王 軍，陳百艷，程 勇

(1.南京信息工程大學(xué) 計算機與軟件學(xué)院，江蘇 南京 210044；2.南京信息工程大學(xué) 科技產(chǎn)業(yè)處，江蘇 南京 210044)

0 引 言

降雨預(yù)測與人類生活和社會經(jīng)濟等方面具有密切聯(lián)系，準(zhǔn)確的氣象預(yù)測可以為人類出行及生命安全提供可靠的科學(xué)依據(jù)，但建立高效的短期降雨預(yù)測模型面臨諸多挑戰(zhàn)。隨著傳感器探測技術(shù)、儲存技術(shù)不斷更新，傳統(tǒng)的降雨預(yù)測方法已無法滿足氣象大數(shù)據(jù)處理的要求。近年來深度學(xué)習(xí)在各個領(lǐng)域中的應(yīng)用，得到學(xué)者的廣泛認可，同時也給氣象預(yù)測擴展了處理分析多種氣象大數(shù)據(jù)的方法。受到啟發(fā)，本文中降雨預(yù)測的研究工作主要基于深度學(xué)習(xí)展開。

目前，越來越多的氣象中心開始使用多個觀測點的一組氣象特征作為降雨預(yù)測數(shù)據(jù)，現(xiàn)有降雨預(yù)測模型大多基于單站點數(shù)據(jù)構(gòu)建，無法利用數(shù)據(jù)間的橫向關(guān)聯(lián)性，數(shù)據(jù)縱向特征的完整性也無法保證。本文使用多任務(wù)學(xué)習(xí)構(gòu)建探索多站點數(shù)據(jù)時空特性的降雨預(yù)測模型，將多個觀測站點氣象數(shù)據(jù)進行聯(lián)合學(xué)習(xí)，對站點間的相關(guān)性進行建模，充分利用多站點氣象數(shù)據(jù)的橫縱特性，使模型的預(yù)測結(jié)果更加準(zhǔn)確、豐富。

研究時，將降雨預(yù)測問題類比為時空序列預(yù)測問題，通過輸入以往一段時刻的雷達序列圖像，預(yù)測出未來某一時刻的雷達序列圖像。由于時空序列具有高維性，模型必須進行多步預(yù)測，使得模型需要捕捉數(shù)據(jù)的時空結(jié)構(gòu)。對此，本文提出在長短時記憶網(wǎng)絡(luò)中加入卷積運算結(jié)構(gòu)，與多任務(wù)學(xué)習(xí)方法結(jié)合建立端到端的MTL-LSTC網(wǎng)絡(luò)模型，對氣象數(shù)據(jù)進行編碼預(yù)測。大量實驗結(jié)果表明，模型可以有效提取氣象數(shù)據(jù)內(nèi)部時空特性，使預(yù)測精度大幅提高。

1 相關(guān)工作

目前的降雨預(yù)測方法主要分3類：概念模型預(yù)測技術(shù)[1]、數(shù)值預(yù)測技術(shù)[2]和雷達回波外推預(yù)測技術(shù)[3]。概念模型預(yù)測技術(shù)是通過分析觀測數(shù)據(jù)，建立強對流天氣系統(tǒng)產(chǎn)生、發(fā)展、消失的概念模型，結(jié)合其它外推方法進行預(yù)報的技術(shù)；數(shù)值預(yù)測技術(shù)是指根據(jù)大氣的實際情況，通過數(shù)值計算表示氣象演變過程的流體力學(xué)或熱力學(xué)的方程組，對未來的大氣運動狀況及其它氣象信息進行預(yù)測的方法；雷達回波外推預(yù)測技術(shù)是通過跟蹤雷達圖像或云圖等氣象圖像資料，外推出降雨云團或者強風(fēng)暴的位置、形狀和強度的變化。近幾年，數(shù)值預(yù)測技術(shù)和雷達回波外推預(yù)測技術(shù)受到了越來越多的學(xué)者推崇，然而使用數(shù)值預(yù)測技術(shù)進行臨近預(yù)測時，對大氣模型模擬物理公式的過程較為復(fù)雜，因此，更多研究者使用雷達回波外推預(yù)測技術(shù)構(gòu)建降雨預(yù)測模型。

深度學(xué)習(xí)的飛速發(fā)展給降雨預(yù)測帶來了新突破，大量的氣象數(shù)據(jù)可以通過深度學(xué)習(xí)探索出氣象因子之間相互依賴的關(guān)系及潛在規(guī)律，預(yù)測出降雨在未來某一時刻的情況。最新研究中，文獻[4]提出將Horn-Schunck算法[5]和Lucas-Kanade算法[6]結(jié)合進行實時回波變分光流計算，捕獲關(guān)鍵位置的雷達回波運動變化過程，對局域系統(tǒng)[7]內(nèi)短距離強暴雨預(yù)警的研究。但是這類光流算法模型中，光流計算的步驟與雷達回波外推步驟是分開的，使得模型的參數(shù)優(yōu)化過程十分困難。隨著深度學(xué)習(xí)的發(fā)展，循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)和長短時記憶網(wǎng)絡(luò)(long short-term memory，LSTM)將這一問題有效解決。文獻[8]開創(chuàng)性的提出LSTM編碼-解碼模型，搭建序列到序列學(xué)習(xí)過程的通用框架，通過訓(xùn)練臨時的LSTM單元解決學(xué)習(xí)中序列信息傳輸?shù)膯栴}。之后，文獻[9]對LSTM模型中編碼-解碼過程進行優(yōu)化，提出全連接的長短時記憶網(wǎng)絡(luò)模型(fully connected LSTM，F(xiàn)C-LSTM)，在重構(gòu)輸入序列的同時預(yù)測未來序列，模擬時空序列預(yù)測內(nèi)的空間關(guān)系。雖然FC-LSTM模型為處理時空序列預(yù)測問題提供了有效解決方法，但由于LSTM層間采用全連接的方式，不考慮空間相關(guān)性且存在較高冗余。為更好模擬出時空序列內(nèi)時空關(guān)系，本文提出使用具有卷積運算結(jié)構(gòu)的長短時記憶網(wǎng)絡(luò)(long short-term convolutional calculation network，LSTC)，通過疊加多個LSTC層形成編碼預(yù)測結(jié)構(gòu)，構(gòu)建更高效的降雨預(yù)測模型。

多任務(wù)學(xué)習(xí)是機器學(xué)習(xí)的一種學(xué)習(xí)范式，利用多個相關(guān)任務(wù)包含的豐富信息來提高所有任務(wù)的泛化能力。機器學(xué)習(xí)通常需要大量的訓(xùn)練樣本學(xué)習(xí)，來取得精確的結(jié)果，基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型需要更龐大的標(biāo)記樣本來訓(xùn)練含有大量模型參數(shù)的深層神經(jīng)網(wǎng)絡(luò)。如果樣本數(shù)量不足，不論是淺層模型還是深層模型學(xué)習(xí)要求都不能得到滿足。如果單個任務(wù)中的訓(xùn)練樣本有限，而此時模型中恰巧有多個相關(guān)任務(wù)，那么多任務(wù)學(xué)習(xí)就是一個很好的解決方案。

多任務(wù)學(xué)習(xí)常常會與遷移學(xué)習(xí)作比較，兩者之間相似卻完全不同。多任務(wù)學(xué)習(xí)中，相關(guān)任務(wù)與目標(biāo)任務(wù)之間沒有區(qū)別，都是為了提高所有任務(wù)的性能。而遷移學(xué)習(xí)則是借助相關(guān)任務(wù)來提高目標(biāo)任務(wù)的性能，有時目標(biāo)任務(wù)比相關(guān)任務(wù)看起來更重要。目前多任務(wù)學(xué)習(xí)的主要研究方向有多任務(wù)學(xué)習(xí)正則化[10]、多任務(wù)學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的結(jié)合[11]和多任務(wù)學(xué)習(xí)的權(quán)值分配[12]。雖然多任務(wù)學(xué)習(xí)方法目前已逐漸成熟，但在氣象預(yù)測中的應(yīng)用較少，本文仔細研究文獻[13]中工作后，提出使用多任務(wù)學(xué)習(xí)方法處理多站點預(yù)測問題，通過站點相關(guān)性矩陣自動描述站點間的關(guān)聯(lián)性，進一步提高深度學(xué)習(xí)降雨預(yù)測模型的性能。

2 基于MTL-LSTC網(wǎng)絡(luò)的降雨預(yù)測模型

本文將多任務(wù)學(xué)習(xí)方法與LSTC網(wǎng)絡(luò)結(jié)合，提出基于MTL-LSTC網(wǎng)絡(luò)的降雨預(yù)測模型。多任務(wù)學(xué)習(xí)對多個相關(guān)任務(wù)進行同時學(xué)習(xí)，相比單任務(wù)學(xué)習(xí)獨立分解的策略，多任務(wù)學(xué)習(xí)能夠有效利用多站點氣象數(shù)據(jù)中關(guān)聯(lián)因素，使模型具有更高的泛化能力。LSTC網(wǎng)絡(luò)能夠更好捕捉氣象序列數(shù)據(jù)的時空相關(guān)性，構(gòu)建出通用的時空序列預(yù)測模型，進行更有效的降雨預(yù)測。接下來首先對多任務(wù)學(xué)習(xí)和LSTC網(wǎng)絡(luò)兩個模塊分別進行闡述，最后對整個模型的優(yōu)化過程進行詳細介紹。

2.1 多任務(wù)學(xué)習(xí)設(shè)置

降雨預(yù)測是一個回歸問題，已有解決方法包括獨立模型[14]和統(tǒng)一模型[15]，獨立模型不考慮多站點間內(nèi)在關(guān)聯(lián)，統(tǒng)一模型假設(shè)所有站點使用相同的關(guān)聯(lián)公式，這兩類模型都不能提取出多站點氣象數(shù)據(jù)的差異性。本文使用多任務(wù)學(xué)習(xí)方法構(gòu)建端到端的多站點降雨預(yù)測模型，允許信息從一個站點轉(zhuǎn)移到其它相關(guān)站點，并建立站點間相關(guān)性矩陣。本節(jié)將從2個部分對模型中多任務(wù)學(xué)習(xí)設(shè)置進行詳細介紹，首先介紹建立多站點間相互關(guān)系的過程，然后介紹網(wǎng)絡(luò)中多任務(wù)學(xué)習(xí)的功能。

(1)

式中：l(.) 表示損失函數(shù)，g(.) 表示激活函數(shù)，f(.) 表示特征轉(zhuǎn)換函數(shù)，U∈RH×1表示輸出層，其中H是隱藏層的維度。統(tǒng)一模型是將所有站點看成相同的模型進行輸出，沒有考慮各個站點的特性。我們將統(tǒng)一模型轉(zhuǎn)換為多任務(wù)學(xué)習(xí)模型，定義每個站點都有自己的輸出層Op∈RH×1， 利用輸出層Op表現(xiàn)每個站點特性。由于回歸問題一般使用均值方差法計算損失函數(shù)，此處損失函數(shù)的計算方法如式(2)所示

(2)

式中：f(.)、g(.) 表示特征轉(zhuǎn)換函數(shù)，θ表示特征轉(zhuǎn)換網(wǎng)絡(luò)，U∈RH×1表示輸出層。在構(gòu)建站點相關(guān)性矩陣I∈Rp×p的過程中，定義Ii,j表示站點i和站點j間相似性，利用tr(OI-1OT) 使輸出值Op受矩陣I的限制。當(dāng)Oi和Oj值越接近，Ii,j值越大?？傊嗳蝿?wù)學(xué)習(xí)設(shè)置就是為模型中所有站點訓(xùn)練統(tǒng)一的θ和U， 用不同的輸出Op模擬站點特性，最終多任務(wù)學(xué)習(xí)的計算方法如式(3)所示

(3)

2.2 LSTC網(wǎng)絡(luò)

LSTC網(wǎng)絡(luò)模型中，輸入的每個時間序列都是一個二維的氣象雷達圖像，將圖像分割為一組平鋪不重疊的平面，將平面內(nèi)像素作為觀測值，則降雨預(yù)測就是一個時空序列預(yù)測問題。

(4)

圖1 二維圖像分割為三維張量

為更好模擬出氣象數(shù)據(jù)的時空序列特性，對FC-LSTM網(wǎng)絡(luò)模型進行優(yōu)化，在FC-LSTM網(wǎng)絡(luò)輸入到狀態(tài)和狀態(tài)到狀態(tài)之間的轉(zhuǎn)換過程中疊加多個LSTC網(wǎng)絡(luò)將空間信息進行編碼，構(gòu)建出可以利用空間信息的長短時記憶網(wǎng)絡(luò)模型。解決FC-LSTM網(wǎng)絡(luò)處理時空數(shù)據(jù)時，由于輸入到狀態(tài)和狀態(tài)到狀態(tài)的全連接方式，導(dǎo)致空間信息沒有被編碼且連接方式冗余的問題。

LSTC網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)如圖2所示，將所有的輸入x1,…,xt、 神經(jīng)元輸出c1,…,ct、 隱藏狀態(tài)h1,…,ht和門控機制i1、ot、ft設(shè)置成一個三維的張量，行和列的空間維度設(shè)置成一個二維的張量，假設(shè)輸入和狀態(tài)是空間網(wǎng)格上的向量，圖中輸入和狀態(tài)是空間網(wǎng)格上的向量，LSTC單元就是通過相鄰網(wǎng)格上的輸入和狀態(tài)進行卷積運算，預(yù)測未來某個網(wǎng)格上的狀態(tài)。計算過程如式(5)～式(9)所示

it=σ(Wxi·xt+Whi·ht-1+Wci°ct-1+bi)

(5)

ft=σ(Wxf·xt+Whf·ht-1+Wcf°ct-1+bf)

(6)

ot=σ(Wxo·xt+Who·ht-1+Wco°ct+bo)

(7)

ct=ft°ct-1+it°tanh(Wxc·xt+Whc·ht-1+bc)

(8)

ht=ot°tanh(ct)

(9)

其中，·表示卷積運算符號，°表示哈達瑪乘積。ct表示累積輸入狀態(tài)信息的儲存單元，通過調(diào)節(jié)儲存單元的參數(shù)控制門的讀、寫和刪除。輸入門it控制進入儲存單元信息量；遺忘門ft控制過去儲存狀態(tài)ct-1中被遺忘的信息量；輸出門ot控制傳輸?shù)阶罱K狀態(tài)ot中的信息量。

圖2 LSTC網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)

為使隱藏狀態(tài)與輸入狀態(tài)具有相同的行列數(shù)，在進行卷積計算前，需要對隱藏狀態(tài)進行填充操作。一般長短時記憶網(wǎng)絡(luò)中所有初始狀態(tài)均為0，所以隱藏狀態(tài)的填充過程初始化也為0，然后根據(jù)外界信息進行自我更新。

整個LSTC網(wǎng)絡(luò)編碼解碼過程如圖3所示，編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)由多個LSTC網(wǎng)絡(luò)層堆疊得到，編碼網(wǎng)絡(luò)中將輸入序列壓縮為一個隱藏狀態(tài)張量，預(yù)測網(wǎng)絡(luò)通過復(fù)制編碼層的最終狀態(tài)作為輸入，其維度與預(yù)測目標(biāo)維度相同，目的是使LSTC網(wǎng)絡(luò)層連接起來，輸入到一個全連接層進行最終預(yù)測。

圖3 LSTC網(wǎng)絡(luò)的編碼預(yù)測過程

2.3 基于MTL-LSTC網(wǎng)絡(luò)的降雨預(yù)測模型

如圖4所示，整個模型由3個主要部分組成：一是表示輸入特征的特征轉(zhuǎn)換網(wǎng)絡(luò)；二是預(yù)測降雨量的編碼預(yù)測網(wǎng)絡(luò)，使用LSTC網(wǎng)絡(luò)提取深層氣象特征；三是包含站點相關(guān)性的多任務(wù)模塊，使用一個全連接層輸出多站點預(yù)測結(jié)果。

圖4 MTL-LSTC網(wǎng)絡(luò)結(jié)構(gòu)

在對模型中I、O、U和θ的目標(biāo)函數(shù)進行優(yōu)化時，使用隨機交替的方法，首先固定I優(yōu)化O、U和θ； 然后固定θ優(yōu)化I、U和O， 在不斷迭代過程中得到最優(yōu)I、O和θ。

固定I來優(yōu)化O、U和θ的過程中，使用梯度下降的方法對O和θ進行聯(lián)合優(yōu)化，則問題的描述如式(10)所示

(10)

(11)

(12)

(13)

最后，為簡化I的優(yōu)化過程，將O和θ同時進行固定，則優(yōu)化后的計算過程是一個簡單的凸函數(shù)，如式(14)所示。將其轉(zhuǎn)化為封閉解的形式如式(15)所示，式(15)中可以發(fā)現(xiàn)當(dāng)Oi和Oj越接近時，Ii,j的值越大

(14)

(15)

以上是對目標(biāo)函數(shù)中I、O、U和θ進行優(yōu)化的過程，在實際操作過程中我們還需要對I進行初始化的操作。為使相鄰站點具有相似任務(wù)模型，即當(dāng)Δ(j-i) 值越小時，獲得的Ii,j值越大，因此使用站點間的空間距離對I進行初始化。定義一個矩陣A表示站點i和站點j的靠近程度，則Ai,j的計算方法如式(16)所示

(16)

式中：di,j表示站點i、j之間的地理空間距離，σ為給定標(biāo)量，A是一個站點相關(guān)性矩陣，初始化令A(yù)=I， 在訓(xùn)練的過程在不斷調(diào)整I的大小。

最終模型的推理算法如算法1所示，使用的是簡單隨機梯度下降法，算法中學(xué)習(xí)率η固定，每個參數(shù)自適應(yīng)學(xué)習(xí)率使用Adam算法[16]進行計算。

算法1：模型的推理算法

步驟1 初始化O、U、θ為任意值

步驟2 初始化I=A

步驟3 當(dāng)為收斂時：

步驟4count=1

步驟5 令η表示學(xué)習(xí)率

步驟6 當(dāng)count=Threshold時

步驟7 讀取小批量

步驟11count+=1

步驟12 結(jié)束

步驟14 結(jié)束

3 實 驗

本文中MTL-LSTC網(wǎng)絡(luò)降雨預(yù)測模型的工作主要分為兩個部分，一個是使用LSTC網(wǎng)絡(luò)對時空序列進行編碼解碼的降雨量預(yù)測；另一個是使用多任務(wù)模型提取出多站點間相關(guān)性。以上介紹了模型的整個功能，接下來將對最終的實驗過程進行詳細描述。

3.1 數(shù)據(jù)選取與預(yù)處理

本文選取澳門地區(qū)2018年9月至2019年3月的CINRAD-SA型多普勒氣象雷達數(shù)據(jù)作為實驗數(shù)據(jù)集。由于CINRAD-SA型多普勒氣象雷達數(shù)據(jù)無法直接應(yīng)用于神經(jīng)網(wǎng)絡(luò)模型，需進行數(shù)據(jù)預(yù)處理將CINRAD-SA型多普勒氣象雷達數(shù)據(jù)轉(zhuǎn)換成CAPPI氣象雷達回波圖像。首先將CINRAD-SA型多普勒氣象雷達數(shù)據(jù)放入三維笛卡爾直角坐標(biāo)系中；然后對坐標(biāo)系中網(wǎng)格數(shù)據(jù)進行水平采樣，獲得一個二維平面數(shù)據(jù)，此時數(shù)據(jù)中還包含冗余的背景信息，對這些背景信息進行數(shù)據(jù)清洗；最后使用灰度變化強化數(shù)據(jù)中雷達回波強度，通過映射得到分辨率為250×250的CAPPI灰度圖像。

此外，數(shù)據(jù)集中經(jīng)常出現(xiàn)空數(shù)據(jù)，空白數(shù)據(jù)對預(yù)測結(jié)果的干擾很強必須剔除。剔除空白數(shù)據(jù)后，對數(shù)據(jù)集進行二次抽樣，創(chuàng)建出可管理的訓(xùn)練集、驗證集和測試集，最終確定每個訓(xùn)練集中含有32 000個樣本，每個驗證集中含有4800個樣本，每個測試集中含有3200個樣本。圖5為數(shù)據(jù)集中的一組樣本圖像，每個樣本含有4幅圖像 {x1,x2,x3,x4}， 圖像間時間間隔為6 min。

圖5 數(shù)據(jù)集中的一組樣本圖像

3.2 實驗設(shè)置

為保證預(yù)測結(jié)果更加準(zhǔn)確，合理選擇多站點至關(guān)重要，理想的站點可以提供豐富的信息和隱藏的線索。例如有站點A與站點B相距20公里，當(dāng)站點A的地區(qū)發(fā)生了強降雨，那么站點B就有很大可能會發(fā)生強降雨。據(jù)此，本文根據(jù)不同方向、距離和高度將觀測地站點周圍空間區(qū)域劃分為正態(tài)分布的單元。如圖6所示，空間區(qū)域劃分為8個方向(標(biāo)記為1到8)，2個跨度(標(biāo)記為I、II)，包含8×2個單元和一個自身單元共17個單元，將單元中天氣特征串聯(lián)起來，獲得最終多站點特征集合。

圖6 空間區(qū)域劃分

3.3 實驗標(biāo)準(zhǔn)

實驗采用臨界成功指數(shù)(CSI)、誤報率(FAR)、探測概率(POD)評估模型預(yù)測效果，采用均方誤差(MSE)和均方根誤差(RMSE)[17]評估模型預(yù)測結(jié)果準(zhǔn)確率。如果像素灰度超過閾值，則判定預(yù)測值是有效；反之無效。當(dāng)預(yù)測值有效并且真實值也有效時，則預(yù)測成功，記作S；當(dāng)預(yù)測值無效并且真實值也無效時，則沒有預(yù)測成功，記作F；當(dāng)預(yù)測值為有效但真實值無效時，則預(yù)測失誤，記作M。nS、nF、nM分別表示命中、未命中、假警報(即預(yù)測成功、沒有預(yù)測成功和預(yù)測失誤)。

CSI、FAR和POD均是基于nS、nF、nM這3個指標(biāo)計算得到。首先使用定義閾值將預(yù)測和地面真值轉(zhuǎn)換為0/1矩陣，然后計算出nS、nF、nM。最后CSI指標(biāo)的計算過程如式(17)所示

(17)

FAR表示在實驗中有些指標(biāo)系統(tǒng)無法計算出樣本的真實狀態(tài)，于是直接判定其結(jié)果為命中的情況。計算的方法如式(18)所示

(18)

POD表示模型根據(jù)輸入信號，正確判斷出目標(biāo)信號的概率。在這里計算方法如式(19)所示

(19)

MSE指標(biāo)計算的是降雨量預(yù)測值和真實值的平均平方誤差。在計算前需要根據(jù)Z-R關(guān)系法[18]，將像素值換算成單元格上的降雨量值，計算方法如式(20)所示，式中N表示圖像區(qū)域內(nèi)Ω的單元(格點)數(shù)，F(xiàn)表示真實觀測的雷達圖像，F(xiàn)′表示預(yù)測得到的雷達圖像，t0和τ分別表示預(yù)報時刻和預(yù)測時效，F(xiàn)′(t0+τ,x) 表示在時刻t0+τ圖像中格點x上的降雨量

(20)

RMSE的計算方法如式(21)所示

(21)

3.4 結(jié)果分析

首先對單任務(wù)學(xué)習(xí)下深度學(xué)習(xí)模型的實驗結(jié)果進行簡單的比較分析，然后對多任務(wù)學(xué)習(xí)下深度學(xué)習(xí)模型的實驗結(jié)果進行詳細的比較分析。

與單任務(wù)深度學(xué)習(xí)模型實驗比較時，將長短時記憶網(wǎng)絡(luò)(LSTM)模型、卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型和FC-LSTM模型作為LSTC模型的對比模型，結(jié)果如圖7、圖8所示。圖7顯示，隨預(yù)測時間增長LSTC模型與LSTM模型預(yù)測效果差距越來越大，CNN模型與FC-LSTM模型的預(yù)測效果較靠近，LSTC模型的預(yù)測效果最好，特別是準(zhǔn)確率和誤報率上優(yōu)勢明顯，說明LSTC模型不僅解決了FC-LSTM模型中冗余連接的問題，且加入卷積運算后LSTC模型能夠模擬時空序列的時空關(guān)系，有效提高降雨預(yù)測模型性能。

圖7 不同模型的預(yù)測指標(biāo)對比

圖8 一組預(yù)測結(jié)果實例對比

圖8對比顯示LSTC模型的結(jié)果與真實圖像高度相似，特別是圖像輪廓部分，說明LSTC模型可以在訓(xùn)練過程中學(xué)習(xí)觀測區(qū)域邊緣的回波特征變化，得到的預(yù)測結(jié)果更可靠。FC-LSTM模型的預(yù)測結(jié)果很清晰，但是FC-LSTM模型的假報警率較高，預(yù)測結(jié)果不具有說服性。LSTC模型得到的外推圖像較為模糊，這是因為雷達回波外推本身具有不確定性，其輸入和輸出之間的對應(yīng)關(guān)系復(fù)雜，網(wǎng)絡(luò)無法對觀測區(qū)域內(nèi)所有回波變化做出精準(zhǔn)預(yù)測，但圖像是否清晰并不影響最終的預(yù)測效果。

在多任務(wù)深度學(xué)習(xí)模型實驗比較分析時，將多任務(wù)循環(huán)神經(jīng)網(wǎng)絡(luò)(MTL-RNN)模型[19]、多任務(wù)長短時記憶網(wǎng)絡(luò)(MTL-LSTM)模型[20]、多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)模型[21]和多任務(wù)全連接的長短時記憶網(wǎng)絡(luò)(MTL-FC-LSTM)模型作為MTL-LSTC網(wǎng)絡(luò)降雨預(yù)測模型的對比模型，實驗結(jié)果如圖9和表1所示。

圖9 單任務(wù)模型和多任務(wù)模型在指標(biāo)MSE上的比較

表1 各個模型中預(yù)測指標(biāo)比較

圖9中多任務(wù)學(xué)習(xí)下所有模型都要比基于單任務(wù)學(xué)習(xí)模型表現(xiàn)出更好預(yù)測效果，說明在多站點中使用同一個任務(wù)方式不合理，使用多任務(wù)學(xué)習(xí)方法不僅可以學(xué)習(xí)到不同站點間隱藏線索，也可以提取到不同任務(wù)間關(guān)聯(lián)性，有效提高整個模型性能。

從表1中可知MTL-LSTC網(wǎng)絡(luò)模型相比MTL-FC-LSTM網(wǎng)絡(luò)模型，誤差率下降約3.2%，預(yù)測成功率提高約10%。說明長短時記憶網(wǎng)絡(luò)中加入卷積運算結(jié)構(gòu)是有效的，并且多任務(wù)學(xué)習(xí)能夠有效提高多站點氣象數(shù)據(jù)利用率，模型預(yù)測結(jié)果更加準(zhǔn)確。

最后，將MTL-LSTC網(wǎng)絡(luò)模型與歐洲中距離天氣預(yù)報系統(tǒng)(ECMWF)進行性能評估。如圖10所示，MTL-LSTC網(wǎng)絡(luò)模型預(yù)測結(jié)果在RMSE指標(biāo)和CSI指標(biāo)上準(zhǔn)確率明顯高于ECMWF。表明在利用原始觀測站點氣象數(shù)據(jù)特征進行降雨預(yù)測時，MTL-LSTC網(wǎng)絡(luò)模型預(yù)測結(jié)果更加準(zhǔn)確。

圖10 與公共天氣預(yù)測系統(tǒng)ECMWF性能對比

4 結(jié)束語

本文研究如何使用多個觀測點氣象特征進行降雨預(yù)報，提出基于MTL-LSTC網(wǎng)絡(luò)降雨預(yù)測模型，在長短時記憶網(wǎng)絡(luò)輸入到狀態(tài)和狀態(tài)到狀態(tài)轉(zhuǎn)換過程中加入卷積運算結(jié)構(gòu)，通過疊加多個LSTC網(wǎng)絡(luò)進行編碼預(yù)測，解決了長短時記憶網(wǎng)絡(luò)中信息連接冗余問題，彌補長短時記憶網(wǎng)絡(luò)處理時空信息時的缺陷。多任務(wù)學(xué)習(xí)將多站點信息進行聯(lián)合學(xué)習(xí)，允許學(xué)習(xí)到的知識從一個站點轉(zhuǎn)移到其它相關(guān)站點，對站點間相關(guān)性建模，使站點間隱藏信息得到充分利用。大量實驗結(jié)果表明，基于MTL-LSTC網(wǎng)絡(luò)的降雨預(yù)測模型可行且有效。接下來的工作是對所提出方法與其它公共預(yù)測系統(tǒng)進行比較，進一步驗證模型的準(zhǔn)確性和有效性。