开云优惠体育网页版入口

专利名称：一种带有防护功能的收放式气象站

专利类型：发明专利

专利申请号：CN202411241770.5

专利申请（专利权）人：福州亿维格电子有限公司
权利人地址：福建省福州市仓山区建新镇台屿路97号3号楼2层、3层

专利发明（设计）人：周宁,林舒苗

专利摘要：本发明公开了一种带有防护功能的收放式气象站，属于气象预测技术领域，包括：第一获取模块，用于获取历史气象图；构建模块，用于构建极端天气预测模型；建立模块，用于建立对于预测值具有惩罚对称性和局部敏感性的损失函数；训练模块，用于对极端天气预测模型进行训练；第二获取模块，用于将实时气象图作为输入数据输入至训练后的极端天气预测模型，输出多个时间步下的天气特征预测值序列；输出模块，用于根据天气特征预测值序列，输出天气特征极端值窗口期；控制模块，用于根据时序序列对气象站防护设备进行启停控制。增加极端天气预测准确性，进而准确及时的控制气象站防护功能的启停，避免极端天气破坏气象站，增加气象站使用寿命。

主权利要求：
1.一种带有防护功能的收放式气象站，其特征在于，所述带有防护功能的收放式气象站包括：第一获取模块，用于获取所述收放式气象站的历史气象图，其中，所述历史气象图包括多维天气特征；
构建模块，用于构建极端天气预测模型，其中，所述极端天气预测模型包括依次连接的位置编码器、基于稀疏算法以及傅里叶变换算法构建的空间混合模块、通道混合模块和线性解码器；
建立模块，用于建立对于预测值具有惩罚对称性和局部敏感性的损失函数；
训练模块，用于对所述极端天气预测模型进行训练，直至损失函数值小于预设损失函数值；
第二获取模块，用于获取所述收放式气象站的实时气象图，并将所述实时气象图作为输入数据输入至训练后的极端天气预测模型，输出多个时间步下的天气特征预测值序列；
输出模块，用于根据所述天气特征预测值序列，输出天气特征极端值窗口期，其中，所述天气特征极端值窗口期为天气特征预测值大于预设天气特征预测值的时序序列；
控制模块，用于根据所述时序序列对所述气象站防护设备进行启停控制;所述损失函数具体为：
；
其中， 表示关于真实极端值y和预测极端值 的损失函数， 表示缩放函数， 表示逐元素相乘， 表示欧几里得范数的平方，s1和s2表示第一缩放因子和第二缩放因子，s1=0.9a、s2=a， 表示经过缩放后的预测极端值，a表示缩放因子调整系数，表示关于缩放后的预测极端值的缩放约束条件即积分约束， 表示误差范围，表示缩放后的预测极端值 相对于真实极端值y的损失值；
缩放函数具体为：
；
其中， 表示关于真实极端值 和预测极端值 的缩放函数，即在不同条件下的缩放函数的取值情况， 和 分别表示用于描述目标值数据分布的样本阈值，and表示并列关系，or表示选择关系，即当待预测的真实极端值即目标值位于整体数据分布的前百分之十的情况下，认为 是一个较低极端值，当待预测的真实极端值位于整体数据分布的后百分之十的情况下，认为 是一个较高极端值，这两个百分位数被用来识别数据中的极端情况，并根据这些极端情况调整模型的损失函数，以确保模型对这些极端值给予足够的重视；
以提升气象图的清晰度为目标，对所述气象图进行包括图像重建的预处理;所述以提升气象图的清晰度为目标，对所述气象图进行包括图像重建的预处理，具体包括：对所述气象图进行字典学习，以最小化所述气象图的重构误差为目标，获取用于表示气象图基本元素的字典矩阵，学习公式具体为：；
其中， 表示取使得函数 为最小值时的D和C，D表示字典矩阵，C表示系数矩阵，M表示原始数据矩阵， 表示Frobenius范数， 表示L1范数， 表示第一正则化参数；
通过所述字典矩阵对所述气象图进行稀疏编码，以最小化重构误差为目标对用于重构气象图的稀疏系数向量进行寻优：；
其中， 表示取使得函数 为最小值时的c， 表示向量化气象图， 表示用于度量重构误差的L2范数的平方， 表示第二正则化参数，c表示用于重构气象图的稀疏系数向量， ；
根据学习到的字典矩阵和得到的稀疏系数向量对所述气象图进行重构：；
其中，V表示重构得到的气象图。
2.根据权利要求1所述的带有防护功能的收放式气象站，其特征在于，所述天气特征包括温度、湿度、降水量、风速和气压。
3.根据权利要求1所述的带有防护功能的收放式气象站，其特征在于，所述空间混合模块包括傅里叶变换层、多层感知机层、稀疏化层和逆傅里叶变换层；
所述空间混合模块具体用于：
通过所述傅里叶变换层对所述历史气象图进行傅里叶变换，得到频率域历史气象图：；
其中，X表示所述历史气象图， 表示通过所述位置编码器得到的所述历史气象图的补丁位置， 表示补丁位置 的频率域，DFT表示二维离散傅里叶变换；
通过所述多层感知机层和所述稀疏化层对各个频率域进行特征提。海
其中， 表示与输入数据x的标准差 相等的稀疏化参数，MLP表示多层感知机操作，max表示取最大值， 表示所述稀疏化层的稀疏化函数，sign表示关于输入数据x的符号函数， 表示补丁位置 处提取的特征；
对提取的特征进行逆傅里叶变换，并添加残差连接，输出时空域特征：；
其中， 表示逆傅里叶变换， 表示所述逆傅里叶变换层输出的对于补丁位置的时空域特征，即所述空间混合模块的输出， 表示所述历史气象图在补丁位置处的时空域特征。
4.根据权利要求3所述的带有防护功能的收放式气象站，其特征在于，所述通道混合模块具体用于：通过多层感知机对所述时空域特征进行二次特征提。涑鍪笨沼蛉诤咸卣：；
其中， 表示补丁位置 处的时空域融合特征。
5.根据权利要求4所述的带有防护功能的收放式气象站，其特征在于，所述线性解码器具体用于：将所述时空域融合特征输入至所述线性解码器，映射出多个时间步的预测值：；
其中， 表示时刻t间隔多个时间步 相对应的时间点 的预测值，表示对于时间步 的偏置参数， 表示对于时间步 的权重参数。
6.根据权利要求1所述的带有防护功能的收放式气象站，其特征在于，所述训练模块具体用于：将所述历史气象图输入至所述极端天气预测模型进行训练，确定所述极端天气预测模型的超参数，其中，所述超参数包括偏置参数和权重参数。
7.根据权利要求1所述的带有防护功能的收放式气象站，其特征在于，还包括：间隔预设时长对所述极端天气预测模型进行重新训练。 说明书 : 一种带有防护功能的收放式气象站技术领域[0001] 本发明属于气象预测技术领域，具体涉及一种带有防护功能的收放式气象站。背景技术[0002] 气象站是用于监测和收集各种气象数据的设备或设施，包括温度、湿度、风速、气压和降水等信息。这些数据对于预测天气、研究气候变化、指导农业生产以及应对自然灾害具有重要意义。气象站可以是固定的，也可以是移动的，以适应不同的观测需求。[0003] 在极端天气条件下，对气象站进行有效的防护是非常必要的。极端的温度、强风、暴雨、雪、冰冻和其他恶劣天气可能会损坏设备，影响其正常运行和监测数据的准确性，因此，在极端天气下对气象站的结构进行防护，提供防水、防尘、防冻等保护措施，不仅可以延长设备的使用寿命，还能确保在关键时刻收集到可靠的气象数据。[0004] 现有的气象站防护功能很难有效平衡响应速度和响应准确率，有些在极端天气未到来之前便关闭了防护功能，牺牲了气象站的气象监测准确性，这与气象站建成初衷不符。还有些由于过度的注重气象站气象监测准确性，会在极端天气到来时或者到来后才执行防护功能，这对于响应能力要求较高，而现有的方案响应速率较低，会延迟防护，进而导致气象站受损严重，也就是说，现有的气象站防护功能很难准确把握防护功能开启时刻。发明内容[0005] 为了解决现有技术存在的气象站防护功能的开启时刻准确率低，影响气象站正常的气象监测功能，在面临极端天气时使得气象站受损严重的技术问题，本发明提供一种带有防护功能的收放式气象站。[0006] 本发明提供了一种带有防护功能的收放式气象站，带有防护功能的收放式气象站包括：[0007] 第一获取模块，用于获取收放式气象站的历史气象图，其中，历史气象图包括多维天气特征；[0008] 构建模块，用于构建极端天气预测模型，其中，极端天气预测模型包括依次连接的位置编码器、基于稀疏算法以及傅里叶变换算法构建的空间混合模块、通道混合模块和线性解码器；[0009] 建立模块，用于建立对于预测值具有惩罚对称性和局部敏感性的损失函数；[0010] 训练模块，用于对极端天气预测模型进行训练，直至损失函数值小于预设损失函数值；[0011] 第二获取模块，用于获取收放式气象站的实时气象图，并将实时气象图作为输入数据输入至训练后的极端天气预测模型，输出多个时间步下的天气特征预测值序列；[0012] 输出模块，用于根据天气特征预测值序列，输出天气特征极端值窗口期，其中，天气特征极端值窗口期为天气特征预测值大于预设天气特征预测值的时序序列；[0013] 控制模块，用于根据时序序列对气象站防护设备进行启停控制。[0014] 其特征在于，天气特征包括温度、湿度、降水量、风速和气压。[0015] 进一步地，空间混合模块包括傅里叶变换层、多层感知机层、稀疏化层和逆傅里叶变换层；[0016] 空间混合模块具体用于：[0017] 通过傅里叶变换层对历史气象图进行傅里叶变换，得到频率域历史气象图：[0018] ；[0019] 其中，X表示历史气象图， 表示通过位置编码器得到的历史气象图的补丁位置， 表示补丁位置 的频率域，DFT表示二维离散傅里叶变换；[0020] 通过多层感知机层和稀疏化层对各个频率域进行特征提。篬0021] ；[0022] 其中， 表示与输入数据x的标准差 相等的稀疏化参数，MLP表示多层感知机操作，max表示取最大值， 表示稀疏化层的稀疏化函数，sign表示关于输入数据x的符号函数， 表示补丁位置 处提取的特征；[0023] 对提取的特征进行逆傅里叶变换，并添加残差连接，输出时空域特征：[0024] ；[0025] 其中， 表示逆傅里叶变换， 表示逆傅里叶变换层输出的对于补丁位置的时空域特征，即空间混合模块的输出， 表示历史气象图在补丁位置处的时空域特征。[0026] 进一步地，通道混合模块具体用于：[0027] 通过多层感知机对时空域特征进行二次特征提。涑鍪笨沼蛉诤咸卣：[0028] ；[0029] 其中， 表示补丁位置 处的时空域融合特征。[0030] 进一步地，线性解码器具体用于：[0031] 将时空域融合特征输入至线性解码器，映射出多个时间步的预测值：[0032] ；[0033] 其中， 表示时刻t间隔多个时间步 相对应的时间点 的预测值， 表示对于时间步 的偏置参数， 表示对于时间步 的权重参数。[0034] 进一步地，损失函数具体为：[0035] ；[0036] 其中， 表示关于真实极端值y和预测极端值 的损失函数， 表示缩放函数， 表示逐元素相乘， 表示欧几里得范数的平方，s1和s2表示第一缩放因子和第二缩放因子， 表示经过缩放后的预测值，a表示缩放因子调整系数， 表示关于缩放后的预测值的缩放约束条件即积分约束， 表示误差范围， 表示缩放后的预测值相对于真实值y的损失值。[0037] 进一步地，训练模块具体用于：[0038] 将历史气象图输入至极端天气预测模型进行训练，确定极端天气预测模型的超参数，其中，超参数包括偏置参数和权重参数。[0039] 进一步地，还包括：以提升气象图的清晰度为目标，对气象图进行包括图像重建的预处理。[0040] 进一步地，以提升气象图的清晰度为目标，对气象图进行包括图像重建的预处理，具体包括：[0041] 对气象图进行字典学习，以最小化气象图的重构误差为目标，获取用于表示气象图基本元素的字典矩阵，学习公式具体为：[0042] ；[0043] 其中， 表示取使得函数 为最小值时的D和C，D表示字典矩阵，C表示系数矩阵，M表示原始数据矩阵， 表示Frobenius范数， 表示L1范数， 表示第一正则化参数；[0044] 通过字典矩阵对气象图进行稀疏编码，以最小化重构误差为目标对用于重构气象图的稀疏系数向量进行寻优：[0045] ；[0046] 其中， 表示取使得函数 为最小值时的c， 表示向量化气象图， 表示用于度量重构误差的L2范数的平方， 表示第二正则化参数，c表示用于重构气象图的稀疏系数向量， ；[0047] 根据学习到的字典矩阵和巡游得到的稀疏系数向量对气象图进行重构：[0048] ；[0049] 其中，V表示重构得到的气象图。[0050] 进一步地，还包括：[0051] 间隔预设时长对极端天气预测模型进行重新训练。[0052] 与现有技术相比，本发明至少具有以下有益技术效果：[0053] 在本发明中，通过构建具有空间混合模块和通道混合模块的极端天气预测模型，提取气象图中的频率特征和空间域特征，捕捉气象图的多特征信息以及多特征信息之间的隐藏关联关系，进而准确提取气象图特征，增加基于该特征进行气象预测的准确性，另外，稀疏算法的引入使得特征图中偏离极值的大部分特征点置零，进而使得进入预测阶段的特征数据更多的保留极值特征，有助于模型学习并捕捉到极值气象值，不仅能够避免大量无关特征点对于预测准确率的影响，使得预测得到的极值更准确，进而更准确的控制防护设备的启停。在模型的训练过程中，建立对于预测值具有惩罚对称性和局部敏感性的损失函数对于得到的极端值附近的预测值使用不同的缩放因子，更多的关注极端值，而惩罚对称性的引入确保了模型在极端值预测时既不会过低估也不会过高估，从而在极端天气预测等关键应用中提供更准确的输出，进一步提升了模型对于极端气象的预测准确率，基于极值的预测准确性，不仅使得气象站的防护启停时机更加准确，增加气象站使用寿命和防护功能的实用性，而且还可以避免误启停影响气象站的正常工作。附图说明[0054] 下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。[0055] 图1是本发明提供的一种带有防护功能的收放式气象站的结构示意图；[0056] 图2是本发明提供的一种极端天气预测模型的结构示意图。具体实施方式[0057] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。[0058] 在一个实施例中，参照图1，示出了本发明提供的一种带有防护功能的收放式气象站的结构示意图。[0059] 本发明提供的一种带有防护功能的收放式气象站，带有防护功能的收放式气象站包括：[0060] 第一获取模块1，用于获取收放式气象站的历史气象图。[0061] 其中，历史气象图包括多维天气特征。[0062] 需要说明的是，第一获取模块负责收集和整理历史气象数据，包括温度、湿度、风速等多维天气特征，这些数据为后续的天气分析和极端天气预测模型提供了数据基础。[0063] 在一种可能的实施方式中，天气特征包括温度、湿度、降水量、风速和气压。[0064] 在实际应用过程中可以根据实际需要分析更多的天气特征，气象图中标记有很多的气象特征，而不局限于列举出来的天气特征。[0065] 参照说明书附图2，示出了本发明提供的一种极端天气预测模型的结构示意图。[0066] 构建模块2，用于构建极端天气预测模型。[0067] 其中，极端天气预测模型包括依次连接的位置编码器、基于稀疏算法以及傅里叶变换算法构建的空间混合模块、通道混合模块和线性解码器。[0068] 其中，位置编码器用于为模型提供关于输入数据在空间上的相对或绝对位置信息，在处理像气象图这样的空间数据时，了解数据点在空间上的位置是非常重要的，因为气象特征（如温度和降水量）往往与它们的地理位置有强烈的相关性。位置编码器通过添加额外的位置信息，帮助模型更好地理解数据中的空间关系，从而在进行如天气预测等空间相关的任务时，能够提高预测的准确性和效率。[0069] 基于稀疏算法以及傅里叶变换的空间混合模块通过傅里叶变换将时间序列或空间数据从时空域转换到频率域，这有助于模型揭示数据的周期性和波动模式。稀疏算法则用来减少噪声并突出重要的频率成分，有效地将小幅度频率成分减至零，这促进了模型的鲁棒性和特征选择，从而简化模型并提高其泛化能力。在气象预测中，空间混合模块可以帮助模型捕捉到如季节变化等周期性天气模式，以及其他空间上的依赖性，这对于准确预测天气状况至关重要。[0070] 通道混合模块处理的是如何有效地合并来自不同数据源或传感器通道的信息（如温度、湿度等），这通常通过全连接层或1x1卷积来实现，该模块优化了跨通道的信息流，使得网络能够从多维数据中学习到更复杂的特征。在气象数据处理中，通道混合模块有助于模型理解不同气象因素之间的相互作用，如温度和湿度如何共同影响降水模式，这对于提高天气预测的准确性非常有价值。[0071] 线性解码器用于模型的最后阶段，将深层网络的高级特征映射到最终的输出即预测值，这个阶段的处理相对简单，通常涉及线性变换和一个激活函数，用于生成具体的预测结果。在气象站的极端天气预测模型中，线性解码器负责将所有学习到的复杂特征转换成具体的未来天气状况，如温度、湿度和降水量的预测值。这些预测值将直接用于决定气象站是否需要启动防护措施。[0072] 需要说明的是，通过集成位置编码器、基于稀疏算法和傅里叶变换的空间混合模块、通道混合模块以及线性解码器，构建出一个高效且精确的预测系统。这种模型能够充分利用历史气象数据中的多维特征，精确捕捉天气的空间模式和频率特性。特别是通过稀疏算法的应用，模型有效地突出了关键的频率成分，降低了噪声干扰，提高了预测的准确性。此外，通过通道混合模块的二次特征提。Ｐ湍芄簧钊肜斫獠煌笠蛩刂涞母丛庸叵，进一步增强了对极端天气事件的预测能力。这使得气象站能够在极端天气来临前及时作出反应，优化防护措施，最大限度地减少潜在的损害。[0073] 在一种可能的实施方式中，空间混合模块包括傅里叶变换层、多层感知机层、稀疏化层和逆傅里叶变换层。[0074] 空间混合模块具体用于：[0075] 通过傅里叶变换层对历史气象图进行傅里叶变换，得到频率域历史气象图：[0076] ；[0077] 其中，X表示历史气象图， 表示通过位置编码器得到的历史气象图的补丁位置， 表示补丁位置 的频率域，DFT表示二维离散傅里叶变换。[0078] 需要说明的是，将空间信息转换为频率成分，此步骤有助于有效捕捉空间模式和依赖性，对于天气预测这样的任务至关重要，因为天气预测中的空间动态非常重要。[0079] 通过多层感知机层和稀疏化层对各个频率域进行特征提。篬0080] ；[0081] 其中， 表示与输入数据x的标准差 相等的稀疏化参数，MLP表示多层感知机操作，max表示取最大值， 表示稀疏化层的稀疏化函数，sign表示关于输入数据x的符号函数， 表示补丁位置 处提取的特征。[0082] 具体地，符号函数的含义是当x大于0时，返回+1，小于0时，返回?1，等于0时，返回0。进而保持数值的符号性。[0083] 对提取的特征进行逆傅里叶变换，并添加残差连接，输出时空域特征：[0084] ；[0085] 其中， 表示逆傅里叶变换， 表示逆傅里叶变换层输出的对于补丁位置的时空域特征，即空间混合模块的输出， 表示历史气象图在补丁位置处的时空域特征。[0086] 需要说明的是，通过将这两个值相加，获得了包含原始数据特征和通过网络处理增强的特征的综合数据，确保了数据可以有效地从高级特征转换回可用的原始形式，并通过残差连接增强了模型的表达能力和稳定性。[0087] 其中，多层感知机（MLP）扮演着从历史气象数据中提取复杂特征的重要角色，特别是在处理通过傅里叶变换得到的频率域数据后，MLP在这里不仅作为一个基本的神经网络模型来提高预测性能，而且是用于深入分析和解码气象数据中的非线性关系和模式的关键工具。[0088] 在实际应用过程中，空间混合模块利用傅里叶变换层将历史气象图转换为频率域，从而捕捉到空间模式和周期性变化。通过多层感知机层和稀疏化层，模块对频率域数据进行特征提。褂孟∈杷惴跎俨恢匾钠德食煞，突出关键特征。然后，逆傅里叶变换层将这些处理过的特征重新转换回时空域，并通过残差连接结合原始气象图的数据，这样做不仅保留了原始数据的重要信息，还增加了由网络提取的高级特征，极大提升了天气预测模型的精度和稳定性。这一过程确保了数据在从复杂模式转换回直观可用形式时的信息完整性，并优化了模型对未来气象条件预测的能力。[0089] 在一种可能的实施方式中，通道混合模块具体用于：[0090] 通过多层感知机对时空域特征进行二次特征提。涑鍪笨沼蛉诤咸卣：[0091] ；[0092] 其中， 表示补丁位置 处的时空域融合特征。[0093] 需要说明的是，通道混合模块通过多层感知机对已从空间混合模块得到的时空域特征进行进一步的分析和处理。这个模块的核心任务是通过多层感知机深入提取和整合每个补丁位置的多维气象数据特征，从而产生更加丰富和融合的特征表示。这种时空域融合特征能够更全面地反映不同气象参数之间的相互作用和依赖关系，极大地增强了预测模型对未来气象条件变化的预测能力和准确性。通过这种深度学习技术，模型能够捕捉到更细微的天气变化信号，提高极端天气事件的预测准确率。[0094] 在一种可能的实施方式中，线性解码器具体用于：[0095] 将时空域融合特征输入至线性解码器，映射出多个时间步的预测值：[0096] ；[0097] 其中， 表示时刻t间隔多个时间步 相对应的时间点 的预测值， 表示对于时间步 的偏置参数， 表示对于时间步 的权重参数。[0098] 具体地，这个模型的工作原理是根据历史气象图，分析连续的各个历史气象图之间存在什么演进关系，通过频率域空间混合模块以及时空域通道混合模块提取准确可靠的天气特征，在特征提取这一过程中充分考虑了各个天气特征之间的隐性关系，因为天气特征之间是相互关联和相互影响的，之后，利用线性解码器分析历史特征之间的关联关系，确定出超参数，然后在接收到当前时刻天气特征图之后，模型会按照先前学习到的天气特征演进过程，即表现在超参数中的规律对当前时刻天气特征图进行有根据的推理，获取到准确的不同时间步的天气特征预测值。[0099] 需要说明的是，线性解码器的功能是将通过通道混合模块处理得到的时空域融合特征转化为具体的预测输出。这一过程涉及将这些融合特征输入到解码器，通过设定的权重参数和偏置参数，线性解码器为每一个未来的时间步生成一个预测值。这些参数帮助模型根据输入的特征估计未来不同时间点的气象条件，从而实现连续时间序列的精确预测。通过这种方式，模型可以基于当前和历史的气象数据预测未来的天气变化，为气象预警和资源调配提供重要信息。[0100] 建立模块3，用于建立对于预测值具有惩罚对称性和局部敏感性的损失函数。[0101] 需要说明的是，传统的损失函数往往忽略不经常出现的极端值，通过在极端值附近设置具有惩罚对称性和局部敏感性的损失函数，对于得到的极端值附近的预测值使用不同的缩放因子，更多的关注极端值，而惩罚对称性的引入确保了模型在极端值预测时既不会过低估也不会过高估，从而在极端天气预测等关键应用中提供更准确的输出。[0102] 在数据具有极端值分布的情况下，使用传统的损失函数会导致预测偏低。通过引入非对称性，调整对极端值的惩罚更重，从而矫正这一倾向。局部敏感性即非对称性的实现是通过非对称缩放函数来调整误差项，使得模型在预测极端低值或高值时损失更大，从而使模型在训练过程中更倾向于正确预测这些极端情况。[0103] 在一种可能的实施方式中，损失函数具体为：[0104] ；[0105] 其中， 表示关于真实极端值y和预测极端值 的损失函数， 表示缩放函数， 表示逐元素相乘， 表示欧几里得范数的平方，s1和s2表示第一缩放因子和第二缩放因子， 表示经过缩放后的预测值，a表示缩放因子调整系数， 表示关于缩放后的预测值的缩放约束条件即积分约束， 表示误差范围， 表示缩放后的预测值相对于真实值y的损失值。[0106] 需要说明的是，在y的上下各 的范围内，分别计算损失函数的积分，用于确保模型在这个范围内对误差的处理是对称的，约束条件确保了对于真实值附近的上下波动对模型的惩罚是均衡的，无论是高估还是低估真实值。这种对称性在处理极端值预测时尤其重要，能够帮助模型更精确地捕捉到可能的极端事件，减少预测偏差。[0107] 在实际应用过程中，由于模型对极端值预测误差一般低于10%，考虑10%的误差范围是足够的，设置 ，对于缩放函数，主要关注缩放因子s1和s2的相对关系，可以利用控制变量法确定其具体形式，令s1=0.9a，s2=a，进而得到此时缩放函数具体为：[0108] ；[0109] 其中， 表示关于目标值 和预测值 的缩放函数，即在不同条件下的缩放函数的取值情况， 和 分别表示用于描述目标值数据分布的样本阈值，and表示并列关系，or表示选择关系，即当待预测的真实值即目标值位于整体数据分布的前百分之十的情况下，认为Y是一个较低极端值，当待预测的真实值位于整体数据分布的后百分之十的情况下，认为Y是一个较高极端值，这两个百分位数被用来识别数据中的极端情况，并根据这些极端情况调整模型的损失函数，以确保模型对这些极端值给予足够的重视。对称性确保了损失函数能够公平地处理高估和低估，模型就不太可能系统性地偏向于某一种错误（高估或低估），从而符合共同逼近真实值的作用，提高预测的准确性和可靠性。而局部敏感性确保了对极端值的捕捉能力。[0110] 需要说明的是，在真实极端值的附近（上下 范围内），模型对于预测值稍微偏高或偏低的处理应该是平衡的，即惩罚应该是平衡的，也就是说，无论预测值是略微超过还是略微低于实际极端值，模型都应该以同样的严格标准来评价这个误差。这样可以避免模型系统性地倾向于低估或高估极端值。传统的损失函数（如均方误差）不足以处理极端情况，因为它们通常对所有的预测误差都给予相同的权重。通过调整损失函数可以对那些偏离常态很远的极端值给予更多的关注，从而提高模型在这些关键点上的预测精度。通过设计这样一个损失函数，可以引导模型在学习过程中更多地关注那些难以预测的极端值，而不是只优化那些常见或容易预测的情况。通过确保损失函数在极端值附近上下对称，模型对误差的处理更为均衡，可以避免因模型的偏见导致的误判。这种数学上的对称性有助于模型在统计上更稳。跎僭げ獾乃婊蟛罨蚱。[0111] 训练模块4，用于对极端天气预测模型进行训练，直至损失函数值小于预设损失函数值。[0112] 需要说明的是，本领域技术人员可以根据实际需要设置预设损失函数值的大。痉⒚髟诖瞬蛔鱿薅。[0113] 在一种可能的实施方式中，训练模块具体用于：[0114] 将历史气象图输入至极端天气预测模型进行训练，确定极端天气预测模型的超参数，其中，超参数包括偏置参数和权重参数。[0115] 具体地，训练模块4的核心任务是使用历史气象数据对极端天气预测模型进行系统训练，通过迭代优化过程调整模型中的超参数，包括权重和偏置参数，直到模型的损失函数值达到或低于预设的阈值。这个训练过程通常涉及将历史气象图数据输入模型，然后通过算法（如梯度下降）逐步调整超参数，以最小化损失函数，该函数衡量预测值与实际气象数据之间的差异。训练目的是提高模型在处理新的或未见过的数据时的预测准确性和泛化能力，确保模型在预测未来极端天气事件时能够给出可靠和准确的输出。具体训练方法可能包括反向传播算法来有效地计算损失函数关于每个参数的梯度，并据此更新参数。这个过程通常需要多次迭代，直至损失函数的值稳定在一个较低水平，或达到预定的训练周期。[0116] 第二获取模块5，用于获取收放式气象站的实时气象图，并将实时气象图作为输入数据输入至训练后的极端天气预测模型，输出多个时间步下的天气特征预测值序列。[0117] 其中，天气特征预测值序列为多个，即天气特征的维度有关，序列数量与维度相同。[0118] 输出模块6，用于根据天气特征预测值序列，输出天气特征极端值窗口期。[0119] 其中，天气特征极端值窗口期为天气特征预测值大于预设天气特征预测值的时序序列。[0120] 需要说明的是，本领域技术人员可以根据实际需要设置预设天气特征值的大。痉⒚髟诖瞬蛔鱿薅。具体地，预设天气特征值可以根据气象站所能抵抗的最大天气特征值为阈值进行设置，超出阈值的则纳入至天气特征极端值窗口期，反之则不纳入。[0121] 控制模块7，用于根据时序序列对气象站防护设备进行启停控制。[0122] 具体地，时序序列中记录了天气特征预测值大于预设天气特征预测值的时序序列，也就是说，这个时序序列记录的就是气象站防护设备需要打开的时刻值，未记载的时序序列则关闭气象站防护设备。[0123] 需要说明的是，通过结合位置编码器、基于稀疏算法与傅里叶变换的空间混合模块、通道混合模块及线性解码器，形成了一个高度精确的天气预测系统。此系统能够充分利用历史和实时气象数据，通过精细的特征提取和数据分析，有效预测即将到来的极端天气条件。特别是稀疏算法的引入，增强了模型对关键频率成分的敏感性，显著提高了预测的准确性和模型的鲁棒性。此外，通过实时监测和极端值窗口期的预测输出，气象站能够及时启动或停止防护设备，最大限度地减少极端天气带来的潜在风险和损害。这种系统不仅提高了气象预测的效率和精度，也优化了气象站的运行和防护机制，极大地增强了对极端天气事件的应对能力，保证了公共安全和气象监测设备的保护。[0124] 在一种可能的实施方式中，还包括：以提升气象图的清晰度为目标，对气象图进行包括图像重建的预处理。[0125] 需要说明的是，这里描述的气象图包括历史气象图和实时气象图，目的是更加准确的捕捉天气特征，进而使得天气特征预测更准确。[0126] 在一种可能的实施方式中，以提升气象图的清晰度为目标，对气象图进行包括图像重建的预处理，具体包括：[0127] 对气象图进行字典学习，以最小化气象图的重构误差为目标，获取用于表示气象图像基本元素的字典矩阵，学习公式具体为：[0128] ；[0129] 其中， 表示取使得函数 为最小值时的D和C，D表示字典矩阵，C表示系数矩阵，M表示原始数据矩阵， 表示Frobenius范数， 表示L1范数， 表示第一正则化参数。[0130] 其中，字典矩阵，包含一组基（或原子），每一列是一个基向量。系数矩阵，每一列对应于M中一列数据在字典D下的表示。数据矩阵每一列是一个向量化的气象图。[0131] 通过字典矩阵对气象图进行稀疏编码，以最小化重构误差为目标对用于重构气象图的稀疏系数向量进行寻优：[0132] ；[0133] 其中， 表示取使得函数 为最小值时的c， 表示向量化气象图， 表示用于度量重构误差的L2范数的平方， 表示第二正则化参数，c表示用于重构气象图的稀疏系数向量， 。[0134] 具体地，这种编码方法试图找到一个稀疏系数向量c，它表示的是字典矩阵中各个基向量的权重，使得当它与一个给定的字典矩阵相乘时，可以尽可能准确地重构原始信号及气象图 。[0135] 根据学习到的字典矩阵和巡游得到的稀疏系数向量对气象图进行重构：[0136] ；[0137] 其中，V表示重构得到的气象图。[0138] 需要说明的是，对气象图进行图像重建的预处理使用了字典学习方法，旨在通过优化表示气象数据的字典矩阵和系数矩阵，以提高气象图的清晰度和特征表达能力。字典学习过程涉及构建一个字典矩阵，该矩阵包含一组基向量，这些基向量能够最佳地表示原始气象图像数据的重要特征。通过这种方法，可以有效地将气象图像分解为稀疏系数和基向量的乘积，这不仅可以减少数据的冗余，还可以突出气象特征的关键信息。稀疏编码的应用进一步优化了表示气象图像的系数，使得重构的气象图更加精确和清晰。这种图像重建技术显著提升了气象图的质量，为极端天气预测模型提供了更为准确和详尽的输入数据，从而增强了预测的准确性和可靠性。[0139] 在一种可能的实施方式中，还包括：[0140] 间隔预设时长对极端天气预测模型进行重新训练。[0141] 需要说明的是，极端天气预测模型包括一个周期性的再训练机制，其中模型会在预设的时间间隔后进行重新训练。这样做的目的是确保模型持续更新，能够适应气候变化和新的气象数据模式，从而保持预测的准确性和响应速度。通过定期更新模型，可以有效地处理新的天气趋势和异常事件，保证模型在长期运行中的性能不会退化。[0142] 与现有技术相比，本发明至少具有以下有益技术效果：[0143] 在本发明中，通过构建具有空间混合模块和通道混合模块的极端天气预测模型，提取气象图中的频率特征和空间域特征，捕捉气象图的多特征信息以及多特征信息之间的隐藏关联关系，进而准确提取气象图特征，增加基于该特征进行气象预测的准确性，另外，稀疏算法的引入使得特征图中偏离极值的大部分特征点置零，进而使得进入预测阶段的特征数据更多的保留极值特征，有助于模型学习并捕捉到极值气象值，不仅能够避免大量无关特征点对于预测准确率的影响，使得预测得到的极值更准确，进而更准确的控制防护设备的启停。在模型的训练过程中，建立对于预测值具有惩罚对称性和局部敏感性的损失函数对于得到的极端值附近的预测值使用不同的缩放因子，更多的关注极端值，而惩罚对称性的引入确保了模型在极端值预测时既不会过低估也不会过高估，从而在极端天气预测等关键应用中提供更准确的输出，进一步提升了模型对于极端气象的预测准确率，基于极值的预测准确性，不仅使得气象站的防护启停时机更加准确，增加气象站使用寿命和防护功能的实用性，而且还可以避免误启停影响气象站的正常工作。[0144] 以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

专利地区：福建

专利申请日期：2024-09-05

专利公开日期：2024-11-29

专利公告号：CN118759603B