公开(公告)号：CN118822048A

公开(公告)日：2024-10-22

申请号：CN202411305389.0

申请日：2024-09-19

Applicant: 南京信息工程大学

Inventor： 范怡 ,  尹志聪 ,  张玲 ,  姜玉洁 ,  朱寿鹏 ,  智协飞 ,  段明铿

IPC: G06Q10/04 ,  G06Q50/26 ,  G06F18/15 ,  G06F18/213 ,  G06F18/2431 ,  G06N3/0455 ,  G06N3/049 ,  G06N3/0499 ,  G06N3/0464 ,  G06N3/084 ,  G01W1/10 ,  G06F123/02

Abstract: 本发明公开了一种前兆因子深度融合的次季节极端降水预测方法，包括：基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；本发明通过数值模式降水预测、历史降水观测和观测前兆因子数据的深度融合，利用一种新的时空变换网络深度学习方法，显著提高了次季节极端降水预测的准确性和全面性，具有极高的应用价值和广泛的应用前景。

公开(公告)号：CN118822048B

公开(公告)日：2024-12-06

申请号：CN202411305389.0

申请日：2024-09-19

Applicant: 南京信息工程大学

Inventor： 范怡 ,  尹志聪 ,  张玲 ,  姜玉洁 ,  朱寿鹏 ,  智协飞 ,  段明铿

IPC: G06Q10/04 ,  G06Q50/26 ,  G06F18/15 ,  G06F18/213 ,  G06F18/2431 ,  G06N3/0455 ,  G06N3/049 ,  G06N3/0499 ,  G06N3/0464 ,  G06N3/084 ,  G01W1/10 ,  G06F123/02

Abstract: 本发明公开了一种前兆因子深度融合的次季节极端降水预测方法，包括：基于优化的损失函数，构建融合数值模式降水预测、历史降水观测以及观测前兆因子的时空变换网络深度学习模型，基于数值模式降水预测数据集、历史降水观测数据集以及观测前兆因子数据集展开模型训练与优化；利用训练好的模型，输入目标时间的数值模式降水预测和前兆因子数据进行预测，输出次季节极端降水预测结果；本发明通过数值模式降水预测、历史降水观测和观测前兆因子数据的深度融合，利用一种新的时空变换网络深度学习方法，显著提高了次季节极端降水预测的准确性和全面性，具有极高的应用价值和广泛的应用前景。