Nothing Special   »   [go: up one dir, main page]

CN117094452B - 干旱状态预测方法、干旱状态预测模型的训练方法及设备 - Google Patents

干旱状态预测方法、干旱状态预测模型的训练方法及设备 Download PDF

Info

Publication number
CN117094452B
CN117094452B CN202311361118.2A CN202311361118A CN117094452B CN 117094452 B CN117094452 B CN 117094452B CN 202311361118 A CN202311361118 A CN 202311361118A CN 117094452 B CN117094452 B CN 117094452B
Authority
CN
China
Prior art keywords
time sequence
attention
target
network
historical time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311361118.2A
Other languages
English (en)
Other versions
CN117094452A (zh
Inventor
毛伟
任滨
郑新立
崔新明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Evotrue Net Technology Stock Co ltd
Original Assignee
Zhejiang Evotrue Net Technology Stock Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Evotrue Net Technology Stock Co ltd filed Critical Zhejiang Evotrue Net Technology Stock Co ltd
Priority to CN202311361118.2A priority Critical patent/CN117094452B/zh
Publication of CN117094452A publication Critical patent/CN117094452A/zh
Application granted granted Critical
Publication of CN117094452B publication Critical patent/CN117094452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种干旱状态预测方法、干旱状态预测模型的训练方法及设备，涉及农业信息技术领域，尤其涉及深度学习技术领域。该方法包括：获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。通过上述技术方案，能够提高干旱预测的准确性。

Description

干旱状态预测方法、干旱状态预测模型的训练方法及设备
技术领域
本发明涉及农业信息技术领域，尤其涉及深度学习技术领域，具体涉及一种干旱状态预测方法、干旱状态预测模型的训练方法及设备。
背景技术
干旱是世界上最严重的自然灾害之一，旱灾的频繁发生对全球农业的可持续发展产生了极为不利的影响。建立干旱预测模型是减灾防灾的重要手段之一，在对水资源规划上起着重要的作用。因此，如何建立有效的干旱预测模型，提高干旱预测的准确性直观重要。
发明内容
本发明提供了一种干旱状态预测方法、干旱状态预测模型的训练方法及设备，以提高地区干旱情况的预测准确度。
根据本发明的一方面，提供了一种干旱状态预测方法，该方法包括：
获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；
采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；
根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；
采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。
根据本发明的另一方面，提供了一种干旱状态预测模型的训练方法，该方法包括：
获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；
采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；
根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；
采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态；
根据所述目标干旱状态和所述目标地区的标准干旱状态，对干旱状态预测模型进行训练。
根据本发明的另一方面，提供了一种干旱状态预测装置，该装置包括：
第一序列数据获取模块，用于获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
第一历史时序特征确定模块，用于采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；
第一目标注意力权重确定模块，用于采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；
第一目标时序特征确定模块，用于根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；
第一目标干旱状态预测模块，用于采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。
根据本发明的另一方面，提供了一种干旱状态预测模型的训练装置，该装置包括：
第二序列数据获取模块，用于获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
第二历史时序特征确定模块，用于采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；
第二注意力权重确定模块，用于采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；
第二目标时序特征确定模块，用于根据所述历史时序特征和所述目标注意力权重，确定目标时序特征；
第二干旱状态预测模块，用于采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态；
模型训练模块，用于根据所述目标干旱状态和所述目标地区的标准干旱状态，对干旱状态预测模型进行训练。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的干旱状态预测方法或干旱状态预测模型的训练方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的干旱状态预测方法或干旱状态预测模型的训练方法。
本发明实施例的技术方案，通过获取目标地区的历史时间序列数据，之后采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征，进而采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重，并根据所述历史时序特征和所述目标注意力权重，确定目标时序特征，最后采用目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。上述技术方案，通过对历史时间序列数据进行处理，基于注意力机制，来进行地区的干旱状态预测，能够提高干旱状态预测的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。
图1是根据本发明实施例一提供的一种干旱状态预测方法的流程图；
图2是根据本发明实施例二提供的一种干旱状态预测方法的流程图；
图3是根据本发明实施例三提供的一种干旱状态预测模型的训练方法的流程图；
图4是根据本发明实施例四提供的一种干旱状态预测装置的结构示意图；
图5是根据本发明实施例五提供的一种干旱状态预测模型的训练装置的结构示意图；
图6是实现本发明实施例的干旱状态预测方法或干旱状态预测模型的训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外，还需要说明的是，本发明的技术方案中，所涉及的历史时间序列数据等的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
实施例一
图1是根据本发明实施例一提供的一种干旱状态预测方法的流程图。实施例可适用于如何对地区的干旱情况进行预测的情况，该方法可以由干旱状态预测装置来执行，该装置可以采用硬件和/或软件的形式实现，并可集成于承载干旱状态预测功能的电子设备中，例如服务器中。如图1所示，本实施例的干旱状态预测方法可以包括：
S110、获取目标地区的历史时间序列数据。
本实施例中，目标地区是指需要进行干旱状态预测的地区，例如可以是某一区域。所谓历史时间序列数据是指目标地区在历史上一段时间内的时间序列数据；可选的，历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；例如，当前时间之前的1、3、6、9、12 和 24 个月的历史时间序列数据。
具体的，可以搜集并获取目标地区的历史时间序列数据。
S120、采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征。
本实施例中，特征提取网络用于提取历史时间序列数据的时序特征，可以采用矩阵或向量形式表示；可选的，特征提取网络可以是序列特征提取模型，例如可以是循环神经网络（Recurrent Neural Network, RNN）。进一步的，特征提取网络可以包括至少一个LSTM层。可以理解的是，对于如干旱预测这样长期预测，基于神经网络预测的话，由于预测变量中滞后变量的参与，神经网络会经常陷入过度拟合的困境，引入循环神经网络，可以克服神经网络中梯度消失的问题，解决过拟合的困境。
一种可选方式，将历史时间序列数据输入特征提取网络中的LSTM层，得到每一LSTM层输出的时序特征；将各LSTM层输出的时序特征作为历史时序特征。
具体的，可以将历史时间序列数据输入特征提取网络中的LSTM层，经过各LSTM层处理，得到每一LSTM层输出的时序特征，之后将各LSTM输出的时序特征作为历史时序特征。
可以理解的是，通过LSTM来提取不同时间段的历史时间序列数据的特征，能够捕获不同时间序列数据之间的顺序依赖的相关性，从而为干旱预测奠定基础。
S130、采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重。
本实施例中，注意力网络基于注意力机制所确定的，用于确定不同LSTM输出的时序特征的权重。
所谓目标注意力权重是指最终各LSTM输出的时序特征对应的权重。
具体的，可以将各LSTM输出的时序特征输入注意力网络，经过注意力网络处理，得到历史时序特征对应的目标注意力权重。
S140、根据历史时序特征和目标注意力权重，确定目标时序特征。
本实施例中，目标时序特征是指历史时序特征经过注意力加权求和后所得到的特征；可以采用矩阵或向量形式表示。
一种可选方式，可以将历史时序特征和其对应的目标注意力权重进行加权求和，将求和结果作为目标时序特征。
可以理解的是，引入注意力网络，通过对历史时序特征进行加权，可以关注历史时序特征中不同时序特征的重要程度，从而为后续干旱预测的准确性提供保障。
S150、采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。
本实施例中，目标干旱状态是指目标地区的干旱状态，可以包括干旱状态或不干旱状态。
具体的，可以将目标时序特征输入干旱预测网络，经过网络处理，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。其中，干旱预测网络可以是二分类网络；进一步的，二分类网络可以包括全连接层和Dropout层。
本发明实施例的技术方案，通过获取目标地区的历史时间序列数据，之后采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征，进而采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重，并根据历史时序特征和目标注意力权重，确定目标时序特征，最后采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。上述技术方案，通过对历史时间序列数据进行处理，基于注意力机制，来进行地区的干旱状态预测，能够提高干旱状态预测的准确性。
实施例二
图2是根据本发明实施例二提供的一种干旱状态预测方法的流程图。本实施例在上述实施例的基础上，可选的，注意力网络包括第一注意力网络和第二注意力网络；相应的，对“采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重”进一步优化，提供一种可选实施方案。如图2所示，本实施例的干旱状态预测方法可以包括：
S210、获取目标地区的历史时间序列数据。
历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
S220、采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征。
S230、采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重。
采用第一注意力网络，对历史时序特征进行注意力运算，得到第一注意力权重；采用第二注意力网络，对历史时序特征进行注意力运算，得到第二注意力权重；采用归一化网络，对第一注意力权重和第二注意力权重进行归一化，得到目标注意力权重。
其中，第一注意力网络的网络结构和第二注意力网络的网络结构可以相同也可以不同；第一注意力网络的网络参数和第二注意力网络的网络参数不同；第一注意力网络重在捕获历史时序特征中季节性和周期性特征；第二注意力网络重在捕获历史时序特征中整体长期变化趋势特征。需要说明的是，第一注意力网络中可以包括自回归移动平均模型（Autoregressive Moving Average Model，ARMA model）；第二注意力网络可以采用线性回归、多项式拟合等方式进行权重确定。
所谓第一注意力权重是指关注历史时序特征的季节性和周期性特性的权重。所谓第二注意力权重是指关注历史时序特征的整体长期变化趋势特性的权重。
所谓归一化网络用于对第一注意力权重和第二注意力权重进行归一化，即确定第一注意力权重和第二注意力权重的占比；可选的，归一化网络可以是多层感知机（Multilayer Perceptron，MLP）。
具体的，分别将历史时序特征输入第一注意力网络和第二注意力网络，经过网络学习处理，得到第一注意力权重和第二注意力权重；之后，采用归一化网络自调整第一注意力权重和第二注意力权重的占比，得到第一注意力权重的第一占比和第二注意力权重的第二占比，进而将第一注意力权重和第一占比相乘，将第二注意力权重和第二占比相乘，将两个相乘结果相加后的结果，确定目标注意力权重。需要说明的是，第一占比和第二占比的和固定为1。一个具体的例子，若第一注意力权重为{a1，a2，a3}，第二注意力权重为{b1，b2，b3}，第一占比为{m1,m2,m3}，第二占比为{n1,n2,n3}；其中，a1+a2+a3=1；b1+b2+b3=1；m1+n1=1；m2+n2=1；m3+n3=1。
可以理解的是，引入不同类型的注意力机制，关注历史时序特征中不同的数据特性，能够重复捕获历史时序特征中的周期性变化，长期变化趋势，从而使得最终的干旱预测更加准确。
S240、根据历史时序特征和目标注意力权重，确定目标时序特征。
S250、采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。
本发明实施例的技术方案，通过获取目标地区的历史时间序列数据，之后采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征，进而采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重，并根据历史时序特征和目标注意力权重，确定目标时序特征，最后采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。上述技术方案，通过对历史时间序列数据进行处理，基于注意力机制，来进行地区的干旱状态预测，能够提高干旱状态预测的准确性。
实施例三
图3是根据本发明实施例三提供的一种干旱状态预测模型的训练方法的流程图。实施例可适用于如何对地区的干旱情况进行预测的情况，该方法可以由干旱状态预测装置来执行，该装置可以采用硬件和/或软件的形式实现，并可集成于承载干旱状态预测模型的训练功能的电子设备中，例如服务器中。如图3所示，本实施例的干旱状态预测模型的训练方法可以包括：
S310、获取目标地区的历史时间序列数据。
本实施例中，目标地区是指需要进行干旱状态预测的地区，例如可以是某一区域。所谓历史时间序列数据是指目标地区在历史上一段时间内的时间序列数据；可选的，历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；例如，当前时间之前的1、3、6、9、12 和 24 个月的历史时间序列数据。
具体的，可以搜集并获取目标地区的历史时间序列数据。
S320、采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征。
本实施例中，特征提取网络用于提取历史时间序列数据的时序特征，可以采用矩阵或向量形式表示；可选的，特征提取网络可以是序列特征提取模型，例如可以是循环神经网络（Recurrent Neural Network, RNN）。进一步的，特征提取网络可以包括至少一个LSTM层。可以理解的是，对于如干旱预测这样长期预测，基于神经网络预测的话，由于预测变量中滞后变量的参与，神经网络会经常陷入过度拟合的困境，引入循环神经网络，可以克服神经网络中梯度消失的问题，解决过拟合的困境。
一种可选方式，将历史时间序列数据输入特征提取网络中的LSTM层，得到每一LSTM层输出的时序特征；将各LSTM层输出的时序特征作为历史时序特征。
具体的，可以将历史时间序列数据输入特征提取网络中的LSTM层，经过各LSTM层处理，得到每一LSTM层输出的时序特征，之后将各LSTM输出的时序特征作为历史时序特征。
可以理解的是，通过LSTM来提取不同时间段的历史时间序列数据的特征，能够捕获不同时间序列数据之间的顺序依赖的相关性，从而为干旱预测奠定基础。
S330、采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重。
本实施例中，注意力网络基于注意力机制所确定的，用于确定不同LSTM输出的时序特征的权重。
所谓目标注意力权重是指最终各LSTM输出的时序特征对应的权重。
一种可选方式，可以将各LSTM输出的时序特征输入注意力网络，经过注意力网络处理，得到历史时序特征对应的目标注意力权重。
另一种可选方式，注意力网络包括第一注意力网络和第二注意力网络；相应的，采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重包括：采用第一注意力网络，对历史时序特征进行注意力运算，得到第一注意力权重；采用第二注意力网络，对历史时序特征进行注意力运算，得到第二注意力权重；采用归一化网络，对第一注意力权重和第二注意力权重进行归一化，得到目标注意力权重。
S340、根据历史时序特征和目标注意力权重，确定目标时序特征。
本实施例中，目标时序特征是指历史时序特征经过注意力加权求和后所得到的特征；可以采用矩阵或向量形式表示。
一种可选方式，可以将历史时序特征和其对应的目标注意力权重进行加权求和，将求和结果作为目标时序特征。
可以理解的是，引入注意力网络，通过对历史时序特征进行加权，可以关注历史时序特征中不同时序特征的重要程度，从而为后续干旱预测的准确性提供保障。
S350、采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。
本实施例中，目标干旱状态是指目标地区的干旱状态，可以包括干旱状态或不干旱状态。
具体的，可以将目标时序特征输入干旱预测网络，经过网络处理，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。其中，干旱预测网络可以是二分类网络；进一步的，二分类网络可以包括全连接层和Dropout层。
S360、根据目标干旱状态和目标地区的标准干旱状态，对干旱状态预测模型进行训练。
本实施例中，标准干旱状态是指目标地区真实的干旱状态，作为标签数据，以对干旱状态预测模型进行训练。
所谓干旱状态预测模型用于进行地区的干旱状态预测，可选的，干旱状态预测模型可以包括特征提取网络、注意力网络、归一化网络和干旱预测网络；其中，注意力网络可以包括第一注意力网络和第二注意力网络。
具体的，可以基于预设损失函数，根据目标干旱状态和标准干旱状态，确定训练损失，采用训练损失对干旱状态预测模型进行迭代训练，直至满足训练停止条件，停止对干旱状态预测模型的训练。其中，预设损失函数本实施例中不作具体限定，可以是均方误差损失函数，也可以是交叉熵损失函数。训练停止条件包括训练损失稳定在设定范围内，或迭代次数满足设定次数，其中，设定范围和设定次数可以由本领域技术人员根据实际情况设定。
本发明实施例的技术方案，通过获取目标地区的历史时间序列数据，之后采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征，进而采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重，并根据历史时序特征和目标注意力权重，确定目标时序特征，最后采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态，根据目标干旱状态和目标地区的标准干旱状态，对干旱状态预测模型进行训练。上述技术方案，通过对历史时间序列数据进行处理，基于注意力机制，来进行地区的干旱状态预测模型的训练，从而能够提高干旱状态预测的准确性。
实施例四
图4是根据本发明实施例四提供的一种干旱状态预测装置的结构示意图。实施例可适用于如何对地区的干旱情况进行预测的情况，该装置可以采用硬件和/或软件的形式实现，并可集成于承载干旱状态预测功能的电子设备中，例如服务器中。如图4所示，本实施例的干旱状态预测装置可以包括：
第一序列数据获取模块410，用于获取目标地区的历史时间序列数据；历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
第一历史时序特征确定模块420，用于采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征；
第一目标注意力权重确定模块430，用于采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重；
第一目标时序特征确定模块440，用于根据历史时序特征和目标注意力权重，确定目标时序特征；
第一目标干旱状态预测模块450，用于采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。
本发明实施例的技术方案，通过获取目标地区的历史时间序列数据，之后采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征，进而采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重，并根据历史时序特征和目标注意力权重，确定目标时序特征，最后采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态。上述技术方案，通过对历史时间序列数据进行处理，基于注意力机制，来进行地区的干旱状态预测，能够提高干旱状态预测的准确性。
可选的，特征提取网络包括至少一个LSTM层；相应的，第一历史时序特征确定模块420具体用于：
将历史时间序列数据输入特征提取网络中的LSTM层，得到每一LSTM层输出的时序特征；
将各LSTM层输出的时序特征作为历史时序特征。
可选的，采用注意力网络包括第一注意力网络、第二注意力网络和归一化网络；第一目标注意力权重确定模块430具体用于：
采用第一注意力网络，对历史时序特征进行注意力运算，得到第一注意力权重；
采用第二注意力网络，对历史时序特征进行注意力运算，得到第二注意力权重；
采用归一化网络，对第一注意力权重和第二注意力权重进行归一化，得到目标注意力权重。
可选的，归一化网络为多层感知机。
可选的，第一目标时序特征确定模块440具体用于：
将历史时序特征和目标注意力权重进行加权求和，将求和结果作为目标时序特征。
本发明实施例所提供的干旱状态预测模型的训练装置可执行本发明任意实施例所提供的干旱状态预测模型的训练方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5是根据本发明实施例五提供的一种干旱状态预测模型的训练装置的结构示意图。实施例可适用于如何对地区的干旱情况进行预测的情况，该装置可以采用硬件和/或软件的形式实现，并可集成于承载干旱状态预测模型的训练功能的电子设备中，例如服务器中。如图5所示，本实施例的干旱状态预测模型的训练装置可以包括：
第二序列数据获取模块510，用于获取目标地区的历史时间序列数据；历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
第二历史时序特征确定模块520，用于采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征；
第二目标注意力权重确定模块530，用于采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重；
第二目标时序特征确定模块540，用于根据历史时序特征和目标注意力权重，确定目标时序特征；
第二干旱状态预测模块550，用于采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态；
模型训练模块560，用于根据目标干旱状态和目标地区的标准干旱状态，对干旱状态预测模型进行训练。
本发明实施例的技术方案，通过获取目标地区的历史时间序列数据，之后采用特征提取网络，对历史时间序列数据进行特征提取，得到历史时序特征，进而采用注意力网络，对历史时序特征进行注意力运算，得到目标注意力权重，并根据历史时序特征和目标注意力权重，确定目标时序特征，最后采用目标时序特征，对目标地区的干旱状态进行预测，得到目标地区的目标干旱状态，根据目标干旱状态和目标地区的标准干旱状态，对干旱状态预测模型进行训练。上述技术方案，通过对历史时间序列数据进行处理，基于注意力机制，来进行地区的干旱状态预测模型的训练，从而能够提高干旱状态预测的准确性。
本发明实施例所提供的干旱状态预测装置可执行本发明任意实施例所提供的干旱状态预测方法，具备执行方法相应的功能模块和有益效果。
实施例六
图6是实现本发明实施例的干旱状态预测方法或干旱状态预测模型的训练方法的电子设备的结构示意图；图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如干旱状态预测方法或干旱状态预测模型的训练方法。
在一些实施例中，干旱状态预测方法或干旱状态预测模型的训练方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的干旱状态预测方法或干旱状态预测模型的训练方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行干旱状态预测方法或干旱状态预测模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (7)

1.一种干旱状态预测方法，其特征在于，包括：
获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；所述特征提取网络包括至少一个LSTM层；相应的，采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征，包括：
将所述历史时间序列数据输入所述特征提取网络中的LSTM层，得到每一LSTM层输出的时序特征；
将各LSTM层输出的时序特征作为历史时序特征；
采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；其中，所述注意力网络包括第一注意力网络、第二注意力网络和归一化网络；相应的，采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重，包括：
采用所述第一注意力网络，对所述历史时序特征进行注意力运算，得到第一注意力权重；其中，所述第一注意力网络重在捕获历史时序特征中季节性和周期性特征；
采用所述第二注意力网络，对所述历史时序特征进行注意力运算，得到第二注意力权重；其中，所述第二注意力网络重在捕获历史时序特征中整体长期变化趋势特征；所述第一注意力网络的网络参数和所述第二注意力网络的网络参数不同；
采用归一化网络，对所述第一注意力权重和所述第二注意力权重进行归一化，得到目标注意力权重；
将所述历史时序特征和所述目标注意力权重进行加权求和，将求和结果作为目标时序特征；
采用所述目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。
2.根据权利要求1所述的方法，其特征在于，所述归一化网络为多层感知机。
3.一种干旱状态预测模型的训练方法，其特征在于，包括：
获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；所述特征提取网络包括至少一个LSTM层；相应的，采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征，包括：
将所述历史时间序列数据输入所述特征提取网络中的LSTM层，得到每一LSTM层输出的时序特征；
将各LSTM层输出的时序特征作为历史时序特征；
采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；其中，所述注意力网络包括第一注意力网络、第二注意力网络和归一化网络；相应的，采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重，包括：
采用所述第一注意力网络，对所述历史时序特征进行注意力运算，得到第一注意力权重；其中，所述第一注意力网络重在捕获历史时序特征中季节性和周期性特征；
采用所述第二注意力网络，对所述历史时序特征进行注意力运算，得到第二注意力权重；其中，所述第二注意力网络重在捕获历史时序特征中整体长期变化趋势特征；所述第一注意力网络的网络参数和所述第二注意力网络的网络参数不同；
采用归一化网络，对所述第一注意力权重和所述第二注意力权重进行归一化，得到目标注意力权重；
将所述历史时序特征和所述目标注意力权重进行加权求和，将求和结果作为目标时序特征；
采用所述目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态；
根据所述目标干旱状态和所述目标地区的标准干旱状态，对干旱状态预测模型进行训练。
4.一种干旱状态预测装置，其特征在于，包括：
第一序列数据获取模块，用于获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
第一历史时序特征确定模块，用于采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；所述特征提取网络包括至少一个LSTM层；相应的，第一历史时序特征确定模块具体用于：
将所述历史时间序列数据输入所述特征提取网络中的LSTM层，得到每一LSTM层输出的时序特征；
将各LSTM层输出的时序特征作为历史时序特征；
第一目标注意力权重确定模块，用于采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；其中，所述注意力网络包括第一注意力网络、第二注意力网络和归一化网络；相应的，第一目标注意力权重确定模块具体用于：
采用所述第一注意力网络，对所述历史时序特征进行注意力运算，得到第一注意力权重；其中，所述第一注意力网络重在捕获历史时序特征中季节性和周期性特征；
采用所述第二注意力网络，对所述历史时序特征进行注意力运算，得到第二注意力权重；其中，所述第二注意力网络重在捕获历史时序特征中整体长期变化趋势特征；所述第一注意力网络的网络参数和所述第二注意力网络的网络参数不同；
采用归一化网络，对所述第一注意力权重和所述第二注意力权重进行归一化，得到目标注意力权重；
第一目标时序特征确定模块，用于将所述历史时序特征和所述目标注意力权重进行加权求和，将求和结果作为目标时序特征；
第一目标干旱状态预测模块，用于采用所述目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态。
5.一种干旱状态预测模型的训练装置，其特征在于，包括：
第二序列数据获取模块，用于获取目标地区的历史时间序列数据；所述历史时间序列数据包括季节性特征的均值数据、温度数据、风速、标准降水指数SPI、植被指数和土壤湿度数据；
第二历史时序特征确定模块，用于采用特征提取网络，对所述历史时间序列数据进行特征提取，得到历史时序特征；所述特征提取网络包括至少一个LSTM层；相应的，第二历史时序特征确定模块具体用于：
将所述历史时间序列数据输入所述特征提取网络中的LSTM层，得到每一LSTM层输出的时序特征；
将各LSTM层输出的时序特征作为历史时序特征；
第二注意力权重确定模块，用于采用注意力网络，对所述历史时序特征进行注意力运算，得到目标注意力权重；其中，所述注意力网络包括第一注意力网络、第二注意力网络和归一化网络；相应的，第二目标注意力权重确定模块具体用于：
采用所述第一注意力网络，对所述历史时序特征进行注意力运算，得到第一注意力权重；其中，所述第一注意力网络重在捕获历史时序特征中季节性和周期性特征；
采用所述第二注意力网络，对所述历史时序特征进行注意力运算，得到第二注意力权重；其中，所述第二注意力网络重在捕获历史时序特征中整体长期变化趋势特征；所述第一注意力网络的网络参数和所述第二注意力网络的网络参数不同；
采用归一化网络，对所述第一注意力权重和所述第二注意力权重进行归一化，得到目标注意力权重；
第二目标时序特征确定模块，用于将所述历史时序特征和所述目标注意力权重进行加权求和，将求和结果作为目标时序特征；
第二干旱状态预测模块，用于采用所述目标时序特征，对目标地区的干旱状态进行预测，得到所述目标地区的目标干旱状态；
模型训练模块，用于根据所述目标干旱状态和所述目标地区的标准干旱状态，对干旱状态预测模型进行训练。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-2中任一项所述的干旱状态预测方法，或权利要求3所述的干旱状态预测模型的训练方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-2中任一项所述的干旱状态预测方法，或权利要求3所述的干旱状态预测模型的训练方法。
CN202311361118.2A 2023-10-20 2023-10-20 干旱状态预测方法、干旱状态预测模型的训练方法及设备 Active CN117094452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311361118.2A CN117094452B (zh) 2023-10-20 2023-10-20 干旱状态预测方法、干旱状态预测模型的训练方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311361118.2A CN117094452B (zh) 2023-10-20 2023-10-20 干旱状态预测方法、干旱状态预测模型的训练方法及设备

Publications (2)

Publication Number Publication Date
CN117094452A CN117094452A (zh) 2023-11-21
CN117094452B true CN117094452B (zh) 2024-02-06

Family

ID=88773909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311361118.2A Active CN117094452B (zh) 2023-10-20 2023-10-20 干旱状态预测方法、干旱状态预测模型的训练方法及设备

Country Status (1)

Country Link
CN (1) CN117094452B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276439A (zh) * 2019-05-08 2019-09-24 平安科技（深圳）有限公司 基于注意力机制的时间序列预测方法、装置及存储介质
CN115099153A (zh) * 2022-07-04 2022-09-23 哈尔滨工业大学（深圳） 风功率预测模型训练方法、风功率预测方法、装置及介质
CN115238595A (zh) * 2022-08-24 2022-10-25 西安交通大学 一种pm10浓度预测方法、系统、设备及存储介质
CN115409254A (zh) * 2022-08-24 2022-11-29 浙江天演维真网络科技股份有限公司 一种气象预测方法、装置、介质及设备
CN115423080A (zh) * 2022-09-16 2022-12-02 中国电信股份有限公司 时间序列预测方法、装置、电子设备及介质
CN115630731A (zh) * 2022-09-30 2023-01-20 中广核风电有限公司 带有自注意力机制和门控基于图像的风功率短期预测方法及系统
WO2023103587A1 (zh) * 2021-12-09 2023-06-15 南京邮电大学 短临降水预测方法及装置
CN116401549A (zh) * 2023-04-07 2023-07-07 中国第一汽车股份有限公司 车辆轨迹预测模型训练方法、装置、设备及存储介质
CN116489038A (zh) * 2022-12-08 2023-07-25 网络通信与安全紫金山实验室 网络流量的预测方法、装置、设备和介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210256378A1 (en) * 2020-02-18 2021-08-19 Royal Bank Of Canada System and method for weather dependent machine learning architecture

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276439A (zh) * 2019-05-08 2019-09-24 平安科技（深圳）有限公司 基于注意力机制的时间序列预测方法、装置及存储介质
WO2023103587A1 (zh) * 2021-12-09 2023-06-15 南京邮电大学 短临降水预测方法及装置
CN115099153A (zh) * 2022-07-04 2022-09-23 哈尔滨工业大学（深圳） 风功率预测模型训练方法、风功率预测方法、装置及介质
CN115238595A (zh) * 2022-08-24 2022-10-25 西安交通大学 一种pm10浓度预测方法、系统、设备及存储介质
CN115409254A (zh) * 2022-08-24 2022-11-29 浙江天演维真网络科技股份有限公司 一种气象预测方法、装置、介质及设备
CN115423080A (zh) * 2022-09-16 2022-12-02 中国电信股份有限公司 时间序列预测方法、装置、电子设备及介质
CN115630731A (zh) * 2022-09-30 2023-01-20 中广核风电有限公司 带有自注意力机制和门控基于图像的风功率短期预测方法及系统
CN116489038A (zh) * 2022-12-08 2023-07-25 网络通信与安全紫金山实验室 网络流量的预测方法、装置、设备和介质
CN116401549A (zh) * 2023-04-07 2023-07-07 中国第一汽车股份有限公司 车辆轨迹预测模型训练方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于AM-LSTM模型的超短期风电功率预测;韩朋;张晓琳;张飞;王永平;;科学技术与工程(第21期);第8594-8600页 *

Also Published As

Publication number Publication date
CN117094452A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
CN116562156B (zh) 一种控制决策模型的训练方法、装置、设备及存储介质
CN112784778A (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN116629620A (zh) 一种风险等级确定方法、装置、电子设备及存储介质
CN115456167B (zh) 轻量级模型训练方法、图像处理方法、装置及电子设备
CN116021981A (zh) 配电网线路覆冰故障预测方法、装置、设备及存储介质
CN117094452B (zh) 干旱状态预测方法、干旱状态预测模型的训练方法及设备
Prasad et al. A Hybrid Time Series Rainfall Prediction Model Using Neural Prophet and LS TM
CN118014018A (zh) 一种楼宇能源消耗预测方法、装置、设备及存储介质
CN117649115A (zh) 一种风险评估方法、装置、电子设备和存储介质
CN117474669A (zh) 一种贷款逾期预测方法、装置、设备及存储介质
CN117290818A (zh) 一种多维时间序列预测方法、电子设备及存储介质
CN115239889B (zh) 3d重建网络的训练方法、3d重建方法、装置、设备和介质
CN117540336A (zh) 时间序列预测方法、装置及电子设备
CN116663717A (zh) 车流量预测模型训练、车流量预测方法、装置及设备
CN113361621B (zh) 用于训练模型的方法和装置
CN116703109A (zh) 一种配电网项目选取方法、装置、设备及存储介质
CN114118562A (zh) 流量预测方法、模型训练方法、装置以及电子设备
CN117372261B (zh) 基于卷积神经网络的分辨率重建方法、装置、设备及介质
CN115373449B (zh) 一种数据处理方法、装置、设备及存储介质
Xu et al. A hybrid Monte Carlo quantile EMD-LSTM method for satellite in-orbit temperature prediction and data uncertainty quantification
CN117634437A (zh) 一种设备当前运行状态的描述方法、装置及电子设备
CN116307159A (zh) 一种负荷预测方法、装置、电子设备和存储介质
CN117909717B (zh) 一种基于深度学习和数据挖掘的工程量辅助验收结算方法
CN117195120A (zh) 一种检测方法、装置、设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant