(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111079402.1 (22)申请日 2021.09.15 (65)同一申请的已公布的文献号 申请公布号 CN 113761806 A (43)申请公布日 2021.12.07 (73)专利权人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 臧增亮　牛丹　包旭伦　陈夕松　 李毅　潘晓滨　陈耀登　 (74)专利代理 机构 长沙国科天河知识产权代理 有限公司 432 25 专利代理师 彭小兰 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01) 审查员 沈晴 (54)发明名称 一种基于神经网络的大气能见度预测方法 (57)摘要 本发明涉及大气观测技术领域， 公开了一种 基于神经网络的大气能见度预测方法， 本发明通 过获取大气能见度数据， 使用三角函数编码获取 大气能见度数据中的时间特征； 使用融合线性标 准化与K邻近的编码方式对大气能见度数据进行 空间特征构造； 将时间特征与空间特征添加至大 气能见度数据中， 生成大气能见度数据集； 对大 气能见度数据集中的模式数据和观测数据进行 清洗， 获得清洗后的大气能见度数据集； 建立融 合残差深度门和跳帧传输门的编码器预测器模 型， 并向编码器预测器模型中输入 大气能见度数 据集； 通过建立融合残差深度门和跳帧传输门的 编码器预测器模 型， 以此对大气能见度数据集进 行计算， 实现了精确预测大气能见度的效果。 权利要求书3页 说明书7页 附图3页 CN 113761806 B 2022.09.02 CN 113761806 B 1.一种基于神经网络的大气能见度预测方法， 其特 征在于， 所述方法包括： 获取大气能见度数据， 使用三角函数编码获取 所述大气能见度数据中的时间特 征； 使用融合线性标准 化与K邻近的编码方式对所述大气能见度数据进行空间特 征构造； 将所述时间特征与 所述空间特征添加至所述大气能见度 数据中， 生成大气能见度 数据 集； 对所述大气能见度数据集中的模式数据和观测数据进行清洗， 获得清洗后的大气能见 度数据集； 建立融合残差深度门和跳帧传输门的编码器预测器模型， 并向所述编码器预测器模型 中输入所述大气能见度数据集； 利用基于Boosting的集成学习算法对所述编码器预测器模型进行训练， 得到综合预测 模型； 将所述大气能见度数据输入至所述综合预测模型中以获得 大气预测结果。 2.如权利要求1所述的方法， 其特征在于， 所述获取大气能见度数据， 使用三角函数编 码获取所述大气能见度数据中的时间特 征的步骤， 包括： 获取大气能见度数据； 使用三角函数编码获取 所述大气能见度数据中的时间特 征， 所述三角函数编码为： 其中， Month_Conversion表示月份时间特征， Hour_Conversion表示小时时间特征， Month是月份信息， Hour是小时信息 。 3.如权利要求1所述的方法， 其特征在于， 所述使用融合线性标准化与K邻近的编码方 式对所述大气能见度数据进行空间特 征构造的步骤， 包括： 计算所述大气能见度数据中的站点之间的经纬度的绝对距离； 将所述绝对距离进行线性标准化后利用K邻近算法对所述绝对距离进行排序， 并将排 序之后最后得到的一组有序数据作为空间特 征。 4.如权利要求1所述的方法， 其特征在于， 所述对所述大气能见度 数据集中的模式数据 和观测数据进行清洗， 获得清洗后的大气能见度数据集的步骤， 包括： 对所述大气能见度数据集中的模式数据和观测数据进行清洗， 所述清洗步骤包括： 异 常值删除和缺失值 填补； 在进行异常值删除时， 使用前后非异常值对异常值进行最小曲率插值法替换填补； 在进行缺失值 填补时， 判断连续 缺失值是否超过1个； 若是， 则使用前后非缺失值进行最小曲率插值法进行填补； 若否， 则使用前后两个非缺失值进行算数平方根 填补。 5.如权利要求1所述的方法， 其特征在于， 所述建立融合残差深度门和跳帧传输门的编 码器预测器模型， 并向所述编码器预测器模型中输入所述大气能见度数据集的步骤， 包括： 建立融合残差深度门和跳帧传输门的编码器预测器模型， 所述编码器预测器模型的内权　利　要　求　书 1/3 页 2 CN 113761806 B 2部计算公式为： ... 其中， ResD epthLSTM()代表带有残差深度门的改进长短期记忆网络， FSTU()代表跳帧 传输门， 所述跳帧传输门的内部计算公式为： Conversiont＝tanh(Co nvFiltercxxt+ConvFilterchHiddenStatet‑1) Switcht＝σ(ConvFiltersxxt+ConvFiltershHiddenStatet‑1) 其中， 表示hadmard乘积； 向所述编码器预测器模型中输入所述大气能见度数据集。 6.如权利要求5所述的方法， 其特征在于， 所述带有残差深度门的改进长短期记忆网络 由三个长短期记 忆网络和一个残差深度门构成， 内部计算公式如下 所示： 其中 和 分别代表输入门， 遗忘门， 输 出门以及深度门。 7.如权利要求5所述的方法， 其特征在于， 所述建立融合残差深度门和跳帧传输门的编 码器预测器模型的步骤之后， 还 包括： 在编码器预测器加入多结点权重机制来为输入数据分配权重， 所述多结点权重机制对 应的公式为： ATT(Qi,K,V)＝softmax(QiKT)V NumberousN ode(Q,K,V)＝Co ncat(Node1,…,Nodeh)权　利　要　求　书 2/3 页 3 CN 113761806 B 3