[发明专利]一种用于降雨预报后处理的自监督神经网络架构搜索方法

说明书

本发明公开了一种用于降雨预报后处理的自监督神经网络架构搜索方法，所述方法包括NWP模型对原始气象数据处理，得到降雨预测后处理输入数据图，将所述降雨预测后处理输入数据图输入到自监督神经网络架构搜索模型中，搜索模型利用目标网络和在线网络做对比学习，计算目标网络和在线网络的输出差异并做MSE损失计算，梯度更新目标网络和在线网络后得到搜索完毕的在线模型，使用训练数据集继续训练模型，使用HSS损失函数计算损失后梯度更新，最后获得训练完整的预测模型。本发明的有益效果在于：自监督神经网络架构搜索模型自动设计高准确度的神经网络模型，并通过引入强度分类指标HSS设计正则化函数，以提高降雨等级分类的准确性。

技术领域

本发明属于计算机预测模型的技术领域，具体涉及一种用于降雨预报后处理的自监督神经网络架构搜索方法。

技术背景

受复杂的环境观测和对专家领域知识要求高的限制，降雨预报是天气预报中最困难的任务之一。以前的降雨预报技术主要依赖于基于数值统计的模式，如数值天气预报(NWP)模式系统，客观解释应用和降尺度网格后处理技术。NWP模式的发展为降雨预报奠定了基础。然而，降雨发生期间的云动态和微物理过程不能用单一模式(如NWP模式)有效地表示。在单模型预测的基础上，不可避免地会产生偏差。为了避免这种偏差，集合预测方法对模型变量的多个输出进行了合并。在深度学习蓬勃发展之前，提取有用的降雨预报信息是一种常用的方法。

现有的基于学习的网络设计方法由于对专家领域知识的要求较高而受到限制，降雨预报面临着诸如雨区小、降雨和背景的高度相似性和多样化地理环境等挑战。人工设计网络来解决这些主要挑战是非常耗时的。

神经结构搜索(NAS)的目标是通过从预定义的搜索空间中自动选择和组合不同的基本操作来搜索一个鲁棒性好的、性能良好的神经结构，以最大限度地提高给定任务的准确性。这些基于NAS的方法可以按照架构优化方法分为三个方面:1、进化算法；2、强化学习方法；3、梯度下降法。它们都有各自的优点，其中梯度下降法优化的可微NAS算法搜索速度快。

发明内容

鉴于现有技术的缺陷，本发明提供了一种用于降雨预报后处理的自监督神经网络架构搜索方法以减少在降雨预测工作中的人工设计成本；本发明通过引入一个具有自监督搜索策略的降雨感知搜索空间，以及一个新的持续感知正则化函数(HSS)进行训练时的损失计算，以达到最终降雨预测任务表现效果的提升的目的。

为了实现上述目的，本发明采用的技术方案如下：

一种用于降雨预报后处理的自监督神经网络架构搜索方法，所述方法包括NWP模型对原始气象数据处理，得到降雨预测后处理输入数据图，将所述降雨预测后处理输入数据图输入到自监督神经网络架构搜索模型中，搜索模型利用目标网络和在线网络做对比学习，计算目标网络和在线网络的输出差异并做MSE损失计算，梯度更新目标网络和在线网络后得到搜索完毕的在线模型，使用训练数据集继续训练模型，使用HSS损失函数计算损失后梯度更新，最后获得训练完整的预测模型。

需要说明的是，目标网络的初始化参数与在线网络相同，在搜索过程中，目标网络会定期根据在线网络的参数进行指数移动平均(EMA)更新；每次输入数据时，输入数据都会被随机裁剪成x₁,x₂,x'₁和x'₂四个种子，每个网络输入两个种子；整个体系结构的主干包含多个块，x₁和x₂通过主干时会选择不同的路径来搜索最优体系结构；在线网络根据输出数据和目标网络的输出做对比损失执行梯度更新。

需要说明的是，首先会初始化两个初始参数一样的在线网络和目标网络，通过迭代搜索数据集，将一份数据x随机分割成四个种子并分为两组(x₁,x₂)，每个网络输入两组种子；得到网络输出后，再计算两组输入的均方误差(MSE)，进行损失计算和反向传播，最后更新在线网络参数，以及使用指数移动更新(EMA)策略定期更新目标网络参数，直到数据集迭代完毕。