一种构建高铁沿线风速预报模型的方法及装置与流程

1.本发明涉及气象预报技术领域，具体而言，涉及一种构建高铁沿线风速预报模型的方法及装置。


背景技术：

2.高铁具有运行速度快、安全性好、正点率高等特性，受到出行旅客的广泛喜爱。但高铁在运行过程中，极易受瞬时大风等恶劣天气影响，例如，当风速较大时，强风可导致高铁的动力系统和信号系统故障，严重时可造成高铁侧翻。因而，对高铁沿线的风速进行预测预报，以使高铁依据预测预报的风速采取相应的措施，对保障旅客的生命财产安全尤为重要。
3.目前，一般采用基于气象学原理的持续法、卡尔曼滤波法、自回归滑动平均法、基于机器学习原理的多层感知机法、支持向量机法、卷积网络法等，构建针对高铁沿线的每一气象观测站点的风速预报模型，从而实现对不同气象要素环境下高铁运营状态的在线监控和风险评估。但该风速预报方法，每一风速预报模型基于该气象观测站点的气象要素观测信息进行预报，各气象观测站点相互独立，而在实际应用中，各观测站点具有时空关联性，使得针对每一气象观测站点的风速预报的准确性不高。


技术实现要素：

4.有鉴于此，本发明的目的在于提供构建高铁沿线风速预报模型的方法及装置，以提高风速预报的准确性。
5.第一方面，本发明实施例提供了构建高铁沿线风速预报模型的方法，包括：获取高铁沿线各气象观测站的气象要素观测数据以及地面信息数据；依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的空间图结构；依据各采集周期的空间图结构，基于时间近邻关系建立三维时空图结构；基于地面信息数据以及三维时空图结构，构建多模式特征提取图卷积网络；依据获取的气象要素观测数据以及地面信息数据，对构建的多模式特征提取图卷积网络进行训练，得到风速预报模型。
6.结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的空间图结构，包括：获取气象观测站之间的空间位置关系；依据收集的气象要素观测数据的维度以及气象观测站之间的空间位置关系，构建基于采集周期的空间图结构。
7.结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的
空间图结构，包括：计算第一气象观测站的气象要素观测数据与第二气象观测站的气象要素观测数据之间的相似度度量；基于相似度度量，获取第一气象观测站与第二气象观测站之间的空间位置更新关系；基于空间位置更新关系以及气象要素观测数据的维度，构建空间图结构。
8.结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述基于地面信息数据以及三维时空图结构，构建多模式特征提取图卷积网络，包括：依据地面信息数据，对气象观测站之间的空间位置关系进行连接关系订正；基于地面信息数据的维度以及进行连接关系订正后的气象观测站之间的空间位置关系，构建固定图结构；利用多层级图卷积网络对构建的固定图结构进行特征提取，得到特征图；将特征图叠加拼接至三维时空图结构，构建多模式特征提取图卷积网络。
9.结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述依据获取的气象要素观测数据以及地面信息数据，对构建的多模式特征提取图卷积网络进行训练，得到风速预报模型，包括：初始化构建的基于图卷积网络的多模式特征提取图卷积网络的参数；固定多模式特征提取图卷积网络的参数中的观测站权重，基于气象要素观测数据以及地面信息数据，利用反向传播算法优化多模式特征提取图卷积网络的参数中的每一层的网络参数；固定多模式特征提取图卷积网络的参数中的每一层的网络参数，基于气象要素观测数据以及地面信息数据，利用反向传播算法优化多模式特征提取图卷积网络的参数中的观测站权重；判断多模式特征提取图卷积网络是否满足预先设置的阈值条件，若满足，将该多模式特征提取图卷积网络作为风速预报模型。
10.结合第一方面、第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述方法还包括：以高铁沿线各气象观测站在一个或多个历史时刻采集的气象要素数据和地面信息数据作为风速预报模型的输入，得到风速预报模型输出的预报风速。
11.结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述方法还包括：将气象观测站所在空间区域均匀地划分为由各规则格点组成的规则格点域；选取与气象观测站最邻近的规则格点，得到该气象观测站对应的规则格点；将预报风速投影至规则格点域，得到规则格点风速；利用地面信息数据，对规则格点风速进行订正；对订正后的规则格点预报风速进行张量低秩分解，得到预报校正风速。
12.第二方面，本发明实施例还提供了一种构建高铁沿线风速预报模型的装置，包括：数据获取模块，用于获取高铁沿线各气象观测站的气象要素观测数据以及地面信
息数据；空间图构建模块，用于依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的空间图结构；时空图构建模块，用于依据各采集周期的空间图结构，基于时间近邻关系建立三维时空图结构；网络构建模块，用于基于地面信息数据以及三维时空图结构，构建多模式特征提取图卷积网络；模型生成模块，用于依据获取的气象要素观测数据以及地面信息数据，对构建的多模式特征提取图卷积网络进行训练，得到风速预报模型。
13.第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
14.第四方面，本申请实施例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上存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
15.本发明实施例提供的构建高铁沿线风速预报模型的方法及装置，通过获取高铁沿线各气象观测站的气象要素观测数据以及地面信息数据；依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的空间图结构；依据各采集周期的空间图结构，基于时间近邻关系建立三维时空图结构；基于地面信息数据以及三维时空图结构，构建多模式特征提取图卷积网络；依据获取的气象要素观测数据以及地面信息数据，对构建的多模式特征提取图卷积网络进行训练，得到风速预报模型。这样，利用各气象观测站的气象要素观测数据和地面信息数据，以及，各气象观测站的空间位置关系以及时间近邻关系构建风速预报模型，能够有效提升风速预报的准确性。
16.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
18.图1示出了本发明实施例所提供的构建高铁沿线风速预报模型的方法流程示意图；图2示出了本发明实施例所提供的构建高铁沿线风速预报模型的装置结构示意图；图3为本申请实施例提供的一种计算机设备300的结构示意图。
具体实施方式
19.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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
是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.本发明实施例提供了一种构建高铁沿线风速预报模型的方法及装置，下面通过实施例进行描述。
21.图1示出了本发明实施例所提供的构建高铁沿线风速预报模型的方法流程示意图。如图1所示，该方法包括：步骤101，获取高铁沿线各气象观测站的气象要素观测数据以及地面信息数据；本发明实施例中，收集高铁沿线区域各气象观测站的气象要素观测数据及对应的地面信息数据。
22.本发明实施例中，作为一可选实施例，气象要素观测数据（简称气象数据）包括但不限于：温度、相对湿度、经度方向的风速、纬度方向的风速、气压等类别气象数据，地面信息数据（简称地形数据）包括但不限于：地形、地物、水体、植被、高程等类别地形数据。
23.本发明实施例中，作为一可选实施例，在获取高铁沿线区域的气象要素观测数据以及地面信息数据后，该方法还包括：按照数据类别，分别对气象要素观测数据以及地面信息数据进行归一化处理。
24.本发明实施例中，利用下式进行归一化处理：式中，v
e
为归一化数据；为待归一化数据，包括类别气象数据和类别地形数据；为待归一化数据的最小值；为待归一化数据的最大值。
25.本发明实施例中，针对每一类别数据（类别气象数据和类别地形数据），分别进行归一化。例如，以气象要素观测数据为例，对于气象要素观测数据中的温度（类别气象数据），对该温度进行归一化，而对于气象要素观测数据中的相对湿度（类别地形数据），对该相对湿度进行归一化。
26.本发明实施例中，作为一可选实施例，该方法还包括：对获取的各采集周期采集的气象要素观测数据进行拼接；以及，对获取的地面信息数据进行拼接。
27.本发明实施例中，对于高铁沿线区域内的各气象观测站，按照预先设置的采集周期采集气象要素观测数据后，将各气象观测站各采集周期采集的气象要素观测数据拼接为气象要素观测数据状态序列。其中，气象要素观测数据状态序列表示如下：式中，v为气象要素观测数据；r为气象要素观测数据状态序列；n为气象观测站数；t为采集周期数；p为气象要素观测数据的类别数量。
28.本发明实施例中，若气象要素观测数据包括：温度、相对湿度、经度方向的风速、纬度方向的风速、气压，则对应的类别数量为5。
29.本发明实施例中，对第i个气象观测站的温度、相对湿度、经度方向的风速、纬度方向的风速、气压等类别气象数据，记为v
i
，所有气象观测站的类别气象数据组成v。
30.对于高铁沿线区域内的各气象观测站，采集对应的地面信息数据，将各气象观测站采集的地面信息数据拼接为地面信息数据序列。其中，地面信息数据序列表示如下：式中，a为地面信息数据；q为地面信息数据的类别数量。
31.本发明实施例中，在获取各数据后，按时间顺序将数据拆分为训练集、验证集和测试集。例如，收集京沪高铁沿线北京至沧州路段共计30个专用高铁风速观测站及沿线483个气象观测站共计513个观测站逐10分钟的温度、相对湿度、uv风、气压等气象要素观测数据及其对应的地形、地物、水体、植被、高程等地面信息数据，收集的时间范围为2017年11月1日至2018年10月26日，并按时间顺序将数据拆分为训练集、验证集和测试集。
[0032] 本发明实施例中，作为一可选实施例，对任意第i个站点，将收集到的全部气象要素观测数据拼接为向量，记为：v
i
∈r p
其中，p=5表示气象要素观测数据（如温度、湿度、uv风、气压等）的类别数，那么高铁沿线周边n=513个观测站2小时逐10分钟间隔连续t=12个时刻的状态序列记为气象要素观测数据状态序列，将收集到的全部地面信息数据拼接为向量，记为：a
i
∈r q 其中，q=5表示地面信息数据（如地形、地物、水体、植被、高程等）的类别数，那么高铁沿线周边n个观测站的全部地面信息数据可记为：a∈r nxq 。
[0033]
本发明实施例中，作为一可选实施例，假设状态序列包含12个采集周期的气象要素观测数据，则可以将前6个采集周期的气象要素观测数据作为训练集，将后6个采集周期的气象要素观测数据作为验证集和测试集。
[0034]
步骤102，依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的空间图结构；本发明实施例中，作为一可选实施例，依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的空间图结构，包括：a11，获取气象观测站之间的空间位置关系；a12，依据收集的气象要素观测数据的维度以及气象观测站之间的空间位置关系，构建基于采集周期的空间图结构。
[0035] 本发明实施例中，空间图结构表示如下：g
t
=（e，v）其中，g
t
为第t个采集周期的空间图结构；e为气象观测站之间的空间位置关系。
[0036]
本发明实施例中，气象要素观测数据的维度考虑所有气象要素观测数据中包含的类别统计。作为一可选实施例，利用下式计算第一气象观测站与第二气象观测站之间的空间位置关系：间位置关系：式中，e
i，j
为第一气象观测站与第二气象观测站之间的空间位置关系；d(v
i
,v
j
)为第一气象观测站v
i
与第二气象观测站v
j
之间的欧氏距离；为均方差；分别为第一气象观测站的空间位置坐标；分别为第二气象观测站的空间位置坐标。
[0037]
本发明实施例中，作为一可选实施例，空间位置坐标可以为经度坐标以及纬度坐标。以三个气象观测站a、b、c为例，假定其对应的空间位置坐标分别为（0，0）、（0，1）、（1，0），则气象观测站ab、ac、bc之间的欧氏距离分别为：则气象观测站ab、ac、bc之间的欧氏距离分别为：则气象观测站ab、ac、bc之间的欧氏距离分别为：
本发明实施例中，取：
ꢀꢀ
，则：，则：，则：本发明实施例中，对于上述气象观测站a、b、c，空间位置关系由邻接矩阵表示为：本发明实施例中，由于构建的任意时刻（采集周期）的空间图结构，受各种气象要素观测数据的影响，空间图结构随时间可变。因而，作为另一可选实施例，依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的空间图结构，包括：a21，计算第一气象观测站的气象要素观测数据与第二气象观测站的气象要素观测数据之间的相似度度量；本发明实施例中，第一气象观测站和第二气象观测站为泛指，利用如下的节点相似度度量函数计算相似度度量：式中，为节点相似度度量函数。
[0038] a22，基于相似度度量，获取第一气象观测站与第二气象观测站之间的空间位置更新关系；本发明实施例中，利用下式计算空间位置更新关系：式中，为第一气象观测站与第二气象观测站之间的空间位置更新关系。
[0039]
本发明实施例中，通过定义节点相似度度量函数，不同于欧式距离计算公式仅考虑气象观测站之间的欧氏距离，节点相似度度量函数可以充分考虑多模式气象要素观测数据之间的连接关系。
[0040] a23，基于空间位置更新关系以及气象要素观测数据的维度，构建空间图结构。
[0041]
本发明实施例中，基于空间位置更新关系以及气象要素观测数据的维度，构建的空间图结构如下：步骤103，依据各采集周期的空间图结构，基于时间近邻关系建立三维时空图结构；本发明实施例中，对于t个采集周期，依据时间近邻关系建立各气象观测站的三维时空图结构：式中，g为三维时空图结构；d
t
为第t采集周期的空间图结构的时间连接关系。其中，为第t采集周期的空间图结构的时间连接关系。其中，式中，为采集周期，即相邻采集时刻（t1,t2）的间隔。
[0042] 本发明实施例中，d
t
表示对任一空间图结构，在时域上仅与其前一采集周期（采集时刻）和后一采集周期关联。以上述a，b，c三个气象观测站点在t
‑
1（当前采集时刻的前一采集时刻）、t（当前采集时刻）、t+1（当前采集时刻的后一采集时刻）时刻构建的三维时空图结构g
t
‑1、g
t
、g
t+1
为例， g
t
‑1仅与g
t 相连，g
t 与 g
t
‑1和 g
t+1
相连，g
t+1
仅与g
t 相连。
[0043]
步骤104，基于地面信息数据以及三维时空图结构，构建多模式特征提取图卷积网络；本发明实施例中，作为一可选实施例，基于地面信息数据以及三维时空图结构，构建多模式特征提取图卷积网络，包括：a41，依据地面信息数据，对气象观测站之间的空间位置关系进行连接关系订正；a42，基于地面信息数据的维度以及进行连接关系订正后的气象观测站之间的空间位置关系，构建固定图结构；本发明实施例中，构建的固定图结构如下：式中，
为固定图结构；为进行连接关系订正后的气象观测站之间的空间位置关系。
[0044] a43，利用多层级图卷积网络对构建的固定图结构进行特征提取，得到特征图；a44，将特征图叠加拼接至三维时空图结构，构建多模式特征提取图卷积网络。
[0045]
本发明实施例中，在构建多模式特征提取图卷积网络后，可以利用多模式特征提取图卷积网络，对气象要素观测数据以及地面信息数据进行多模式特征提取。
[0046]
步骤105，依据获取的气象要素观测数据以及地面信息数据，对构建的多模式特征提取图卷积网络进行训练，得到风速预报模型。
[0047]
本发明实施例中，作为一可选实施例，构建的多模式特征提取图卷积网络如下：式中，为多模式特征提取图卷积网络的输出；为多模式特征提取图卷积网络的输入；为时空图节点度矩阵；为单位矩阵；为逐元素相乘；为多模式特征提取图卷积网络的参数。
[0048]
本发明实施例中，多模式特征提取图卷积网络的输出为多模式风速特征（多模式特征），该多模式风速特征为隐空间特征。
[0049]
本发明实施例中，输入为气象观测站的气象要素观测数据。以a、b、c三个气象观测站构成多模式特征提取图卷积网络为例，考虑温度、相对湿度两种类别的气象要素观测数据，则多模式特征提取图卷积网络的输入为三个气象观测站的两种类别的气象要素观测数据，记为：考虑地形、地物两种类别的地面信息数据，则多模式特征提取图卷积网络中的地面信息数据为三个气象观测站的两种类别的地面信息数据，记为：本发明实施例中，时空图节点度矩阵为与目标气象观测站连接的气象观测站的个数，即在气象观测站之间的空间位置关系中，矩阵每行非零元的个数，时空图节点度矩阵为：
单位矩阵为：本发明实施例中，多模式特征提取图卷积网络的参数为：式中，m为多模式特征提取图卷积网络的输入的特征维度，本发明实施例中，输入包含温度、相对湿度，特征维度为2，f为特征空间维度，可以根据需求定义为任意正整数。
[0050]
本发明实施例中，多模式特征提取图卷积网络输出的多模式风速特征为：n为气象观测站数目，本发明实施例中，n=3，特征空间维度为隐空间特征维度，隐空间特征是融合温度、相对湿度等气象要素观测数据，以及，地形、地物等地面信息数据后的综合图卷积网络特征。
[0051]
本发明实施例中，依据收集的各气象观测站的气象要素观测数据以及地面信息数据，对构建的基于图卷积网络的多模式特征提取图卷积网络进行训练。
[0052]
本发明实施例中，作为一可选实施例，依据获取的气象要素观测数据以及地面信息数据，对构建的多模式特征提取图卷积网络进行训练，得到风速预报模型，包括：b51，初始化构建的基于图卷积网络的多模式特征提取图卷积网络的参数；本发明实施例中，多模式特征提取图卷积网络的参数包括：多模式特征提取图卷积网络中每一层的网络参数，以及，多模式特征提取图卷积网络中不同时刻每个气象观测站的观测站权重以及时间因子。其中，作为一可选实施例，网络参数按均值为0方差为1的正态分布初始化，观测站权重初始化为1，时间因子初始化为0.3。
[0053]
本发明实施例中，对任意气象观测站，初始化权重。实际应用中，随着多模式特征提取图卷积网络的训练，可以依据气象观测站的预报偏差对该气象观测站进行权重的增加或减小。
[0054]
本发明实施例中，时间因子按照1.3倍逐步更新，开始时时间因子较小，随着迭代步数增加，增大时间因子。
[0055] b52，固定多模式特征提取图卷积网络的参数中的观测站权重，基于气象要素观
测数据以及地面信息数据，利用反向传播算法优化多模式特征提取图卷积网络的参数中的每一层的网络参数；b53，固定多模式特征提取图卷积网络的参数中的每一层的网络参数，基于气象要素观测数据以及地面信息数据，利用反向传播算法优化多模式特征提取图卷积网络的参数中的观测站权重；实施例中，作为一可选实施例，利用下式优化观测站权重：式中，为观测站权重；为样本偏差；为时间因子。
[0056]
本发明实施例中，样本偏差越大，则对应的观测站权重也越大。样本包括气象要素观测数据以及地面信息数据。
[0057] b54，判断多模式特征提取图卷积网络是否满足预先设置的阈值条件，若满足，将该多模式特征提取图卷积网络作为风速预报模型。
[0058]
本发明实施例中，判断多模式特征提取图卷积网络的输出是否满足阈值条件，如满足，则停止优化并保存为风速预报模型以进行风速预报。
[0059]
本发明实施例中，优化得到的风速预报模型可用于高铁沿线站点的风速预报，预报风速为：式中，为预报时效。
[0060]
本发明实施例中，若多模式特征提取图卷积网络的输出不满足阈值条件，循环执行步骤b52、b53，直至多模式特征提取图卷积网络的输出满足阈值条件。
[0061]
本发明实施例中，作为一可选实施例，该方法还包括：以高铁沿线各气象观测站在一个或多个历史时刻采集的气象要素数据和地面信息数据作为风速预报模型的输入，得到风速预报模型输出的预报风速。
[0062]
本发明实施例中，在进行风速预报时，输入参数为高铁沿线站点在某一历史时刻（采集周期）的气象要素数据和地面信息数据，也可为沿线站点多个历史时刻的气象要素数
据和地面信息数据，输出是沿线站点在一个或多个预报时效的预报风速。例如，以输入过去1小时逐10分钟气象要素观测数据以及地面信息数据（6个时刻），可以预报未来1小时逐10分钟的风速（6个时刻）。而在训练过程中，通过输入前6个时刻的气象要素观测数据以及地面信息数据，输出未来6个时刻的预报风速，通过对比所预报6个时刻的预报风速与真实6个时刻的风速，可以检验风速预报模型的性能。
[0063]
本发明实施例中，作为另一可选实施例，该方法还包括：b11，将气象观测站所在空间区域均匀地划分为由各规则格点组成的规则格点域；b12，选取与气象观测站最邻近的规则格点，得到该气象观测站对应的规则格点；b13，将预报风速投影至规则格点域，得到规则格点风速；本发明实施例中，仍以a、b、c三个气象观测站为例，将气象观测站所在空间区域均匀地划分为多个规则格点，并选取与气象观测站最邻近的规则格点代替该气象观测站，规则格点的预报风速（规则格点风速）为投影至规则格点域中该规则格点上的气象观测站的预报风速，作为一可选实施例，规则格点风速为与该规则格点最近邻气象观测站的预报风速。
[0064]
本发明实施例中，规则格点风速表示如下：式中，为规则格点风速；分别为规则格点的宽和高。
[0065] b14，利用地面信息数据，对规则格点风速进行订正；本发明实施例中，作为一可选实施例，利用地面信息数据，对规则格点风速进行订正，包括：b141，提取气象观测站周边的规则格点的地面信息数据，得到地物要素；b142，以地物要素作为空间畸变网络的输入，获取空间畸变网络的空间畸变参数；b143，基于空间畸变参数，对规则格点风速进行订正。
[0066]
本发明实施例中，预先定义空间畸变网络，以地物要素作为空间畸变网络的输入，空间畸变网络的输出为空间畸变参数；地物要素为气象观测站周边均匀规则格点的地面信息数据。
[0067]
本发明实施例中，空间畸变参数包括：旋转参数以及平移参数，旋转参数、平移参数及空间畸变网络的参数依据反向传播进行优化得到。
[0068]
本发明实施例中，利用下式获取订正后的规则格点风速：式中，为订正后的规则格点风速；为旋转参数；
为平移参数。
[0069]
本发明实施例中，反向传播的优化目标函数包括两部分，第一部分为气象观测站点风速（实际风速）与对应的预报风速之间的均方差差异性，第二部为预报位置周边风速的标准差与对应位置高程标准差的相似性，反向传播的优化目标函数如下所示：式中，为气象观测站风速；为标准差；为相似性度量函数；为预设的超参数。作为一可选实施例，超参数值为0.1。
[0070]
本发明实施例中，若气象观测站a对应规则格点a、气象观测站b对应规则格点b1和b2、气象观测站c对应规则格点c，a、b1、b2、c顺时针排列，规则格点a的周边风速为规则格点b1、c的预报风速加权和，规则格点c的周边风速为a、b2的预报风速加权和，规则格点b1的周边风速为a、b2的预报风速加权和，规则格点b2的周边风速为b1、c的预报风速加权和。
[0071] b15，对订正后的规则格点预报风速进行张量低秩分解，得到预报校正风速。
[0072]
本发明实施例中，对订正后的规则格点预报风速，通过张量低秩分解以提高预报精度。作为一可选实施例，利用下式计算预报校正风速：精度。作为一可选实施例，利用下式计算预报校正风速：式中，l为对订正后的规则格点预报风速进行张量低秩分解得到的平稳风速；s为对订正后的规则格点预报风速进行张量低秩分解得到的瞬时风速；e
r
为对订正后的规则格点预报风速进行张量低秩分解得到的模型误差；为预报校正风速。
[0073]
本发明实施例中，利用交替迭代优化算法求解出平稳风速和瞬时风速，交替迭代优化算法如下：式中，为权重系数；
ꢀ
为张量的核范数； 为张量的1范数；为张量的2
‑
1范数。
[0074]
本发明实施例中，将交替迭代优化算法进行变换为增广拉格朗日形式，记为：式中，为惩罚稀疏；为拉格朗日乘子； 表示张量内积；表示张量f范数。
[0075]
本发明实施例中，作为一可选实施例，l、s、e
r
的求解过程如下：b151，构建张量，对构建的张量进行奇异值分解；本发明实施例中，张量表示如下：对构建的张量进行奇异值分解，得到：式中，x
t
为张量乘积；u为张量p的特征张量；m为张量p的特征值组成的张量。
[0076] b152，构建第二张量和第三张量，基于奇异值分解的张量、第二张量和第三张量，求解平稳风速、瞬时风速以及模型误差。
[0077]
本发明实施例中，第二张量和第三张量分别为：
本发明实施例中，分别利用下式求解平稳风速、瞬时风速以及模型误差：本发明实施例中，分别利用下式求解平稳风速、瞬时风速以及模型误差：本发明实施例中，分别利用下式求解平稳风速、瞬时风速以及模型误差：本发明实施例中，分别利用下式求解平稳风速、瞬时风速以及模型误差：式中，c(m)为对张量m的截断操作。
[0078]
本发明实施例中，若：则张量m的秩为2，有：本发明实施例中，图卷积网络为基本框架，多模式特征提取图卷积网络为在图卷积网络基础上，引入多气象要素数据（气象要素观测数据以及地面信息数据）形成的特征提取网络；空间畸变网络为以地面信息数据为指导，变换后的特征提取网络；自步图卷积网络为在图卷积网络基础上，引入自步学习机制形成的针对风速预报的改进图卷积网络。
[0079]
本发明实施例中，通过引入基于图卷积网络的风速预报模型，该风速预报模型以
高铁沿线各气象观测站的多气象要素数据为输入，可以提取更加精确的气象观测站特征；进一步地，通过引入基于地面信息数据订正的固定图结构，一方面可以实现基于地形的图结构订正，另一方面基于时域可变订正的固定图结构可以更准确的描述站点关联性；而且，引入基于自步学习的图卷积网络，可以根据风速数据分布递进的更新网络参数，实现风速精准预报；此外，引入基于张量低秩约束的规则格点映射精细化表示方法，可以实现高铁沿线的精细化规则格点预报。
[0080]
图2示出了本发明实施例所提供的构建高铁沿线风速预报模型的装置结构示意图。如图2所示，该装置包括：数据获取模块201，用于获取高铁沿线各气象观测站的气象要素观测数据以及地面信息数据；本发明实施例中，作为一可选实施例，气象要素观测数据包括但不限于：温度、相对湿度、经度方向的风速、纬度方向的风速、气压等类别气象数据，地面信息数据包括但不限于：地形、地物、水体、植被、高程等类别地形数据。
[0081]
空间图构建模块202，用于依据各气象观测站的空间位置关系以及气象要素观测数据的维度，构建基于采集周期的空间图结构；时空图构建模块203，用于依据各采集周期的空间图结构，基于时间近邻关系建立三维时空图结构；网络构建模块204，用于基于地面信息数据以及三维时空图结构，构建多模式特征提取图卷积网络；模型生成模块205，用于依据获取的气象要素观测数据以及地面信息数据，对构建的多模式特征提取图卷积网络进行训练，得到风速预报模型。
[0082]
本发明实施例中，作为一可选实施例，空间图构建模块202包括：第一空间位置关系获取单元（图中未示出），用于获取气象观测站之间的空间位置关系；空间图结构第一构建单元，用于依据收集的气象要素观测数据的维度以及气象观测站之间的空间位置关系，构建基于采集周期的空间图结构。
[0083]
本发明实施例中，作为另一可选实施例，空间图构建模块202包括：相似度计算单元，用于计算第一气象观测站的气象要素观测数据与第二气象观测站的气象要素观测数据之间的相似度度量；第二空间位置关系获取单元，用于基于相似度度量，获取第一气象观测站与第二气象观测站之间的空间位置更新关系；空间图结构第二构建单元，用于基于空间位置更新关系以及气象要素观测数据的维度，构建空间图结构。
[0084]
本发明实施例中，作为一可选实施例，网络构建模块204包括：订正单元，用于依据地面信息数据，对气象观测站之间的空间位置关系进行连接关系订正；固定图结构构建单元，用于基于地面信息数据的维度以及进行连接关系订正后的气象观测站之间的空间位置关系，构建固定图结构；特征图获取单元，用于利用多层级图卷积网络对构建的固定图结构进行特征提
取，得到特征图；网络构建单元，用于将特征图叠加拼接至三维时空图结构，构建多模式特征提取图卷积网络。
[0085]
本发明实施例中，作为一可选实施例，模型生成模块205包括：初始化单元，用于初始化构建的基于图卷积网络的多模式特征提取图卷积网络的参数；本发明实施例中，多模式特征提取图卷积网络的参数包括：多模式特征提取图卷积网络中每一层的网络参数，以及，多模式特征提取图卷积网络中不同时刻每个气象观测站的观测站权重以及时间因子。
[0086]
第一调整单元，用于固定多模式特征提取图卷积网络的参数中的观测站权重，基于气象要素观测数据以及地面信息数据，利用反向传播算法优化多模式特征提取图卷积网络的参数中的每一层的网络参数；第二调整单元，用于固定多模式特征提取图卷积网络的参数中的每一层的网络参数，基于气象要素观测数据以及地面信息数据，利用反向传播算法优化多模式特征提取图卷积网络的参数中的观测站权重；模型生成单元，用于判断多模式特征提取图卷积网络是否满足预先设置的阈值条件，若满足，将该多模式特征提取图卷积网络作为风速预报模型。
[0087]
本发明实施例中，作为一可选实施例，该装置还包括：预测模块（图中未示出），用于以高铁沿线各气象观测站在一个或多个历史时刻采集的气象要素数据和地面信息数据作为风速预报模型的输入，得到风速预报模型输出的预报风速。
[0088]
本发明实施例中，在进行风速预报时，输入参数为高铁沿线站点在某一历史时刻的气象要素数据和地面信息数据，也可为沿线站点多个历史时刻的气象要素数据和地面信息数据，输出是沿线站点在一个或多个预报时效的预报风速。
[0089]
本发明实施例中，作为另一可选实施例，该装置还包括：格点划分模块，用于将气象观测站所在空间区域均匀地划分为由各规则格点组成的规则格点域；映射模块，用于选取与气象观测站最邻近的规则格点，得到该气象观测站对应的规则格点；投影模块，用于将预报风速投影至规则格点域，得到规则格点风速；订正模块，用于利用地面信息数据，对规则格点风速进行订正；本发明实施例中，作为一可选实施例，订正模块具体用于：提取气象观测站周边的规则格点的地面信息数据，得到地物要素；以地物要素作为空间畸变网络的输入，获取空间畸变网络的空间畸变参数；基于空间畸变参数，对规则格点风速进行订正。
[0090]
本发明实施例中，空间畸变参数包括：旋转参数以及平移参数。
[0091]
分解模块，用于对订正后的规则格点预报风速进行张量低秩分解，得到预报校正风速。
[0092]
如图3所示，本申请一实施例提供了一种计算机设备300，用于执行图1中的构建高
铁沿线风速预报模型的方法，该设备包括存储器301、处理器302及存储在该存储器301上并可在该处理器302上运行的计算机程序，其中，上述处理器302执行上述计算机程序时实现上述构建高铁沿线风速预报模型的方法的步骤。
[0093]
具体地，上述存储器301和处理器302能够为通用的存储器和处理器，这里不做具体限定，当处理器302运行存储器301存储的计算机程序时，能够执行上述构建高铁沿线风速预报模型的方法。
[0094]
对应于图1中的构建高铁沿线风速预报模型的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述构建高铁沿线风速预报模型的方法的步骤。
[0095]
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述构建高铁沿线风速预报模型的方法。
[0096]
在本申请所提供的实施例中，应该理解到，所揭露系统和方法，可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0097]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0098]
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0099] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read
‑
only memory， rom）、随机存取存储器（random access memory ，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
[0100]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0101]
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护
范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。