使用生成式神经网络的临近预报的制作方法

本说明书涉及使用神经网络来执行天气临近预报，例如降水临近预报。

背景技术：

1、神经网络是机器学习模型，其采用一层或多层非线性单元来针对所接收到的输入预测输出。除了输出层之外，一些神经网络还包括一个或多个隐藏层。每个隐藏层的输出被用作对网络中的下一层——即下一隐藏层或输出层——的输入。网络的每一层根据相应参数集合的当前值从所接收到的输入生成输出。

技术实现思路

1、本说明书描述了一种实现为在一个或多个位置中的一个或多个计算机上的计算机程序的系统，该系统使用生成式神经网络来执行天气临近预报，例如降水临近预报。

2、天气临近预报，例如降水临近预报，通常是指相对于生成预报的当前时间在不久的将来，例如从当前时间起至多提前两个小时，对天气——例如降水，诸如降雨、水汽凝结体或两者——的高分辨率预报。

3、可以实现本说明书中描述的主题的特定实施例，以便实现以下优点中的一个或多个。

4、降水临近预报，即，至多提前两小时的降水的高分辨率预报，支持依赖于天气相关的决策制定的许多部门的真实世界社会经济需求。临近预报影响各种部门的运作，包括紧急服务、能源管理、零售、洪水预警系统、空中交通控制和海洋服务。

5、为了使临近预报在这些应用中有用，预报必须提供跨多个空间和时间尺度的准确预测，考虑不确定性并进行概率验证，并在较罕见但较关键地影响人类生活和经济的较强降水事件上表现良好。

6、现有技术的操作临近预报方法通常利用基于雷达的风力估计来平流输送降水场，并且难以捕获重要的非线性事件，诸如对流初生。现有的深度学习方法使用雷达来直接预测未来的降雨率，不受物理约束。虽然它们准确地预测低强度降雨，但是它们的操作效用有限，因为它们缺乏约束，在较长的提前期产生模糊的临近预报，在更罕见的中至大雨事件中表现不佳。

7、为了解决这些挑战，所描述的技术使用深度生成式模型用于从雷达对例如降水的概率临近预报。所描述的模型在多达1536km×1280km的区域内并且以从当前时间起提前5至90min的提前期产生现实的且时空一致的预测。所描述的模型在求助于模糊的情况下生成精巧的临近预报，并且在一些实施方式中，能够为单个观测生成多个精巧的临近预报，即，捕获临近预报中的固有不确定性。所描述的技术提供了提高预报价值并支持操作效用并且以备选方法难以实现的分辨率和提前期的概率预测。

8、在附图和以下描述中阐述了本说明书的主题的一个或多个实施例的细节。本主题的其它特征、方面和优点将从说明书、附图和权利要求变得显而易见。

技术特征：

1.一种由一个或多个计算机执行的方法，所述方法包括：

2.根据任一前述权利要求所述的方法，其中：

3.根据任一前述权利要求所述的方法，其中使用所述生成式神经网络来处理雷达场的所述场境时间序列和所采样的潜在输入包括：

4.根据权利要求3所述的方法，其中，根据所述场境特征表示和所述潜在特征表示生成所述预测时间序列包括：

5.根据权利要求4所述的方法，其中，根据所述场境特征表示和所述潜在特征表示生成所述预测时间序列包括：

6.根据任一前述权利要求所述的方法，其中，所述生成式神经网络已在包括观测雷达场的序列的训练数据上与一个或多个判别器神经网络联合地被训练，以优化生成式对抗网络(gan)目标。

7.根据权利要求6所述的方法，其中，所述一个或多个判别器神经网络包括时间判别器神经网络，所述时间判别器神经网络将来自所述训练数据的观测雷达场的序列与由所述生成式神经网络生成的预测雷达场的序列区分开。

8.根据权利要求6或7所述的方法，其中，所述一个或多个判别器神经网络包括空间判别器神经网络，所述空间判别器神经网络将来自所述训练数据的各个观测雷达场与由所述生成式神经网络生成的各个预测雷达场区分开。

9.根据权利要求6至8中任一项所述的方法，其中所述生成器神经网络和所述判别器神经网络在具有第一维数的观测雷达场上被训练，其中，在所述训练之后，由所述生成器神经网络作为输入接收的所述场境雷达场和由所述生成器神经网络生成的所述预测雷达场具有第二维数，并且其中所述第一维数小于所述第二维数。

10.根据权利要求9所述的方法，其中，在所述训练期间，所采样的潜在输入具有比在训练之后的所采样的潜在输入更小的维数。

11.根据权利要求10所述的方法，其中

12.根据任一前述权利要求所述的方法，其中，对每个潜在输入进行采样包括：独立地从所指定的分布采样所述潜在输入中的每个值。

13.根据任一前述权利要求所述的方法，其中，所述潜在输入的集合包括多个潜在输入。

14.一种包括一个或多个计算机和存储指令的一个或多个存储设备的系统，所述指令当由所述一个或多个计算机运行时，使所述一个或多个计算机执行根据权利要求1至13中任一项所述的相应方法的操作。

15.一个或多个存储指令的计算机可读存储介质，所述指令当由一个或多个计算机运行时，使所述一个或多个计算机执行根据权利要求1至13中任一项所述的相应方法的操作。

16.一种能源管理系统，包括根据权利要求14所述的系统或根据权利要求15所述的计算机可读存储介质，其中所述能源管理系统被配置成：

17.一种洪水预警系统，包括根据权利要求14所述的系统或根据权利要求15所述的计算机可读存储介质，其中所述洪水预警系统被配置成：

18.一种空中或海洋交通控制系统，包括根据权利要求14所述的系统或根据权利要求15所述的计算机可读存储介质，其中所述空中或海洋交通控制系统被配置成：

19.根据权利要求18所述的空中或海洋交通控制系统，其中所述空中或海洋交通控制系统是空中交通控制系统，并且其中所述真实世界位置是机场的位置。

20.一种能源管理系统，包括根据权利要求14所述的系统或根据权利要求15所述的计算机可读存储介质，其中所述能源管理系统被配置成：

技术总结
使用生成式神经网络进行降水临近预报的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。这些方法之一包括获得表征真实世界位置的多个场境雷达场的场境时间序列，每个场境雷达场表征在对应的先前时间点在真实世界位置中的天气；通过从指定的分布采样值来采样一个或多个潜在输入的集合；以及对于每个采样的潜在输入，使用生成式神经网络来处理雷达场的场境时间序列和采样的潜在输入，生成式神经网络已经通过训练被配置成处理雷达场的时间序列以生成包括多个预测雷达场的预测时间序列作为输出，预测时间序列中的每个预测雷达场表征在对应的未来时间点在真实世界位置中的预测天气。

技术研发人员：苏曼·拉武里,卡雷尔·伦科,彼得·沃伊切赫·米罗夫斯基,雷米·罗杰·阿兰·保尔·拉姆,马修·詹姆斯·威尔森,安德鲁·布罗克
受保护的技术使用者：渊慧科技有限公司
技术研发日：
技术公布日：2024/1/15