[发明专利]一种基于多卷积集成学习的天气预测方法

说明书

本发明公开了一种基于卷积神经网络的天气预测方法。首先基于卷积神经网络结构建立模型。然后采用集成学习的方法，选用四种卷积网络模型对晴，阴，雨，雪四种天气的数据集进行识别之后，再进行天气预测。相比已公开发明专利。本发明与仅使用卷积神经网络的预测方法获得的四个准确率相比，提高了许多。充分发挥了集成学习的优势。

技术领域

本发明涉及一种基于多卷积集成学习的天气预测方法，属于图像处理与计算机视觉技术领域。

背景技术

智能交通系统是实现城市化所必须具备的条件。智能交通系统将发展前沿的计算机技术，传感器技术等运用到了交通领域，加强了道路，车辆，行人，以及各类交通设施之间的联系。为扩大交通系统的监控范围，在道路两旁增加了许多的监控摄像头，可以实时获取任何地点的道路监控视频或者图片。随着各类传感器的普及，在各处大量布置传感器能够 实现天气预测精确性的要求。

目前对于天气预测问题一直存在很多的困难，特别是在天气多变的城市，对于天气的预测有着不小的难度。目前运用传感器获取信息并且进行预测是可行的，但传感器应用 对此方面存在几个较大的缺陷。如果要实现准确的预测的话，就必须要在城市的各处布置大 量的传感器。为此需要付出非常高的成本。并且，由于传感器的数量巨大，日后的维护成本 和难度也相当高。因此，有必要寻找一种更加高效快速的方法。目前通过图像，视频所建模 的视觉系统被不断深入挖掘。根据实时图像而进行的天气预测准确度也已经超过了大气建模 分析天气特征指数的预测准确度。

虽然通过摄像头的布置，能够十分方便的获取外界中任意时刻的图片。但是由于摄像头自身像素和天气环境的好坏，都会直接影响到照片的质量。特别是在出现极端恶劣天 气，摄像头的表面会吸附一些颗粒或者是雨雪。从而影响到拍摄，最终导致拍摄出来的图片 质量较低。而图片质量低，将很有可能导致图像预测时出现误判，进而影响到图像分辨的准 确率。因此，在对这种图片进行图像预测时，首先要做的是图片的预处理。分类之后进行多 次选择。从而将恶劣天气，摄像头自身原因等一系列不利因素所带来的影响减少到最低。

深度学习(Deep Learning,DL)是在机器学习的基础上不断完善发展起来的新的图像分类预测方法。深度学习的出现对人工智能各个方面都有着积极的效果。特别是卷积神 经网络(Convolutional Neural Network，CNN)的大量运用。利用卷积神经网络去进行图像 分类。所建立的图像分类模型，具有局部感知和参数共享的特征。因此，卷积神经网络对图 像识别的速度能够大大缩短。并且，经过大量训练之后所得到的模型，在今后进行分类时将 不断获得提升，将模型继续更新，不断提升准确率。

天气分类问题，近几年都有学者进行研究。Ong等人使用气象中心提供的环境监测数据，按时间顺序输入深度递归网络进行训练，提高了对空气中PM2.5监控的准确率。但是，通过气象中心获得的数据集往往需要较长的观测时间。而运用图像分类处理则可以大大 改善这一问题。通过道路上大量的摄像头所拍摄的图片，来对当前环境的天气进行预测。

不同天气下拍摄的图像有许多相似之处，但也有一些差异性。因此，对于这种情况，只有进行详细且准确的分类才能在最后得到较高的准确率。因此，在基于图像识别的天气分类工作的关键在于如何高效的提取有效的天气特征。由于天气图片提取存在缺陷。因此 开始选择每类天气的特定区域，然后再从该特征区域去提取天气特征，之后再将提取到的特 征输入到各个分类中去获得结果。