基于时序卷积网络的月降水模型预测方法

本申请属于计算机领域和气象预测，具体涉及基于时序卷积网络的月降水模型预测方法。

背景技术：

1、降水是一种可以直观描述气候变化的指标之一，也是人类生活中的必不可少的自然资源。降水的时空分布不均匀往往会导致干旱、洪涝等自然灾害的发生，给人类生活、经济发展和生态环境造成严重的影响和破坏。因此，准确预测降水可以为水资源管理、防灾减灾等方面提供有用信息。随着人工智能技术的发展，深度学习方法也越来越多地用于月降水预测领域。虽然在现有的循环神经网络体系结构中，例如长短期记忆网络和门控循环网络可以缓解梯度爆炸的问题，但是长短期记忆网络和门控循环网络具有复杂的门控机制和高内存的要求。与循环神经网络相比，卷积神经网络，特别是时序卷积网络，对内存的要求更低，结构更简单，训练方案更稳定。

2、降水受到许多因素的影响，导致其具有非线性和非平稳性。现有的月降水预测方法通常是直接对非线性、非平稳的序列进行预测，这样会导致预测精度不高。在预测模型中引入如离散小波分解的信号处理方法，可以有效的将月降水序列分解到不同时间尺度上，减少时间序列数据的非平稳特征，提取隐藏在数据中的有效信息，从而提高预测精度。采用boruta特征选取方法可以从大量的候选预测因子中挑选出月降水的重要预测因子，提高模型预测性能。

技术实现思路

1、本申请提出了基于时序卷积网络的月降水模型预测方法，通过耦合时序卷积网络、离散小波分解和boruta特征选择方法构建月降水预测模型，能够从而获得月降水预测值。

2、为实现上述目的，本申请提供了如下方案：

3、基于时序卷积网络的月降水模型预测方法，包括以下步骤：

4、收集并整理月降水量和候选预测因子，将所述月降水量和候选预测因子分别分为训练期和预测期；

5、对所述训练期和预测期的数据进行分解，分别得到不同分解尺度的分量；

6、基于候选预测因子的分量对降水分量的重要性，为降水分量挑选重要预测因子；

7、基于所述月降水分量及其重要预测因子，构建月降水分量预测模型；

8、基于所述月降水分量预测模型，对月降水分量进行预测，并将预测值相加得到最终的月降水预测值。

9、优选的，所述候选预测因子包括：历史月降水和气候指数。

10、优选的，对所述训练期和预测期的数据进行分解的方法包括：离散小波分解。

11、优选的，所述离散小波分解的方法包括：用不同频率的滤波器分析不同频率的信号，包括高通滤波器和低通滤波器。

12、优选的，所述高通滤波器包括：将输入信号的高频部分滤掉输出低频部分，得到近似分量。

13、优选的，所述低通滤波器包括：滤掉低频部分输出高频部分，得到细节分量。

14、优选的，得到所述重要预测因子的方法包括：采用boruta特征选择方法。

15、优选的，构建所述月降水分量预测模型的方法包括：构建时序卷积神经网络。

16、优选的，时序卷积神经网络包括:因果卷积、膨胀卷积和残差链接。

17、本申请的有益效果为：

18、本申请公开了基于时序卷积网络的月降水模型预测方法，本申请方法首先对模型输入进行预处理，利用离散小波变换将模型输入分解为不同时间尺度的细节分量和近似分量，有效提取隐藏在原始月降水数据中的有用信息，从而提高预测模型的准确性。采用boruta特征选择方法从众多候选预测因子中挑选重要预测因子，有效减少了模型输入，提高了预测性能。此外，采用时序卷积网络技术对分解后的月降水分别进行训练和预测，实施者可以有效地控制时序卷积网络模型视野域的大小，避免了传统循环神经网络中出现的梯度爆炸或梯度消失问题，使得模型更加稳健。

技术特征：

1.基于时序卷积网络的月降水模型预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述候选预测因子包括：历史月降水和气候指数。

3.根据权利要求1所述的基于时序卷积网络的月降水模型预测方法，其特征在于，对所述训练期和预测期的数据进行分解的方法包括：离散小波分解。

4.根据权利要求3所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述离散小波分解的方法包括：用不同频率的滤波器分析不同频率的信号，包括高通滤波器和低通滤波器。

5.根据权利要求4所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述高通滤波器包括：将输入信号的高频部分滤掉输出低频部分，得到近似分量。

6.根据权利要求4所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述低通滤波器包括：滤掉低频部分输出高频部分，得到细节分量。

7.根据权利要求1所述的基于时序卷积网络的月降水模型预测方法，其特征在于，得到所述重要预测因子的方法包括：采用boruta特征选择方法。

8.根据权利要求1所述的基于时序卷积网络的月降水模型预测方法，其特征在于，构建所述月降水分量预测模型的方法包括：构建时序卷积神经网络。

9.根据权利要求8所述的基于时序卷积网络的月降水模型预测方法，其特征在于，所述时序卷积神经网络包括:因果卷积、膨胀卷积和残差链接。

技术总结
本申请公开了基于时序卷积网络的月降水模型预测方法，包括以下步骤：收集并整理月降水量和候选预测因子，将所述月降水量和候选预测因子分别分为训练期和预测期；对所述训练期和预测期的数据进行分解，分别得到不同分解尺度的分量；基于候选预测因子的分量对降水分量的重要性，为降水分量挑选重要预测因子；基于所述月降水分量及其重要预测因子，构建月降水分量预测模型；基于所述月降水分量预测模型，对月降水分量进行预测，并将预测值相加得到最终的月降水预测值。本申请通过离散小波分解和Boruta特征选择方法分别有效提取了隐藏在数据中不同时间尺度的有用信息和识别了影响月降水的重要因子，从而提高模型预测精度。

技术研发人员：陶俐芝,杨东,方朝阳
受保护的技术使用者：江西师范大学
技术研发日：
技术公布日：2024/1/13