CN119511417A 用于气象预报的方法、计算机设备、系统、计算机可读存储介质和计算机程序产品 （上海人工智能创新中心）

层本发明涉及利用计算模型的计算机系统领中估计第一帧中的参考单元从参考位置运动到2从所述气象数据提取深度学习特征，所述深度学习特征包括在特征空间中的多个帧，面内的水平维度以及垂直于所述参考平面的垂在所述特征空间中估计所述多个帧中的第一帧中的参考单元从所述第一帧中的参考基于所述水平位移、在所述特征空间中根据三维连续性方程基于所述垂直位移对所述方向卷积结果进行加权，以确述经修正的深度学习特征用于预测将来时刻的计算所述参考单元相对于在所述第二帧中的邻域中的每个潜在目标位置处的单元的使用所述特征相似度对所述参考单元从所述参考位置运动到所述邻域中的每个潜在将与每个潜在目标位置相关联的潜在水平位移的加权和通过使所述第二帧与光流形变后的第一帧的误差最小化来确定所述参考单元从所述参考位置运动到所述目标基于所述水平位移、在所述特征空间中根据三维连续性方程3将所述空间维度分解为由所述第一水平维度和所述垂直维度限定的第一平面和由所在所述第一平面上的第一多个方向上对所述深度学习特征执行方向卷在所述第二平面上的第二多个方向上对所述深度学习特征执行方向卷组合所述第一多个方向卷积结果和所述第二多个方向卷基于所述垂直位移确定第一多个权重和第二多个权重，所述第一多基于所述垂直位移和所述水平位移确定第一多个权重和第二多个被处理器执行时实现如权利要求1_12中的任一项所述的行时实现如权利要求1_12中的任一项所述的方法4[0003]中国专利申请公布CN108693534A公开了NRIETX波段雷达协同组网分析方法，proceedings.neurips.cc/paper/5955_convolutional_lstm_network_a_machine_[0010]本邻域中需要更好地利用反映真实大气状态的数据来进行更准确的气象预报的5中的参考单元从所述第一帧中的参考位置运动到所述多个帧中的第二帧中的目标位置所对所述参考单元从所述参考位置运动到所述邻域中的每个潜在目标位置的潜在水平位移加权以及将与每个潜在目标位置相关联的潜在水平位移的加权和估水平维度和所述垂直维度限定的第一平面和由所述第二水平维度和所述垂直维度限定的第二平面；在所述第一平面上的第一多个方向上对所述深度学习特征执行方向卷积运算，直位移确定第一多个权重和第二多个权重，所述第一多个权重与所述第一多个方向相关6重和所述第二多个权重对所述方向卷积结果计算机程序被处理器执行时实现如以上任一[0031]与传统的利用深度学习网络、基于多层的气象数据进行气象预报的现有技术相7[0037]图4是根据本发明的一些实施例的估计一个帧中的参考单元运动到下一帧中的邻[0040]图7示出根据本发明的一些实施例的确定参考单元从参考位置运动到目标位置的[0041]图8是根据本发明的一些实施例的一个帧内的参考单元从参考位置运动到相邻帧[0042]图9示出根据本发明的一些实施例的对深度学习特征执行方向卷积运算的第五过[0043]图10示出根据本发明的一些实施例的对方向卷积结果进行加权的第六过程的第[0044]图11示出根据本发明的一些实施例的对方向卷积结果进行加权的第七过程的第[0045]图12示出根据本发明的一些实施例的对深度学习特征执行方向卷积运算并对方[0046]图13是根据本发明的一些实施例的对深度学习特征执行方向卷积运算并对方向[0056]气象数据可以是能够通过气象探测手段获得，并且能够用于进行气象预报的数8平面预定高度的平面内的水平维度以及垂直于参考[0069]一些实施例从气象数据提取深度学习特征，对深度学习9[0074]图2示出根据本发明的一些实施例的估计水平位移的第一过程200的第一流程第一过程200可以是图1中的方法100的步骤130的具体实现方式，但本发明的范围不限于[0080]第一过程200通过在两个不同的水平维度上分别估计参考单元从参考位置运动到[0081]图3示出根据本发明的一些实施例的估计水平位移的第二过程300的第二流程第二过程300可以是图1中的方法100的步骤130的具体实现方式，但本发明的范围不限于[0085]第二过程300基于参考单元的参考位置到邻域中的每个潜在目标位置确定潜在水[0088]图4是根据本发明的一些实施例的估计一个帧中的参考单元运动到下一帧中的邻[0091]为了确定第一参考单元415在后一时刻t+△t可能运动到的区域，可在第二帧450帧450中的第一邻域455中的每个潜在目标位置处的单元确定相关特征C(t,z,x,y)：[0093]C(t,z,x,y)={Sim(F(t,z,x,y),F(t+△t,z+△z,x+△p,y+△p)|△p415的特征，并且F(t+△t,z+△z,x+△p,y+△p)表示第二帧450中的一个潜在目标位置其与下一时刻处于垂直维度Z上的每个高度处的帧中的该参考单元邻域内的每个潜在目标每个参考单元运动到相应邻域内的潜在目标[0096]可将针对特定的参考单元(t,z,x,y)计算得到的相关特征C(t,z,x,y)标记程可以是图1中的方法100的步骤130的具体实施方式、图2中的第一过程200的具体实施方阵530中在与每个潜在目标位置对应的位置处所示的数字是对应的潜在目标单元的特征相[0102]可确定第二参考单元510在第二邻域520中的潜在水平位移（图5中纸面所在的平形成的九宫格的中心位置作为第二参考单元510运动的起点，分别确定其运动到相邻位置对应的潜在水平位移。在所示实施例中，在互相垂直的两个水平维度分别确定相应的潜在置，参考单元运动到该位置的潜在水平位移可标记为(0,_1)，其表明在第一水平维度上运动到该位置的潜在水平位移可标记为(1,0)。参考单元运动到其他位置的潜在水也可以类似方式确定并标记。[0105]可分别在第一水平维度和第二水平维度上对加权的潜在水平位移矩阵550的各加[0106]作为示例，可按如下方式对第一水平维度上的加权的潜在水平位移矩阵550的各例，可按如下方式对第二水平维度上的加权的潜在水平位移矩阵550的各加权的潜在水平为(0.32,0.32)。[0107]在一些实施例中，图5中所述的计算过程可通过Transform[0108]图6示出根据本发明的一些实施例的估计水平位移的第三过程600的第三流程第三过程600可以是图1中的方法100的步骤130的具体实现方式，但本发明的范围不限于[0111]图7示出根据本发明的一些实施例的确定参考单元从参考位置运动到目标位置的垂直位移的第四过程700的流程图。第四过程700可以是图1中的步骤140的具体实施方式，[0115]图8是根据本发明的一些实施例的一个帧内的参考单元从参考位置运动到相邻帧域823中的目标位置825。第三参考单元815在第四帧820中可运动到第三邻域823中的目标[0119]参考单元在水平维度上运动的水平位移可通过图1中的方法100的步骤130确定，位移为W(t,Z1,x,y)，则单元(t,Z,x,y)的垂直位移W(t,Z,x,y)可通过以下公式[0130]图9示出根据本发明的一些实施例的对深度学习特征执行方向卷积运算的第五过程900的流程图。第五过程900可以是图1中的方法100的步骤150，但本发明的范围不限于度学习特征可以是图1中的方法100的步骤120中提取的深深度学习特征在特定方向上的特征，为进一步利用垂直位移进行特征的方向选择提供基[0136]图10示出根据本发明的一些实施例的对方向卷积结果进行加权的第六过程1000[0137]第六过程1000可包括步骤1010：基于垂直位移确定第一多个权重和第二多个权[0138]垂直位移可以是通过图1中的方法100的步骤140中确定的垂直位移或通过上文结[0139]第一多个权重可与第一多个方向相关联。第一多个方向可以是图9中的第五过程可以是图9中的第五过程900的步骤930中的[0141]一些实施例基于垂直位移来确定与对深度学习特征执行相应的方向卷积运算对[0143]图11示出根据本发明的一些实施例的对方向卷积结果进行加权的第七过程1100[0145]垂直位移可以是通过图1中的方法100的步骤140中确定的垂直位移或通过上文结[0146]第一多个权重可与第一多个方向相关联。第一多个方向可以是图9中的第五过程可以是图9中的第五过程900的步骤930中的[0148]一些实施例基于垂直位移和水平位移来确定与对深度学习特征执行相应的方向[0150]图12示出根据本发明的一些实施例的对深度学习特征执行方向卷积运算并对方[Z,X]1224上的特征可具有维度[T,Y,C,Z,X]。[0154]在步骤1228处，在平面[Z,X]1224中的N2个方向上对第一深度学习特征方法100的步骤140中确定的垂直位移或通过上文结合图7、图8描述的过程确定的垂直位移W1250可以是图1中的方法100的步骤140中确定的垂直位移或通过上文结合图7、图8描的深度学习特征可以是图1中的方法100的步骤180中的预测的深度学习特征，其可被用于[0160]图13是根据本发明的一些实施例的对深度学习特征执行方向卷积运算并对方向图9中的第五过程900结合图11中的第七过程1100的实施细节或图12中的第八过程1200的由垂直维度和另一水平维度限定。第二深度学习特征1310相应地分别为分解为第一特征1332和第二特征1334。平面分解阶段1320可与图9中的第五过程900的步骤910或图12中的一方向卷积结果1353可具有维度[T,X,N1×C,Z,Y]。下文将结合图14进一步描述用于方向卷积运算的卷积核的细节。可用在另一个平面上的N2个方向卷积核1355对第二特征方向卷积结果1357可具有维度[T,Y,N2×C,Z,X]。方向卷积阶段1340可与图9中的第五N1×N2,C,X,Y]。平面组合阶段1360可与图9中的第五过程900的步骤970或图12中以是图1中的方法100的步骤140处确定的垂直位移或通过上文图7、图8描述的过程确定的正的深度学习特征1397可具有维度[T,Z,C,X,Y]。可对第二经修正的深度学习特征[0169]加权阶段1380可与图10中的第六过程1000或图11中的第七过程1100或图12中的