[发明专利]一种降水量预测模型的建立方法

权利要求书

1.一种降水量预测模型的建立方法，其特征在于，包括以下步骤：

S1：获取台站数据进行预处理，然后通过监督学习方式对预处理后的台站数据进行填补，得到补齐站点数据；所述台站数据包括站点坐标、站点坐标对应的要素值；其中，所述通过监督学习方式对预处理后的台站数据进行填补的步骤具体包括：

将预处理后的台站数据排列为一个序列进行归一化，基于GRU神经网络依次读取序列中的数据进行编码，输出分布式向量空间特征；

将所述分布式向量空间特征输入GRU神经网络进行解码，同时输入待查询站点坐标，输出待查询站点坐标对应的要素值；

或者，其中，所述通过监督学习方式对预处理后的台站数据进行填补的步骤具体包括：

将预处理后的台站数据排列为一个序列进行归一化，基于Transformer神经网络同时读取序列中的数据进行编码，输出分布式向量空间特征；

将所述分布式向量空间特征输入Transformer神经网络中进行解码，同时输入待查询站点坐标，输出待查询站点坐标对应的要素值；

或者，其中，所述通过监督学习方式对预处理后的台站数据进行填补的步骤具体包括：

将预处理后的台站数据排列为一个序列进行归一化，基于GRU神经网络与Transformer神经网络共同读取序列中的数据进行解码，输出分布式向量空间特征；

将所述分布式向量空间特征输入GRU神经网络与Transformer神经网络进行解码，同时输入待查询站点坐标，输出待查询站点坐标对应的要素值；

S2：将补齐站点数据进行归一化后送入GRU神经网络和/或Transformer神经网络进行特征提取；

S3：将经特征提取后的数据输入Seq2Seq神经网络中进行编码，得到隐状态后再进入Seq2Seq神经网络中进行解码，输出预测气象空间特征序列；

S4：基于Transformer神经网络对所述预测气象空间特征序列进行解码得到降水量预测模型；所述步骤S4包括：

通过GRU神经网络或Transformer神经网络对所述预测气象空间特征序列进行特征提取，得到模式预测气象空间特征，将所述模式预测气象空间特征与所述预测气象空间特征序列一同输入到DNN神经网络得到融合后气象空间特征预测序列；

基于Transformer神经网络对到融合后气象空间特征预测序列进行解码得到降水量预测模型。

2.根据权利要求1所述的方法，其特征在于，所述预处理包括步骤：

采用正态分布异常过滤法，将每个站点和距离该点欧氏距离最近的100个点的台站数据视作服从正态分布，去除超出正态分布区间范围的值。

3.根据权利要求1-2任一项所述的方法，其特征在于，所述站点坐标为站点高度、经度、纬度组成的三维向量；

所述站点坐标对应的要素值为最大气温、最小气温、平均气温、最大气压、最小气压、平均气压、平均相对湿度、最小相对湿度、水汽压构成的九维向量。