一種多站點風速預測方法技術

本發明專利技術公開了一種多站點風速預測方法，方法包括：對各個氣象監測站采集的氣象數據進行數據預處理；將不規則分布的各個氣象監測站抽象為空間結構圖，按照時間將不同節點之間的特征作為數據，組成由時間序列構成的時空數據流；將所述時空數據流輸入預先構建的圖動態注意力網絡模型，進行多站點風速預測。本發明專利技術將不規則分布的氣象監測站抽象為圖結構，將不同時間步長的氣象數據變量值視為時空圖數據，使用圖卷積網絡提取局部空間信息，結合多空間注意力機制建立不同節點之間的注意力分數然后進行動態注意力計算和轉換，從而實現高精度風速預測的任務。速預測的任務。速預測的任務。

【技術實現步驟摘要】
一種多站點風速預測方法


[0001]本專利技術涉及信息技術和氣象
，尤其涉及一種多站點風速預測方法。

技術介紹

[0002]風速預測作為天氣預測重要組成之一，準確的風速預測對于經濟，商業和管理非常重要，它會影響相關部門的決策過程和資源部署，不僅可以用于預測自然災害，還可以為氣候變化分析提供指導。由于受溫度、海拔、地形、氣壓等因素的影響，風能具有波動性、隨機性和不穩定性的特點，因此準確地進行風速預測面臨很多挑戰。
[0003]目前，天氣預報方法通常包括基于NWP(值天氣預報，Numerical Weather Prediction)模型、機器學習模型、深度學習模型等方式，但上述方式存在如下缺點和不足：
[0004]NWP模型通過求解復雜的數學方程，盡可能地模擬現實世界的大氣、流體和熱力學。這種方法需要巨大的計算能力，即使使用當前的技術設備和工具，也可能需要幾個小時才能完成處理。
[0005]機器學習模型與NWP模型相比，雖然能夠減少處理時間，但機器學習任務更多的是線性回歸預測，對于空間的相關性缺乏考慮導致預測精度較低。
[0006]基于卷積神經網絡(Convolutional Neural Network，CNN)的深度學習方法是在規則矩陣的前提下進行卷積操作，而風速站點分布如圖1所示呈不均勻狀態，難以在保證空間信息關聯性不變的前提下進行規則排列，所以一般的卷積網絡中無法捕獲氣象站之間的空間關系。

技術實現思路

[0007]本專利技術所要解決的技術問題是針對現有技術存在的問題，提供一種多站點風速預測方法、系統、存儲介質及計算設備。
[0008]為解決上述技術問題，本專利技術提供一種多站點風速預測方法，包括：對各個氣象監測站采集的氣象數據進行數據預處理；將不規則分布的各個氣象監測站抽象為空間結構圖，按照時間將不同節點之間的特征作為數據，組成由時間序列構成的時空數據流；將所述時空數據流輸入預先構建的圖動態注意力網絡模型，進行多站點風速預測。
[0009]為解決上述技術問題，本專利技術還提供一種多站點風速預測系統，包括：預處理模塊、數據流生成模塊和預測模塊；預處理模塊用于對各個氣象監測站采集的氣象數據進行數據預處理；數據流生成模塊用于將不規則分布的各個氣象監測站抽象為空間結構圖，按照時間將不同節點之間的特征作為數據，組成由時間序列構成的時空數據流；預測模塊用于將所述時空數據流輸入預先構建的圖動態注意力網絡模型，進行多站點風速預測。
[0010]為解決上述技術問題，本專利技術還提供一種計算機可讀存儲介質，包括指令，其特征在于，當所述指令在計算機上運行時，使所述計算機執行上述技術方案提供的多站點風速預測方法。
[0011]為解決上述技術問題，本專利技術還提供一種計算設備，包括存儲器、處理器及存儲在
所述存儲器上的并可在所述處理器上運行的計算機程序，所述處理器執行所述程序時實現上述技術方案提供的多站點風速預測方法。
[0012]本專利技術的有益效果是：本專利技術將不規則分布的氣象監測站抽象為圖結構，將不同時間步長的氣象數據變量(例如溫度，風速，氣壓等)值視為時空圖數據；使用圖卷積網絡提取局部空間信息，結合多空間注意力機制建立不同節點之間的注意力分數然后進行動態注意力計算和轉換，從而實現高精度風速預測的任務。
[0013]本專利技術附加的方面及其優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本專利技術實踐了解到。
附圖說明
[0014]圖1為站點分布圖；
[0015]圖2為本專利技術一實施例提供的多站點風速預測方法流程圖；
[0016]圖3為本專利技術實施例中站點之間的分布圖；
[0017]圖4為本專利技術實施例中頂點連接分布圖；
[0018]圖5為本專利技術實施例中時空數據流示意圖；
[0019]圖6為本專利技術實施例中采樣算法示例圖；
[0020]圖7為本專利技術另一實施例提供的多站點風速預測方法流程圖；
[0021]圖8為本專利技術實施例提供的圖動態注意力網絡模型結構圖；
[0022]圖9為本專利技術實施例中DAE和SAD構成及連接結構圖；
[0023]圖10為本專利技術使用的多空間注意力計算的數據計算過程圖。
具體實施方式
[0024]以下通過特定的具體實例說明本公開的實施方式，本領域技術人員可由本說明書所揭露的內容輕易地了解本公開的其他優點與功效。顯然，所描述的實施例僅僅是本公開的一部分實施例，而不是全部的實施例。本公開還可以通過另外不同的具體實施方式加以實施或應用，本說明書中的各項細節也可以基于不同觀點與應用，在沒有背離本公開的精神下進行各種修飾或改變。需說明的是，在不沖突的情況下，以下實施例及實施例中的特征可以相互組合。基于本公開中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本公開保護的范圍。
[0025]需要說明的是，下文描述在所附權利要求書的范圍內的實施例的各種方面。應顯而易見，本文中所描述的方面可體現于廣泛多種形式中，且本文中所描述的任何特定結構及/或功能僅為說明性的。基于本公開，所屬領域的技術人員應了解，本文中所描述的一個方面可與任何其它方面獨立地實施，且可以各種方式組合這些方面中的兩者或兩者以上。舉例來說，可使用本文中所闡述的任何數目個方面來實施設備及/或實踐方法。另外，可使用除了本文中所闡述的方面中的一或多者之外的其它結構及/或功能性實施此設備及/或實踐此方法。
[0026]圖2為本專利技術實施例提供的多站點風速預測方法流程圖。如圖2所示，該方法包括：
[0027]S1，對各個氣象監測站采集的氣象數據進行數據預處理。
[0028]本專利技術實施例中，采集到的氣象數據可以包括溫度、露點、風向、風速和大氣壓強
等。進行數據預處理的手段可以包括刪除、填充、切片和歸一化處理等。站點數據包含缺失值，主要原因是傳感器采集數據時造成的。通過對數據的初步處理和分析，云量的氣象因素缺失數量較多，每個站點的缺失數據站總體數據的98％，所以對于此類數據在實驗過程中會進行刪除。對于風向、風速、露點和降水等氣象指標缺失較少，通過采用線性插值的方式進行數據填充。對數據處理完后，根據氣象站點位置提取不同站點的時序數據。采用滑動窗口的的方式對所有數據進行切片；滑動窗口的數據使用過去一周和未來12小時分別作為歷史輸入數據和未來預測數據，每次滑步長度為1。這樣就對所有的實驗數據完成了切片。最后使用線性函數對訓練數據和測試數據數據進行歸一化。
[0029]S2，將不規則分布的各個氣象監測站抽象為空間結構圖，按照時間將不同節點之間的特征作為數據，組成由時間序列構成的時空數據流。
[0030]圖3是15個站點的不規則分布。將該圖中的節點看作為圖的頂點，然后按照頂點之間的位置計算距離，抽象得到的空間結構圖如圖4所示。
[0031]按照時間將不同節點之間的特征作為數據，組成由時間序列構成的時空數據流如圖5所示。
[0032]S本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種多站點風速預測方法，其特征在于，包括：對各個氣象監測站采集的氣象數據進行數據預處理；將不規則分布的各個氣象監測站抽象為空間結構圖，按照時間將不同節點之間的特征作為數據，組成由時間序列構成的時空數據流；將所述時空數據流輸入預先構建的圖動態注意力網絡模型，進行多站點風速預測。2.根據權利要求1所述的多站點風速預測方法，其特征在于，所述空間結構圖將氣象監測站作為圖的頂點，氣象監測站之間的距離作為構建連接邊的因素重構空間結構圖的分布；將帶權鄰接矩陣W作為頂點之間的連接方式，所述空間結構圖的帶權鄰接矩陣W的公式如下：其中，σ和ε是用于調整帶權鄰接矩陣W的分布和稀疏度的超參數，為常數，d
ij
表示節點i和節點j之間的距離。3.根據權利要求2所述的多站點風速預測方法，其特征在于，所述時空數據流第t時間步的空間結構圖表達式如下：g
t
＝(V
t
,E,W)；其中，V
t
表示第t時刻上的頂點集N，N為頂點個數，不同時間步中頂點的數量不變，每個站點的特征屬性隨時間而變化，W表示帶權鄰接矩陣，E表示邊集，是由帶權鄰接矩陣W得到的頂點之間的連接關系；基于時空圖網絡的多站點風速預測問題整體描述表示為：通過神經網絡模型的構建獲得建模函數f(
·
)，通過歷史輸入數據預測未來時間的風速；其中，為圖特征矩陣，C表示特征維度，t表示時間步，圖特征矩陣表示時間步t的空間網絡g的各個頂點觀測值；T表示歷史時空網絡序列的長度，P表示要預測的目標時空網絡序列的長度。4.根據權利要求1至3任一項所述的多站點風速預測方法，其特征在于，所述將所述時空數據流輸入預先構建的圖動態注意力網絡模型，進行多站點風速預測，包括：在所述空間結構圖中分別以每個頂點為中心按照帶權鄰接矩陣進行圖采樣，獲得每個頂點的一階鄰居節點和二階鄰居節點；所述頂點、頂點對應的一節鄰居節點及二階鄰居節點構成所述頂點的采樣子圖；計算預設時間段內所述采樣子圖的時空位置編碼；分別對所述一階鄰居節點和所述二階鄰居節點進行頻域圖卷積，獲得第一卷積結果和第二卷積結果，分別將所述第一卷積結果和所述第二卷積結果與所述采樣子圖的時空位置編碼求和，獲得第一求和結果和第二求和結果；
提取所述頂點的空間特征，將所述頂點的空間特征先通過全連接網絡映射，再與所述所述采樣子圖的時空位置編碼求和，獲得第三求和結果；根據所述第一求和結果和所述第二求和結果進行動態注意力編碼，獲得注意力編碼結果；根據所述注意力編碼結果和所述第三求和結果進行轉換注意力解碼，獲得注意力轉換結果；所述注意力轉換結果通過全連接網絡生成多站點風速預測結果。5.所述根據權利要求4所述的方法，其特征在于，所述獲得每個頂點的一階鄰居節點和二階鄰居節點，包括：以一頂點x為中心選擇第一預設數量的最接近的鄰居點，并按距離從小到大排列，獲得一階鄰居節點X
D
，再以所述頂點為中心選擇第二預設數量的最接近的鄰居點，并按距離從小到大排列，獲得二階鄰居節點X；所述頂點x、一階鄰居節點X
D
和二節鄰居節點X構成所述頂點x的采樣子圖，所述第二預設數量大于所述第一預設數量。6.所述根據權利要求4所述的方法，其特征在于，所述計算預設時間段內采樣子圖的時空位置編碼，包括：計算預設時間段內采樣子圖的相對位置編碼，公式如下：其中，是在采樣子圖圖中頂點i的編碼維度序號為l的向量，d為投影維度，N為頂點個數；在計算了所有維度之后，SPE∈R
l
×
N
×
d
表示SPE的數據維度是1
×
N
×
d,R表示數據維度；在此編碼中給定不同輸入X
D
、X和x，經過編碼后得到一階鄰居節點的相對位置編碼值X'
D
、二階鄰居節點的相對位置編碼值X'和頂點相對位置編碼值x'；計算預設時間段內采樣子圖的時間位置編碼，公式如下：TPE＝σ(Relu(rW1+b1)W2+b2)其中W1∈R
t
×
d
...

【專利技術屬性】
技術研發人員：李博錄，吳利，王曉英，
申請(專利權)人：青海大學，
類型：發明
國別省市：