一种悬空波导空间分布的预测方法
未命名
09-08
阅读:152
评论:0

1.本发明属于气象时空预测领域,尤其涉及一种悬空波导空间分布的预测方法。
背景技术:
2.在海上,悬空波导是除了蒸发波导之外,最常见的一种大气波导,是由于对流层中存在逆温或水汽随高度急剧变小而形成的大气层结。电磁波在悬空波导陷获层中传播时,在底部和顶部边界处多次反射,使得电磁波能够实现超视距传播,同时也会在悬空波导陷获层的顶层上方和底层下方形成雷达探测盲区。若要实现超视距传播,则电磁波发射源的位置必须接近悬空波导陷获层。而且悬空波导陷获层的顶层上方和底层下方形成的雷达探测盲区可以被利用来隐藏我方关键目标。为实现超视距传播并定位探测盲区,准确识别悬空波导在大气中的分布以及掌握其陷获层的底高、顶高至关重要。
3.目前,获得悬空波导高度的方法主要包括直接检测和间接检测两种方法,由于直接检测只能得到单点的波导信息,因此间接检测方法是悬空波导最常用的检测方法。反演方法是经典的间接检测方法,该方法以卫星反演的海表温压湿、云顶温度、温压湿气象要素为输入,通过各种近似、参数化方案和物理统计模型,计算得到悬空波导。为提前感知悬空波导的空间分布,需以直接检测和间接检测所获得的数据为基础,对未来的悬空波导空间分布演进情况进行预测分析。
4.但是,悬空波导的顶高、底高均为一种三维时空数据,且顶高和底高相互制约,不能直接被现有处理气象二维时空数据的时空预测模型所处理。
技术实现要素:
5.本发明所要解决的技术问题是:提出一种悬空波导空间分布的预测方法,利用深度学习技术以低成本的方式实现对悬空波导空间分布的准确预测,并解决悬空波导的顶高、底高不能被现有处理气象二维时空数据的时空预测模型所处理的问题。
6.本发明解决上述技术问题采用的技术方案是:
7.一种悬空波导空间分布的预测方法,包括以下步骤:
8.s1、获取目标区域的悬空波导数据,所述目标区域为完整覆盖对应悬空波导的区域,所述悬空波导数据包括顶高、底高、经度、纬度和时间;将所述悬空波导数据,分解转化为两个二维时序数据;所述二维时序数据为一组二维数据按时间先后进行排序所构成的序列,所述二维数据呈网格状,其二维为经度和纬度,并由对应的表征顶高或底高的数据构成二维数据中各经度和纬度位置处的特征,且所述两个二维时序数据的特征分别表征顶高和底高;
9.s2、针对各个特征,分别根据目标区域的待预测时间点t,构建对应该特征的时空时序数据,所述时空时序数据包括n个按时间排序并位于待预测时间点t之前的时空数据,所述n为预设的数量,且n为大于2的整数;并按如下步骤,获得所述时空时序数据:
10.首先,从对应该时空时序数据的特征的二维时序数据中,提取待预测时间点t之前
的m*n个连续时间点的二维数据,且m为大于等于2的整数;
11.然后,对m*n个二维数据,划分为n个时间段,每个时间段对应一个聚合组,每个聚合组分别包含m个连续时间点的二维数据;
12.再然后,针对各聚合组,分别按如下公式进行聚合,获得所述时空时序数据的各时空数据:
[0013][0014]
其中,f(xi,yj,tn)表示时空时序数据中时间点为tn的时空数据的位置(xi,yj)处的特征,xi和yj分别表示该特征所在位置的经度和纬度,i和j分别为该位置在目标区域中沿x轴的序号和沿y轴的序号,tn表示时空数据所在的时间点,n为该时空数据在时空时序数据中的序号;wm和w
qp
分别为权重参数;qm和pm分别表示第m个二维数据中对应位置(xi,yj)的聚合区域沿x轴的数量和沿y轴的数量,m表示该二维数据在聚合组中的序号,且聚合组中m个二维数据的聚合区域的中心均为(xi,yj),h(xq,y
p
,t
n-m)表示第m个二维数据的聚合区域中位置(xq,y
p
)处的特征,对于聚合区域超出目标区域的部分,其经度和纬度按网格的间距填充、特征以目标区域边缘部分复制填充;
[0015]
s3、将步骤s2获得的各特征的时空时序数据,输入相互独立并分别对应各特征的时空预测网络,对各特征进行预测,获得目标区域在待预测时间点的顶高和底高的预测值。
[0016]
进一步的,采用厚度表征顶高,所述厚度为相同时间相同位置处的顶高和底高之差;
[0017]
在步骤s1中,所述两个二维时序数据的特征分别为底高和厚度;
[0018]
在步骤s3中,首先,通过相互独立并分别对应底高和厚度的时空预测网络,对底高和厚度进行预测,获得目标区域在待预测时间点的底高和厚度的预测值;然后,根据底高和厚度的预测值,计算获得目标区域在待预测时间点的顶高的预测值。
[0019]
进一步的,根据底高和厚度的预测值,按如下公式,计算获得目标区域在待预测时间点t的顶高的预测值:
[0020][0021][0022]
其中,表示待预测时间点t的位置(xi,yj)处的顶高,表示待预测时间点t的位置(xi,yj)处的底高,表示待预测时间点t的位置(xi,yj)处的厚度,xi和yj分别表示位置的经度和纬度,i和j分别为该位置在目标区域中沿x轴的序号和沿y轴的序号。
[0023]
进一步的,步骤s2中,聚合组中m个二维数据的聚合区域,按时间先后,距离对应时空数据的时间点tn的时间差越大则聚合区域越大。
[0024]
进一步的,所述各聚合区域对应(xi,yj)处的权重参数w
qp
,随距离对应时空数据的时间点tn的时间差的增加而递增,并满足0《w
qp
《1且所述聚合区域的权重参数wm,随距离对应时空数据的时间点tn的时间差的增加而递减,并满足0《wm《1且
[0025]
进一步的,所述n和m设定为3;聚合组中m个二维数据的聚合区域,按距离对应时空数据的时间点tn的时间差由小到大,聚合区域分别设置为3
×
3、5
×
5、7
×
7;
[0026]
且,聚合区域3
×
3、5
×
5、7
×
7的权重参数w
qp
分别设置为:
[0027][0028][0029][0030]
聚合区域3
×
3、5
×
5、7
×
7的权重参数wm分别设定为:1/2、1/3和1/6。
[0031]
进一步的,针对各特征的时空预测网络,分别按如下步骤进行训练:
[0032]
a1、获取样本数据并按步骤s1的方式进行数据预处理,获得包含对应特征的二维时序数据;
[0033]
a2、从步骤a1获得的二维时序数据中,选择一个时间点作为待预测时间,并将该时间点的二维数据作为对应特征的真实值;按步骤s2的方式,构建该特征的时空时序数据;
[0034]
a3、将步骤a2获得的时空时序数据,输入时空预测网络,获得对应特征的预测值;
[0035]
a4、基于对应特征的真实值和预测值,进行损失计算;
[0036]
a5、重复步骤a2~a4,直至模型收敛,获得对应特征的完成训练的时空预测网络。
[0037]
进一步的,在训练阶段,将获取的样本数据,按比例划分为训练集、验证集和测试集,其中,训练集用于训练模型拟合参数,验证集用于确定网络结构拟合超参数,测试集用于评估最终模型的性能;
[0038]
在采用训练集进行训练时,采用如下所示的smoothl1loss损失函数,进行损失计算:
[0039][0040]
在采用验证集进行验证时,采用如下所示的l2loss损失函数,进行损失计算:
[0041][0042]
其中,i和j分别表示目标区域沿x轴的位置数量和沿y轴的位置数量,i和j分别表示沿x轴的位置序号和沿y轴的位置序号,表示模型对位置(xi,yj)处对应特征的预测值,y表示位置(xi,yj)处对应特征的真实值。
[0043]
进一步的,所述时空预测网络为n层的convlstm网络,且每层包括堆叠的l个convlstm模块;在步骤s3中,将时空时序数据中的n个时空数据,按顺序输入convlstm网络的n层,并分别经过堆叠的l个convlstm模块,得到n个时空数据的隐藏层特征;然后,将得到n个隐藏层特征进行堆叠,再通过线性层进行融合,获得最终的预测值。
[0044]
进一步的,所述convlstm模块包括convlstm子模块和自注意力子模块;所述convlstm模块以convlstm子模块输出的特征向量作为其输出的特征向量,并以convlstm子模块输出的隐藏层特征,在经过自注意力子模块处理后,所获得结果作为其输出的隐藏层特征。
[0045]
进一步的,所述convlstm子模块的公式如下:
[0046][0047][0048][0049][0050][0051]
其中,x为convlstm子模块的输入特征,初始时为时空数据,之后为c表示convlstm子模块输出的特征向量,h表示convlstm子模块输出的隐藏层特征,h表示经自注意力子模块处理后所获得的隐藏层特征;下标n表示其位于n层convlstm网络中的第n层,上标l表示其位于第n层中堆叠的l个convlstm模块中的第l个;*表示卷积运算,表示hadamard乘法,σ表示激活函数,w
x1
、w
x2
、w
x3
、w
x4、wh1
、w
h2
、w
h3
、w
h4
、w
c1
、w
c2
和w
c3
均为可学习权重,b1、b2、b3和b4均为可学习偏置;
[0052]
所述自注意力子模块的公式如下:
[0053][0054][0055][0056][0057]
其中,wq、wk和wv分别表示卷积滤波器。
[0058]
本发明的有益效果是:
[0059]
本发明基于悬空波导的物理特性,将三维的时空数据进行维度切割,并在不同的历史时刻设置不同的感受野,将不同历史时刻的数据进行融合,获得二维的时空数据,使其适配现有处理气象二维时空数据的时空预测模型,以低成本的方式实现,根据目标区域历史悬空波导的空间分布数据,对目标区域在预测时间点的悬空波导的底高、顶高的准确预测,从而更加真实地反映出悬空波导在预测时间点的空间分布。
附图说明
[0060]
图1为本发明的基于convlstm的悬空波导空间分布预测网络结构图;
[0061]
图2为本发明的convlstm模块的结构示意图。
具体实施方式
[0062]
普通的二维时空数据如(t,x,y)所示,其中t表示时间维度,x和y表示空间维度。而悬空波导在海洋上空一般会占据一定的空间,是一种经典的与通信相关三维气象,其较为经典的特性是影响电磁波传播路径,而悬空波导存在的高度是影响该气象特性的重要因素,底高与顶高是描述存在高度的重要要素。因此需要用三维时空数据来表示悬空波导的存在位置。三维时空数据如(t,x,y,z)所示,其中,t表示时间维度,x,y和z表示空间维度。
[0063]
本发明旨在提出一种悬空波导空间分布的预测方法,实现对悬空波导的空间分布的准确预测。由于悬空波导数据包括顶高、底高、经度、纬度和时间,其为一种三维的时空数据,并不能直接被处理二维时空数据的时空预测模型处理,因此,本发明对目标区域预测时间点之前的时间点对应的悬空波导数据,分解转化为两个二维时序数据;一个二维时序数据的特征表征顶高,另一个二维时序数据的特征表征底高。然后,分别针对表征顶高的二维时序数据和表征底高的二维时序数据,构建目标区域在待预测时间点之间的时空时序数据作为对应特征的时空预测网络的输入,其中,时空时序数据中的各个时空数据,分别通过对其所在时间点之前的时间点的特征进行聚合获得。最终,通过预处理和聚合,获得包含了时间特征和空间特征的二维时空数据,使其适配现有处理气象二维时空数据的时空预测模型,能通过时空预测模型获得目标区域在待预测时间点的顶高和底高的预测值。
[0064]
实施例:
[0065]
本实施例中的悬空波导空间分布的预测方法,其包括以下步骤:
[0066]
s1、数据预处理
[0067]
本步骤中,获取目标区域的悬空波导数据,所述悬空波导数据包括顶高、底高、经度、纬度和时间,所述目标区域为完整覆盖对应悬空波导的区域;将所述悬空波导数据,分解转化为两个二维时序数据;所述二维时序数据为一组二维数据按时间先后进行排序所构
成的序列,所述二维数据呈网格状,其二维为经度和纬度,并由对应的表征顶高或底高的数据构成二维数据中各经度和纬度位置处的特征,且所述两个二维时序数据的特征分别表征顶高和底高。
[0068]
表征顶高和底高可以是顶高和底高本身。但对于实际的悬空波导高度数据而言,底高与顶高是相互约束的,顶高永远只能比底高高,若通过顶高和底高本身进行表征,得到的结果可能出现底高比顶高高的情况。
[0069]
因此,进一步的,在本实施例中,采用厚度表征顶高,所述厚度为相同时间相同位置处的顶高和底高之差,转换公式如下所示:
[0070]
d=t-b
[0071]
其中,b表示底高,d表示厚度,t表示顶高。
[0072]
s2、构建时空时序数据
[0073]
基于海上气象的时间与空间特性可知,某一区域某一时间点的气象会被临近区域临近时间点的气象所影响。
[0074]
因此,本步骤中,分别针对上述特征为底高的二维时空数据和特征为顶高的二维时空数据,根据目标区域的待预测时间点t,分别构建特征对应底高和特征对应顶高的时空时序数据,所述时空时序数据包括n个按时间排序并位于待预测时间点t之前的时空数据,所述n为预设的数量,且n为大于2的整数;并按如下步骤,获得所述时空时序数据:
[0075]
首先,从对应该时空时序数据的特征的二维时序数据中,提取待预测时间点t之前的m*n个连续时间点的二维数据,且m为大于等于2的整数;
[0076]
然后,对m*n个二维数据,划分为n个时间段,每个时间段对应一个聚合组,每个聚合组分别包含m个连续时间点的二维数据;
[0077]
再然后,针对各聚合组,分别按如下公式进行聚合,获得所述时空时序数据的各时空数据:
[0078][0079]
其中,f(xi,yj,tn)表示时空时序数据中时间点为tn的时空数据的位置(xi,yj)处的特征,xi和yj分别表示该特征所在位置的经度和纬度,i和j分别为该位置在目标区域中沿x轴的序号和沿y轴的序号,tn表示时空数据所在的时间点,n为该时空数据在时空时序数据中的序号;wm和w
qp
分别为权重参数;qm和pm分别表示第m个二维数据中对应位置(xi,yj)的聚合区域沿x轴的数量和沿y轴的数量,m表示该二维数据在聚合组中的序号,且聚合组中m个二维数据的聚合区域的中心均为(xi,yj),h(xq,y
p
,t
n-m)表示第m个二维数据的聚合区域中位置(xq,y
p
)处的特征,对于聚合区域超出目标区域的部分,其经度和纬度按网格的间距填充、特征以目标区域边缘部分复制填充。
[0080]
上述对时空数据所在时间点tn之前的m个连续时间点的二维数据,进行聚合,是考虑到悬空波导是一个连续的物理量,其在空间和时间维度上,会受到周围的影响,进一步地,离该时间点越远对此区域施加影响的区域也越大,因此,本步骤中,聚合组中m个二维数据的聚合区域,按时间先后,距离对应时空数据的时间点tn的时间差越大则聚合区域越大。但也应当注意到,将m设置的过大,在增加计算量的同时提升有限。n的设置,也即预测网络的层数,其设置也应综合考虑计算量、参数量级和性能间的平衡。
[0081]
其次,由于悬空波导的空间趋势性,离聚合点(xi,yj)越近,则该位置对聚合点的影
响越大;由于悬空波导的时间趋势性,距离对应时空数据的时间点tn的时间差越近,则该位置对聚合点的影响越大;同时,考虑到,聚合后的值应与原始数据接近。因此,最优的,所述各聚合区域对应(xi,yj)处的权重参数w
qp
,随距离对应时空数据的时间点tn的时间差的增加而递增,并满足0《w
qp
《1且所述聚合区域的权重参数wm,随距离对应时空数据的时间点tn的时间差的增加而递减,并满足0《wm《1且
[0082]
具体的,在本实施例中,原始数据,也即步骤s1获取的目标区域的悬空波导数据,其测量时间间隔为1小时,因此,所述n和m设定为3;聚合组中m个二维数据的聚合区域,按距离对应时空数据的时间点tn的时间差由小到大,聚合区域分别设置为3
×
3、5
×
5、7
×
7。
[0083]
同时,聚合区域3
×
3、5
×
5、7
×
7的权重参数w
qp
分别设置为:
[0084][0085][0086][0087]
聚合区域3
×
3、5
×
5、7
×
7的权重参数wm分别设定为:1/2、1/3和1/6。
[0088]
s3、数据预测
[0089]
本步骤中,将步骤s3获得的各特征的时空时序数据,输入相互独立并分别对应各特征的时空预测网络,对各特征进行预测,获得目标区域在待预测时间点的顶高和底高的预测值。
[0090]
由于本实施例,采用厚度表征顶高,因此,在本步骤中,首先,通过相互独立并分别对应底高和厚度的时空预测网络,对底高和厚度进行预测,获得目标区域在待预测时间点的底高和厚度的预测值;然后,根据底高和厚度的预测值,计算获得目标区域在待预测时间点的顶高的预测值。
[0091]
具体的,在本实施例中,根据底高和厚度的预测值,按如下公式,根据底高和厚度是否为0的情况,计算获得目标区域在待预测时间点t的顶高的预测值:
[0092][0093][0094]
其中,表示待预测时间点t的位置(xi,yj)处的顶高,表示待预测时间点t的位置(xi,yj)处的底高,表示待预测时间点t的位置(xi,yj)处的厚度,xi和yj分别表示位置的经度和纬度,i和j分别为该位置在目标区域中沿x轴的序号和沿y轴的序号。
[0095]
时空预测网络,可以采用任意的现有的气象二维时空数据的时空预测模型。比如:所述时空预测网络为n层的convlstm网络,且每层包括堆叠的l个convlstm模块;在步骤s3中,将时空时序数据中的n个时空数据,按顺序输入convlstm网络的n层,并分别经过堆叠的l个convlstm模块,得到n个时空数据的隐藏层特征;然后,将得到n个隐藏层特征进行堆叠,再通过线性层进行融合,获得最终的预测值。这里的n层是与时空时序数据包括n个时空数据相对应,每一层分别输入一个时空数据。
[0096]
但对于一个目标区域,若将其划分为多个子区域,则既有存在悬空波导的子区域,称之为高频区域;也有不存在悬空波导的子区域,称之为低频区域,而由于悬空波导高度在高频区域内存在着大量的高频细节,因此,应将高频区域作为重点区域。通过自注意力模块的注意力权重,可以使得模型迭代与优化中重点关注区域中的高频区域,增强模型对高频细节的学习能力。因此,本实施例的convlstm网络,不同于原生的convlstm,增加了自注意力计算部分。
[0097]
具体的讲,本实施例中,搭建的时空预测网络如图1所示,所述时空预测网络为n层的convlstm网络,且每层包括堆叠的l个convlstm模块,且所述convlstm模块包括convlstm子模块和自注意力子模块;所述convlstm模块以convlstm子模块输出的特征向量作为其输出的特征向量,并以convlstm子模块输出的隐藏层特征,在经过自注意力子模块处理后,所获得结果作为其输出的隐藏层特征。
[0098]
在本步骤中,将时空时序数据中的n个时空数据,按顺序输入convlstm网络的n层,并分别经过堆叠的l个convlstm模块,得到n个时空数据的隐藏层特征;然后,将得到n个隐藏层特征进行堆叠,再通过线性层进行融合,获得最终的预测值。
[0099]
本实施例中的convlstm模块的结构如图2所示:
[0100]
所述convlstm子模块的公式如下:
[0101][0102][0103][0104][0105][0106]
其中,x为convlstm子模块的输入特征,初始时为时空数据,之后为c表示convlstm子模块输出的特征向量,h表示convlstm子模块输出的隐藏层特征,h表示经自注意力子模块处理后所获得的隐藏层特征;下标n表示其位于n层convlstm网络中的第n层,上标l表示其位于第n层中堆叠的l个convlstm模块中的第l个;*表示卷积运算,
°
表示hadamard乘法,σ表示激活函数,w
x1
、w
x2
、w
x3
、w
x4
、w
h1
、w
h2
、w
h3
、w
h4
、w
c1
、w
c2
和w
c3
均为可学习权重,b1、b2、b3和b4均为可学习偏置;
[0107]
所述自注意力子模块的公式如下:
[0108][0109][0110][0111][0112]
其中,wq、wk和wv分别表示卷积滤波器。
[0113]
针对上述悬空波导空间分布的预测方法的模型训练,首先按如下步骤进行样本数据的制备:
[0114]
首先,收集某区域在多个历史时刻的悬空波导高度数据集作为三维气象数据样本,其数据形式是{时间点t,经度lon,纬度lat,顶高t,底高b}。
[0115]
然后,对数据进行清洗,以清除在测量过程中由于设备问题测得的脏数据,数据主要存在的脏数据主要有负值、孤立值和缺失值,其中,负值为高度为负的数据,对其修正为0;孤立值则为值不为0且与周围数据不连续的数据,对其修正为0;缺失值则为值为0且与周围数据不连续的数据,对其采用周期数据的平均值进行修正。
[0116]
清洗完成后,再对数据进行要素对齐。由于测量设备的原因,同一时间点和空间点的顶高t,底高b,可能出现一个为0、一个不为0的情况。然而,在实际情况中,三维气象一般会占据一定的空间形成一个封闭区域,因此,同一时间点和空间点的顶高t,底高b一定都为0或都不为零。本实施例,使用对齐函数alignment(),将数据集中的特征进行对齐,也即:顶高t,底高b都不为0时,保留原值;其中之一为0时,都赋值为0。
[0117]
接着,基于上述清洗并对齐的数据,通过翻转进行扩增,翻转指的是每个数据样本的翻转度为90、180和270。
[0118]
最终,通过对上述数据按设定的目标区域进行截取,获得训练样本。
[0119]
在获得训练样本后,针对预测底高和厚度的时空预测网络,分别按如下步骤进行训练:
[0120]
a1、获取样本数据并按步骤s1的方式进行数据预处理,获得包含对应特征的二维
时序数据;
[0121]
a2、从步骤a1获得的二维时序数据中,选择一个时间点作为待预测时间,并将该时间点的二维数据作为对应特征的真实值;按步骤s2的方式,构建该特征的时空时序数据;
[0122]
a3、将步骤a2获得的时空时序数据,输入时空预测网络,获得对应特征的预测值;
[0123]
a4、基于对应特征的真实值和预测值,进行损失计算;
[0124]
a5、重复步骤a2~a4,直至模型收敛,获得对应特征的完成训练的时空预测网络。
[0125]
训练过程中,使用adam优化器对解码器进行优化训练。在训练超参数方面,将训练轮次设置为5000,学习率设置为0.001,学习率随迭代次数增加而衰减,衰减周期为1000,衰减学习率设为0.5。
[0126]
同时,在训练阶段,将获取的样本数据,按比例划分为训练集、验证集和测试集,其中,训练集用于训练模型拟合参数,验证集用于确定网络结构拟合超参数,测试集用于评估最终模型的性能;
[0127]
在采用训练集进行训练时,采用如下所示的smoothl1loss损失函数,进行损失计算:
[0128][0129]
在采用验证集进行验证时,采用如下所示的l2loss损失函数,进行损失计算:
[0130][0131]
其中,i和j分别表示目标区域沿x轴的位置数量和沿y轴的位置数量,i和j分别表示沿x轴的位置序号和沿y轴的位置序号,表示模型对位置(xi,yj)处对应特征的预测值,y表示位置(xi,yj)处对应特征的真实值。
[0132]
最后应当说明的是,上述实施例仅是优选实施方式,并不用以限制本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出若干修改,等同替换、改进等,均应包含在本发明的保护范围之内。
技术特征:
1.一种悬空波导空间分布的预测方法,其特征在于,包括以下步骤:s1、获取目标区域的悬空波导数据,所述悬空波导数据包括顶高、底高、经度、纬度和时间,所述目标区域为完整覆盖对应悬空波导的区域;将所述悬空波导数据,分解转化为两个二维时序数据;所述二维时序数据为一组二维数据按时间先后进行排序所构成的序列,所述二维数据呈网格状,其二维为经度和纬度,并由对应的表征顶高或底高的数据构成二维数据中各经度和纬度位置处的特征,且所述两个二维时序数据的特征分别表征顶高和底高;s2、针对各个特征,分别根据目标区域的待预测时间点t,构建对应该特征的时空时序数据,所述时空时序数据包括n个按时间排序并位于待预测时间点t之前的时空数据,所述n为预设的数量,且n为大于2的整数;并按如下步骤,获得所述时空时序数据:首先,从对应该时空时序数据的特征的二维时序数据中,提取待预测时间点t之前的m*n个连续时间点的二维数据,且m为大于等于2的整数;然后,对m*n个二维数据,划分为n个时间段,每个时间段对应一个聚合组,每个聚合组分别包含m个连续时间点的二维数据;再然后,针对各聚合组,分别按如下公式进行聚合,获得所述时空时序数据的各时空数据:其中,f(x
i
,y
j
,t
n
)表示时空时序数据中时间点为t
n
的时空数据的位置(x
i
,y
j
)处的特征,x
i
和y
j
分别表示该特征所在位置的经度和纬度,i和j分别为该位置在目标区域中沿x轴的序号和沿y轴的序号,t
n
表示时空数据所在的时间点,n为该时空数据在时空时序数据中的序号;w
m
和w
qp
分别为权重参数;q
m
和p
m
分别表示第m个二维数据中对应位置(x
i
,y
j
)的聚合区域沿x轴的数量和沿y轴的数量,m表示该二维数据在聚合组中的序号,且聚合组中m个二维数据的聚合区域的中心均为(x
i
,y
j
),h(x
q
,y
p
,t
n-m)表示第m个二维数据的聚合区域中位置(x
q
,y
p
)处的特征,对于聚合区域超出目标区域的部分,其经度和纬度按网格的间距填充、特征以目标区域边缘部分复制填充;s3、将步骤s2获得的各特征的时空时序数据,输入相互独立并分别对应各特征的时空预测网络,对各特征进行预测,获得目标区域在待预测时间点的顶高和底高的预测值。2.如权利要求1所述的一种悬空波导空间分布的预测方法,其特征在于,采用厚度表征顶高,所述厚度为相同时间相同位置处的顶高和底高之差;在步骤s1中,所述两个二维时序数据的特征分别为底高和厚度;在步骤s3中,首先,通过相互独立并分别对应底高和厚度的时空预测网络,对底高和厚度进行预测,获得目标区域在待预测时间点的底高和厚度的预测值;然后,根据底高和厚度的预测值,计算获得目标区域在待预测时间点的顶高的预测值。3.如权利要求2所述的一种悬空波导空间分布的预测方法,其特征在于,根据底高和厚度的预测值,按如下公式,计算获得目标区域在待预测时间点t的顶高的预测值:度的预测值,按如下公式,计算获得目标区域在待预测时间点t的顶高的预测值:
其中,表示待预测时间点t的位置(x
i
,y
j
)处的顶高,表示待预测时间点t的位置(x
i
,y
j
)处的底高,表示待预测时间点t的位置(x
i
,y
j
)处的厚度,x
i
和y
j
分别表示位置的经度和纬度,i和j分别为该位置在目标区域中沿x轴的序号和沿y轴的序号。4.如权利要求1所述的一种悬空波导空间分布的预测方法,其特征在于,步骤s2中,聚合组中m个二维数据的聚合区域,按时间先后,距离对应时空数据的时间点t
n
的时间差越大则聚合区域越大。5.如权利要求1所述的一种悬空波导空间分布的预测方法,其特征在于,所述各聚合区域对应(x
i
,y
j
)处的权重参数w
qp
,随距离对应时空数据的时间点t
n
的时间差的增加而递增,并满足0<w
qp
<1且m∈m;所述聚合区域的权重参数w
m
,随距离对应时空数据的时间点t
n
的时间差的增加而递减,并满足0<w
m
<1且6.如权利要求5所述的一种悬空波导空间分布的预测方法,其特征在于,所述n和m设定为3;聚合组中m个二维数据的聚合区域,按距离对应时空数据的时间点t
n
的时间差由小到大,聚合区域分别设置为3
×
3、5
×
5、7
×
7;且,聚合区域3
×
3、5
×
5、7
×
7的权重参数w
qp
分别设置为:分别设置为:
聚合区域3
×
3、5
×
5、7
×
7的权重参数w
m
分别设定为:1/2、1/3和1/6。7.如权利要求1所述的一种悬空波导空间分布的预测方法,其特征在于,针对各特征的时空预测网络,分别按如下步骤进行训练:a1、获取样本数据并按步骤s1的方式进行数据预处理,获得包含对应特征的二维时序数据;a2、从步骤a1获得的二维时序数据中,选择一个时间点作为待预测时间,并将该时间点的二维数据作为对应特征的真实值;按步骤s2的方式,构建该特征的时空时序数据;a3、将步骤a2获得的时空时序数据,输入时空预测网络,获得对应特征的预测值;a4、基于对应特征的真实值和预测值,进行损失计算;a5、重复步骤a2~a4,直至模型收敛,获得对应特征的完成训练的时空预测网络。8.如权利要求7所述的一种悬空波导空间分布的预测方法,其特征在于,在训练阶段,将获取的样本数据,按比例划分为训练集、验证集和测试集,其中,训练集用于训练模型拟合参数,验证集用于确定网络结构拟合超参数,测试集用于评估最终模型的性能;在采用训练集进行训练时,采用如下所示的smoothl1loss损失函数,进行损失计算:在采用验证集进行验证时,采用如下所示的l2loss损失函数,进行损失计算:其中,i和j分别表示目标区域沿x轴的位置数量和沿y轴的位置数量,i和j分别表示沿x轴的位置序号和沿y轴的位置序号,表示模型对位置(x
i
,y
j
)处对应特征的预测值,y表示位置(x
i
,y
j
)处对应特征的真实值。9.如权利要求1、2、3、4、5、6、7或8所述的一种悬空波导空间分布的预测方法,其特征在于,所述时空预测网络为n层的convlstm网络,且每层包括堆叠的l个convlstm模块;在步骤
s3中,将时空时序数据中的n个时空数据,按顺序输入convlstm网络的n层,并分别经过堆叠的l个convlstm模块,得到n个时空数据的隐藏层特征;然后,将得到n个隐藏层特征进行堆叠,再通过线性层进行融合,获得最终的预测值。10.如权利要求1、2、3、4、5、6、7或8所述的一种悬空波导空间分布的预测方法,其特征在于,所述时空预测网络为n层的convlstm网络,且每层包括堆叠的l个convlstm模块,且所述convlstm模块包括convlstm子模块和自注意力子模块;所述convlstm模块以convlstm子模块输出的特征向量作为其输出的特征向量,并以convlstm子模块输出的隐藏层特征,在经过自注意力子模块处理后,所获得结果作为其输出的隐藏层特征;在步骤s3中,将时空时序数据中的n个时空数据,按顺序输入convlstm网络的n层,并分别经过堆叠的l个convlstm模块,得到n个时空数据的隐藏层特征;然后,将得到n个隐藏层特征进行堆叠,再通过线性层进行融合,获得最终的预测值。11.如权利要求10所述的一种悬空波导空间分布的预测方法,其特征在于,所述convlstm子模块的公式如下:所述convlstm子模块的公式如下:所述convlstm子模块的公式如下:所述convlstm子模块的公式如下:所述convlstm子模块的公式如下:其中,x为convlstm子模块的输入特征,初始时为时空数据,之后为c表示convlstm子模块输出的特征向量,h表示convlstm子模块输出的隐藏层特征,h表示经自注意力子模块处理后所获得的隐藏层特征;下标n表示其位于n层convlstm网络中的第n层,上标l表示其位于第n层中堆叠的l个convlstm模块中的第l个;*表示卷积运算,表示hadamard乘法,σ表示激活函数,w
x1
、w
x2
、w
x3
、w
x4
、w
h1
、w
h2
、w
h3
、w
h4
、w
c1
、w
c2
和w
c3
均为可学习权重,b1、b2、b3和b4均为可学习偏置;所述自注意力子模块的公式如下:所述自注意力子模块的公式如下:所述自注意力子模块的公式如下:所述自注意力子模块的公式如下:其中,w
q
、w
k
和w
v
分别表示卷积滤波器。
技术总结
本发明属于气象时空预测领域,其公开了一种悬空波导空间分布的预测方法,首先,对目标区域待预测时间点之前的悬空波导数据,分解转化为两个二维时序数据,一个表征顶高,另一个表征底高;然后,分别针对表征顶高的二维时序数据和表征底高的二维时序数据,构建待预测时间点之间的时空时序数据,作为对应时空预测网络的输入,而上述时空时序数据中的各个时空数据,分别通过对其所在时间点之前的时间点的特征进行聚合获得;最后,通过时空预测网络,获得目标区域在待预测时间点的顶高和底高的预测值。本发明通过预处理和聚合,获得二维的时空数据,使其适配现有处理气象二维时空数据的时空预测模型,以低成本的方式,实现对悬空波导空间分布的预测。空间分布的预测。空间分布的预测。
技术研发人员:田玲 闫科 孙明 田斌 朱巡洋 成达 张奔
受保护的技术使用者:电子科技大学
技术研发日:2023.06.06
技术公布日:2023/9/7
版权声明
本文仅代表作者观点,不代表航家之家立场。
本文系作者授权航家号发表,未经原创作者书面授权,任何单位或个人不得引用、复制、转载、摘编、链接或以其他任何方式复制发表。任何单位或个人在获得书面授权使用航空之家内容时,须注明作者及来源 “航空之家”。如非法使用航空之家的部分或全部内容的,航空之家将依法追究其法律责任。(航空之家官方QQ:2926969996)
航空之家 https://www.aerohome.com.cn/
飞机超市 https://mall.aerohome.com.cn/
航空资讯 https://news.aerohome.com.cn/
上一篇:一种医疗器械检修用示波器的制作方法 下一篇:一种用于轮胎翻新的密封装置的制作方法