , G06F17/15 , G06N3/084 , G06N3/0442 , G06N3/0464
摘要： 本发明提出了一种区域气溶胶光学厚度的时空预测模型及方法，属于遥感气象格点要素预测领域，预测模型包括：输入层、预处理层、预测层以及输出层，输入层用于接收带时序的气溶胶光学厚度张量并导入到预处理层进行数值数据的预处理；预处理层用于对数据进行特征变换以及时间编码，以满足预测层的需要；预测层用于对输入的气溶胶光学厚度张量进行预测；输出层用于对预测层得到的结果进行融合处理，通过门控机制分别对预测层中不同模块的预测结果进行融合，并输出预测结果；本发明通过提取输入的气溶胶光学厚度张量的时空特征，实现对区域气溶胶光学厚度数值的预测。
-
公开(公告)号：CN118228002A
公开(公告)日：2024-06-21
申请号：CN202410634167.7
申请日：2024-05-22
IPC分类号： G06F18/20 , G06F18/15 , G06N3/0464 , G01P5/00 , G06F123/02
摘要： 本发明提出了一种基于低频滤波和自相关性的中长期风速预测方法，属于风速预测技术领域，首先进行序列分解，输入过去采集的风速序列，采用基于低频滤波的深度学习时间序列分解方法进行分解；然后进行归一化，将分解的数据进行归一化处理；进行模型深度学习，输入经过处理后的数据，训练自相关性和多层线性层；最后逆归一化，将最近采集的新风速序列输入至步骤3训练好的模型进行预测，对预测结果进行逆归一化，还原预测结果到原始数据尺度上，得到未来一段时间的风速预测。
-
公开(公告)号：CN117313823B
公开(公告)日：2024-04-12
申请号：CN202311594605.3
申请日：2023-11-28
IPC分类号： G06N3/084 , G06N3/0464 , G06N3/0442 , G06N3/045
摘要： 本发明提出一种卷积循环神经网络混合分布式并行训练方法及系统，属于气象预报技术领域；获取雷达回波灰度图像数据集并预处理为图像时间序列数据；划分为训练集、验证集和测试集；在流水线并行改造过程中，通过Oneflow框架提供的全局张量，结合Pytorch的通信原语，实现张量转移封装；将卷积循环神经网络划分为多个均匀的流水线阶段，每个阶段的流水线管理各自子模型的隐状态张量和前向传播过程；设计外层模型，处理前向传播过程中在序列维度上的循环结构，实现通用的流水线模型结构；在流水线并行的基础上，通过改写数据集采样器的数据分发逻辑实现数据并行；调整梯度缩放因子，利用自动混合精度避免梯度上溢；通过设置激活值检查点，降低显存占用。
-
公开(公告)号：CN117312832A
公开(公告)日：2023-12-29
申请号：CN202311594604.9
申请日：2023-11-28
IPC分类号： G06F18/213 , G01W1/10 , G06F17/18 , G06F17/14 , G06F18/241 , G06N3/0499 , G06N3/0464 , G06N3/08
摘要： 本发明提出了一种基于深度序列模型的中长期云量预测方法及系统，属于气象预测技术领域，将预测位置的历史气象数据输入基于趋势分解和周期增强的预测分支模块，将预测位置附近区域的历史气象数据输入天气系统提取模块；将基于趋势分解和周期增强的预测分支模块的多个基本块堆叠得到基于趋势分解与周期增强的预测分支模块的输出；将基于趋势分解和周期增强的预测分支模块的输出和天气系统提取模块的输出在通道维度进行向量拼接后作为预测投影模块的输入，预测投影模块将输入向量投影成指定的形状，得到最终的预测结果。本发明利用预测位置附近区域的历史气象条件辅助云量预测，更符合现实情况与气象规律。
-
公开(公告)号：CN116106856A
公开(公告)日：2023-05-12
申请号：CN202310392594.4
申请日：2023-04-13
IPC分类号： G01S7/41 , G01S13/95 , G01W1/10 , G06N3/08 , G06N3/0464
摘要： 本发明提供了一种雷暴大风的识别模型建立方法、识别方法及计算设备，涉及图像识别领域，方法包括根据雷达回波图像构建训练集；对训练集中的雷达回波图像进行标准化，获得标准化数据；将标准化数据中雷达回波强度真实值与训练过程中输出的预报值的平均值之间的误差作为初始模型中损失函数的参数；根据损失函数生成的损失值，对初始模型进行多次迭代，得到雷暴大风识别模型；初始模型包括时空卷积神经网络模型、CBAM注意力机制以及多尺度残差网络模型。利用雷暴大风识别模型在时空两个维度都进行卷积循环操作，增强重要特征，抑制不必要特征，从而实现增加图像的表征力，充分利用雷达回波数据的信息，提高识别雷暴大风的准确率。
-
公开(公告)号：CN115359370B
公开(公告)日：2023-01-24
申请号：CN202211290200.6
申请日：2022-10-21
IPC分类号： G06V20/13 , G06V20/70 , G06V10/82 , G06V10/80 , G06V10/774
摘要： 本发明提供一种遥感图像云检测方法、装置、计算机装置及存储介质，涉及图像处理和深度学习领域，所述方法包括：获取遥感图像，对遥感图像进行云及云掩膜标注，得到数据集；对数据集进行预处理，得到用于云检测网络模型训练的训练集；将训练集输入云检测网络模型并进行训练，获得数据模型；根据数据集获得预测集，并将预测集作为数据模型的输入进行测试，获得云检测结果。通过结合多尺度空间注意力和通道注意力机制的方式有效提高云检测质量，在具有大量包含丰富信息的通道的遥感图像上取得了显著的性能提升，通过特征融合模块在高维空间构造了复杂的线性组合，使模型学习得到有效的融合方式，从而实现高质量的云检测效果。
-
公开(公告)号：CN114460555B
公开(公告)日：2022-08-23
申请号：CN202210363210.1
申请日：2022-04-08
摘要： 本发明提供了一种雷达回波外推方法、装置及存储介质，方法包括：获取指定区域当前时刻的当前雷达回波图和当前卫星云图，以及过去一段时间的历史雷达回波图和历史卫星云图；采用第一IIA‑GRU编码器对所述当前雷达回波图和所述历史雷达回波图进行编码处理，获得第一编码图像；采用第二IIA‑GRU编码器对所述当前卫星云图和所述历史卫星云图进行编码处理，获得第二编码图像；基于融合门控机制对所述第一编码图像和所述第二编码图像进行融合，并采用IIA‑GRU解码器对融合结果进行解码，获得所述指定区域未来一段时间内的雷达回波图像。本发明的技术方案提高了长序列雷达回波的预测准确性。
-
-
-
-
-
-
-
-
-
搜索结果
23 条记录 (耗时 0.174 秒)