[发明专利]基于变换门时空长短期记忆单元的雷达回波序列预测方法

说明书

本发明公开了基于变换门时空长短期记忆单元的雷达回波序列预测方法，具体为：将数据集分为训练集和测试集；之后对数据集中的图像进行预处理，得到雷达回波序列；在时空长短期记忆单元的基础上，使用变换门机制针对遗忘门进行改进，从而构建网络结构中的TG‑ST‑LSTM结构单元；采用TG‑ST‑LSTM结构单元堆叠的方式获得TG‑PredRNN网络结构，利用训练集数据对网络结构进行训练；将测试集数据输入到网络中进行测试，再对得到的图像进行复原，最终得到预测结果图。相较于经典的ST‑LSTM和ConvLSTM结构单元，带有变换门机制的结构单元可以显著提升捕获雷达回波序列短期突变现象和时空相关性的能力。

技术领域

本发明属于雷达回波序列预测技术领域，具体涉及一种基于变换门时空长短期记忆单元的雷达回波序列预测方法。

背景技术

天气影响着人们生活的方方面面，从农业生产到自然灾害，从人们出行到生产与服务都有着它的影子，故而对天气的观测和预测是从古到今都一直在关注和解决的问题。提前知晓未来天气情况并对做出有效的应对举措是必不可少的，而基于深度学习来预测雷达回波序列的变化趋势从而判断降水情况已经成为智慧气象领域的研究热点。这种降水临近预报本质上是一个以过去雷达回波序列为输入，以未来固定数量 (通常大于1)的雷达回波序列为输出的时空序列预测问题。然而，由于时空序列的非平稳性，尤其是当必须进行多步预测时，除非预测模型能够很好地捕捉到数据的时空变化结构，否则预测的雷达回波序列会产生模糊和噪音现象，从而导致预测准确率降低，故而在捕获时空相关性方面就显得尤为重要。

发明内容

本发明的目的是提供基于变换门时空长短期记忆单元的雷达回波序列预测方法，提高时空序列预测的时空相关性和雷达回波序列预测的性能。

本发明所采用的技术方案是，基于变换门时空长短期记忆单元的雷达回波序列预测方法，具体按照以下步骤实施：

步骤1、使用MovingMNIST数据集和Standardized RAdar Dataset 2020雷达回波数据集，并将数据集分为训练集和测试集；之后对两个数据集中的图像进行预处理，得到能够输入到网络结构的雷达回波序列；

步骤2、在时空长短期记忆单元的基础上，使用变换门机制针对遗忘门进行改进，从而构建网络结构中的TG-ST-LSTM结构单元；

步骤3、采用TG-ST-LSTM结构单元堆叠的方式获得TG-PredRNN 网络结构；

步骤4，利用训练集数据对TG-PredRNN网络结构进行训练；

步骤5，将测试集数据输入到TG-PredRNN网络中进行测试，再对得到的图像进行复原，最终得到预测结果图。

本发明的特点还在于，

步骤1中，具体做法为：

将MovingMNIST数据集分为训练集和测试集，其中训练集包含 20000组序列，测试集包含5000组序列；在SRAD2020雷达回波数据集中，采用17031张连续图像作为训练集，3969张连续图像作为测试集；之后将两个数据集中的所有图像的尺寸调整至64×64×1，并进行灰度化，并对图像进行切片操作使其成为16×16×16的格式以缩小计算量。

步骤2中，具体做法为：

在ST-LSTM的单元结构中，通过1-tanh函数将遗忘门f_t的 Sigmoid函数饱和区间进行压缩，使得遗忘门f_t输出通过设置的变换门映射到[0，0.75]的范围，而后在经过变换门处理之后，将接近1的值将缩小为0.25，将接近0的值变得接近1，而靠近中间的值将被压缩为0.5，进而得到TG-ST-LSTM结构单元，其表达式如下：