CN119494234A 一种气象要素的预测方法及相关设备 （华为技术有限公司）

本申请公开了一种气象要素的预测方法及气象要素的预测结果。本申请实施例采用基于Koopman算子构建的多头注意力预测模块对多气2对所述多个气象要素的历史数据进行编码，以得到表征所述多个气象通过构建的多头注意力预测模块对所述第一矩阵的列数据或行数据基于所述多头注意力预测模块的预测结果进行解码，得到通过编码器对所述多个气象要素的历史数据进行块patch嵌入，得到表征所述多个气3.根据权利要求1或2所述的方法，其特征述第一矩阵的列数据或行数据进行并行处理，得到所述多头注意力预测模块的预测结果，将所述低频特征输入第i个融合特征提取模块中的Koopman算子进行对所述初始预测结果进行傅里叶逆变换，以将所述初始将傅里叶逆变换后的预测结果与高频特征融合，得到第i个融合特征提取模块输出的模块中最后一个融合特征提取模输出的高低频融合特征为所述注意力预测模块的预测结3基于所述第三矩阵对所述多头注意力预测模块的预测结果进行耦通过解码器将所述待解码矩阵解码回所述多个气象要素的历史数据的原始空6.根据权利要求4所述的方法，其特征在于，每个所述融所述处理单元，用于对所述多个气象要素的历史数据进行编码，以理器执行时实现如权利要求1_6中任一项所9.一种计算机可读存储介质，其特征在于，所述所述电子设备执行如权利要求1_6中任一项4[0003]本申请实施例提供了一种气象要素的预测方法及相关设备，采用基于Koopman算精度。电子设备通过多头注意力预测模块的框架能够对气象要素间的非线性关系进行捕[0011]通过编码器对多个气象要素的历史数据进行块patch嵌入，得到表征多个气象要[0013]该实现方式中，通过patch嵌入得到的第一矩阵并不是基于一致的权重得到的各5[0014]在一种可能的实现方式中，每头注意力预测模块中包括[0022]将傅里叶逆变换后的预测结果与高频特征融合，得到第i个融合特征提取模块输[0025]该实现方式中，电子设备在每个融合特征提取模块中采用Koopman算子对气象要6[0032]在一种可能的实现方式中，每个融合特征提取模块中的Koopman算子是按照设定[0038]通过编码器对多个气象要素的历史数据进行块patch嵌入，得到表征多个气象要[0040]在一种可能的实现方式中，每头注意力预测模块中包括7[0047]将傅里叶逆变换后的预测结果与高频特征融合，得到第i个融合特征提取模块输[0055]在一种可能的实现方式中，每个融合特征提取模块中的Koopman算子是按照设定[0056]可以理解的是，由于方法实施例与装置实施例为相同技[0062]图1为本申请实施例提供的一种搞分辨率网格与低分辨率网格的优缺点的示意[0066]图5为本申请实施例提供的一种多气象要素的预测框架中注意力预测模块的示意8端设备上运行的应用和终端设备都可以是部件。一个或多个部件可驻留在进程和/或执行[0074](1)神经算子(NeuralOperator，NO)：一种用于学习偏微分方程(partial种线性但无限维的神经算子。其可以利用非线性系统的数据将其提升至无穷维的状态空[0078]数值天气预报的底层技术是PDE数值求解及高性能计算(Highperformance9[0079]因此，现有的数值全球气象预测系统往往面临计算复杂度和计算精度的权衡问[0080]现有技术之一是以IFS为代表的主流数值气象预报框架，这些预测框架的部署比[0081]现有技术之二是英伟达发布的基于傅立叶神经算子(FourierNeura上的输入变量投影到块(patch)的2维空间，然后将patch序列连同位置编码一起馈送到一[0082]现有技术之三是一种基于图形神经网络和新型高分辨率多尺度网格表示的自回面变量和六个大气变量进行为期10天的预测。GraphCast是一种纯黑盒方案，需要很多图神经算子的多头注意力预测模块，使用Koopman算子作为基础计算单元，构建了Head1，[0088]请参见图3，图3为本申请实施例提供的一种气象要素的可通过图2所示的框架学习偏微分方程的方程解，以准确地表征气象变量γ1,…,γh的动个部分(part1)主要在数据编码与气象要素耦合关系矩阵生成与稀疏化模块中实现。示例维令牌Token张量为便于描述，将三维Token张量联合表示为e(F).示例实现，Token嵌入层中通过卷积层ce进行嵌入，嵌入完成的patch可参见图4。其中，每个的网格在空间域D被离散化为(长/4)×(高/4)个patch。其中，l表示patch的嵌入维度，Token嵌入后的patch对应的N×N矩阵(即第二矩阵)用于表征N个气象要素间[0094]该实现方式中，通过patch嵌入得到的第一矩阵并不是基于一致的权重得到的各[0095]303：通过构建的多头注意力预测模块对第一矩阵的列数据或行数据进行并行处[0104]将傅里叶逆变换后的预测结果与高频特征融合，得到第i个融合特征提取模块输态迭代可以表示为：gF(Ft+e)-esgF(Fi)=lgF'(ft+e)…gF'(ft+e)l:gF(Gt+e)表习得到，网络层s表示Koopman算子的预测过程是先经过一个线性层w,再由非线性激活函换后的预测结果(Ft+e)与part5输出的高频特征gc(Gt+e)进行融合，得到第1个融合特[0108]第2个融合特征提取模块以第1个融合特征提取模块输出的高低频融合特征为输征提取模块输出的高低频融合特征。后续融合特征提取模块的处理过程可参照第1个融合特征提取模块和第2个融合特征提取模块，此处不再一一展开描述。每头注意力预测模块取模块输出对应注意力预测模块的预测结果(即[0109]示例性的，每个融合特征提取模块中的Koopman算子是按照设定的迭代次数进行[0110]该实现方式中，电子设备在每个融合特征提取模块中采用Koopman算子对气象要图5，在第7个部分(part7)通过解码器将预测结果融合矩阵解码回多个气象要素的历史数的历史数据的原始空间，得到多个气象要素的预测结果，其中，稀疏约束可采用非线性精度。电子设备通过多头注意力预测模块的框架能够对气象要素间的非线性关系进行捕[0117]为了验证本申请所能实现的有益效果，研究人员在ERA5(欧洲中期天气预报中心海浪数据集、国内某气象预测局的气象数据集上进行了实验，相比FourCastNet的预测精[0125]请参见图6，图6为本申请实施例提供的另一种气象要素的预测方法的流程示意[0129]604：通过构建的多头注意力预测模块对第一矩阵的列数据或行数据进行并行处块中包括Koopman算子；多个融合特征提取模块中第i个融合特征提取模块的输入为第(i_[0137]将傅里叶逆变换后的预测结果与高频特征融合，得到第i个融合特征提取模块输[0140]其中，每个融合特征提取模块中的Koopman算子是按照设定的迭代次数进行动态[0149]请参见图7，图7为本申请实施例提供的一种气象要素的预测装置的结构示意[0153]通过编码器对多个气象要素的历史数据进行块patch嵌入，得到表征多个气象要[0162]将傅里叶逆变换后的预测结果与高频特征融合，得到第i个融合特征提取模块输[0170]示例性的，每个融合特征提取模块中的Koopman算子是按照设定的迭代次数进行预测模块对各气象要素间的耦合关系进行分析和预测，显著提升了气象要素预测的精度。[0172]基于上述方法实施例以及装置实施例的描述，本申请实施例还提供一种电子设存储器(read_onlymemory，ROM)、可擦除可编程只读存储器(erasableprogrammable[0181]通过编码器对多个气象要素的历史数据进行块patch嵌入，得到表征多个气象要[0183]在一种可能的实现方式中，每头注意力预测模块中包括[0184]在一种可能的实现方式中，处理器801执行通过构建的多头注意力预测模块对第[0190]将傅里叶逆变换后的预测结果与高频特征融合，得到第i个融合特征提取模块输[0193]在一种可能的实现方式中，处理器801执行基于多头注意力预测模块的预测结果[0198]在一种可能的实现方式中，每个融合特征提取模块中的Koopman算子是按照设定度。电子设备通过多头注意力预测模块的框架能够对气象要素间的非线性关系进行捕捉，可以是至少一个位于远离前述处理器的计算机[0207]还应理解，本申请实施例中提及的存储器可以是易失性存储器或非易失性存储存储器(ProgrammableROM，PROM)、EPROM、电可擦除可编程只读存储器(Electrically步动态随机存取存储器(EnhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(SynchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(Direc