(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211233428.1 (22)申请日 2022.10.10 (71)申请人 南京信息 工程大学 地址 210032 江苏省南京市江北新区宁六 路219号 (72)发明人 秦华旺　包顺　戴跃伟　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 胡杰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于Unet和DCN_LSTM的降水 预测方法 (57)摘要 本发明公开了一种基于Unet和DCN_LSTM的 降水预测方法， 涉及天气预报技术领域， 可以减 少训练时间， 提升了降水预测的时效性， 将两种 模型有效结合， 提升降水预测的精准度， 同时能 够有效捕获时空相关性， 使用可形变卷积学习输 入对隐藏状态和记忆细胞的偏 置量， 可以通过输 入来调整卷积核的位置， 使 得卷积核位置不再是 固定的， 能对降水区域特征有效提取， 使用了贝 叶斯算法， 能够解决手动调参的繁琐， 通过贝 叶 斯算法可以学习到最佳的超参数 组合， 通过多项 指标评价， 使用U net和DCN_LS TM混合模型比使用 单一模型 预测精准度更高， 效果更好。 权利要求书5页 说明书12页 附图3页 CN 115310724 A 2022.11.08 CN 115310724 A 1.一种基于Unet和DCN_LSTM的降水 预测方法， 其特 征在于： 包括以下步骤 S1、 获取气象雷达数据， 并对气象雷达数据预处 理； S2、 构建Unet和DCN_LSTM混合模型； S3、 对Unet和DCN_LSTM混合模型加入贝叶斯算法， 进行超参数优化， 寻找最优参数组 合； S4、 对Unet和DCN_LSTM混合模型进行测试； S5、 对测试集预测的结果， 通过像素值转换成雷达反射率， 再根据雷达反射率与降雨量 的关系求得降雨 量。 2.根据权利 要求1所述的一种基于Unet和 DCN_LSTM的降水预测方法， 其特征在于： 所述 步骤S1中， 对气象雷达数据预处 理的方法， 包括以下步骤 S1.1、 对数据异常值和重复值进行剔除， 并对数据的缺失值进行双线性插值； S1.2、 对数据集进行筛 选， 保证每个回波序列有20％的降水覆盖率； S1.3、 对数据进行归一 化处理， 具体公式如下， 其中， X*表示归一化的雷达回波强度值， Xmax表示雷达 回波强度最大值， Xmin表示雷达 回 波强度最小值， X表示雷达回波强度值； S1.4、 采用8 :2的比例对数据集进行划分， 即80%为训练集， 20%为测试集。 3.根据权利 要求1所述的一种基于Unet和 DCN_LSTM的降水预测方法， 其特征在于： 所述 步骤S2中， 构建Unet和DCN_LSTM混合模型的方法， 包括以下步骤 S2.1、 混合模型编码器部分， 将训练集数据输入到模型中， 经过两个3 ×3卷积层， 再通 过最大池化层， 特 征图变为原来大小的一半， 再 经过两个3×3卷积层， 通道数加倍； S2.2、 混合模型中间采用DCN_LSTM， 用 于提取雷达回波序列的时间特征和空间特征， DCN_LSTM由多个DCN_LSTM循环单元组成， 用于将编码器输出的特征图进行分解， 依次输入 到DCN_LSTM循环单 元中进行训练； S2.3、 混合模型解码器部分， 经过DCN_LSTM输出的雷达回波序列按通道进行拼接， 然后 经过两个3 ×3卷积层， 再经过上采样， 和 编码器输出的的特征图跳过连接， 再经过两个3 ×3 卷积层和一个1 ×1卷积层， 最后输出 预测的雷达回波序列。 4.根据权利 要求3所述的一种基于Unet和 DCN_LSTM的降水预测方法， 其特征在于： 所述 步骤S2.2中， DCN_LSTM利用可行变卷积学习输入 X对隐藏状态H和记忆细胞C的偏移量， 从而 更新隐藏状态H和记忆细胞C， 在输入图片上滑动， 可行变卷积把得到的特征图作为输入， 对 特征图再施加一个卷积层， 从而 得到可行变卷积的变形偏移 量， 偏移层为2 N,在平面上进 行 平移， 需要改变x和y两个方向； 可行变卷积的具体公式如下， 其中， R表示一个3 ×3的卷积核， ( ‑1,‑1),(‑1,0),(0,1),(1,1)表示卷积核里 的点， 且 坐标为整数；权　利　要　求　书 1/5 页 2 CN 115310724 A 2其中， 表示可行变卷积得到的特征矩阵， 表示在大小为3×3的卷积核 内经过神经网络学习得到的每个点的学习量， 表示中心点， 即 （0,0） 点， 表示定义在 R范围内的点， 相比标准卷积可 行变卷积多了通过 卷积学习到的一个偏移 矩阵 。 5.根据权利 要求4所述的一种基于Unet和 DCN_LSTM的降水预测方法， 其特征在于： 所述 DCN_LSTM模型包括若干个DCN_LSTM循环单元， 通过门控机制对特征信息进行筛选和传递， 保留了convLSTM的遗忘门、 输入门、 调制门、 输出门、 时间记忆细胞以及隐藏状态， 分别为ft、 it、gt、ot、Ct以及Ht； 还包括空间细胞Mt， 用于在不同层之间垂直地提取和传递空间结构特征， 同时加入可 行变卷积来学习输入X对隐藏状态H和记 忆细胞C的偏移量， 具体公式如下， 其中， DCN表示可行变卷积网络， Xt表示输入的图片， 下坐标t表示输入的时刻， 和 分别表示隐藏状态和记忆细胞， 下坐标t ‑1表示上一个时刻， 上坐标1表示第一层， 和 分别表示更新后得到的新的隐藏状态和记 忆细胞。 6.根据权利 要求4所述的一种基于Unet和 DCN_LSTM的降水预测方法， 其特征在于： 所述 DCN_LSTM模型中， 用于更新记 忆细胞的输入门、 更新门以及遗 忘门， 公式如下， 其中， it表示更新记忆细胞的输入门； σ 表示激活函数sigmoid； Wxi表示对输入X， 输入门 i训练的参数矩阵； Whi表示对隐藏状态H， 输入门i训练的参数矩阵； Xt表示t时刻的输入； 表示t‑1时刻， 第l层的隐藏状态； bi表示对输入门i的偏置； gt表示更新记忆细胞的更新门； tanh表示激活函数tanh； Wxg表示对输入X， 更新门g训练 的参数矩阵； Whg表示对隐藏状态H， 更新门g训练的参数矩阵； bg表示对更新门g的偏置； ft表示更新记忆细胞的遗忘门； Wxf表示对输入X， 遗忘门f训练的参数矩阵； Whf表示对隐 藏状态H， 遗 忘门f训练的参数矩阵； bf表示对遗 忘门f的偏置； *表示卷积； 用于更新空间细胞的输入门、 更新门以及遗 忘门， 公式如下，权　利　要　求　书 2/5 页 3 CN 115310724 A 3