一种用于确定气象要素的空间变换趋势的方法与设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种用于确定气象要素的空间变换趋势的技术。

背景技术

目前，在气象行业中，气象站点的气象要素的变化趋势具有很好的参考和测量的价值，其可以用于指导未来天气的预测。但现有技术中对于气象要素的变化趋势却没有一种很好的预测方式。

发明内容

本申请的目的是提供一种用于确定气象要素的空间变换趋势的方法与设备。

根据本申请的一个方面，提供了一种用于确定气象要素的空间变换趋势的方法，其中，所述方法包括：

基于气象站点的位置属性信息构建图结构，其中，所有的气象站点作为所述图结构的节点；

基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离；

基于所述图结构确定对应的图神经网络；

将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势。

进一步地，其中，所述将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势还包括：

获取所述气象站点的历史气象要素值并对所述历史气象要素值进行采样；

其中，所述将获取到的气象站点的气象要素值输入所述图神经网络包括：

将获取到的对所述气象站点的历史气象要素值进行采样后的气象要素值输入所述图神经网络。

进一步地，其中，所述基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离包括：

对于每个节点确定对应的一个或多个有连接关系的节点；

计算所述每个节点与所述对应的一个或多个有连接关系的节点的距离。

进一步地，其中，所述计算所述每个节点与所述对应的一个或多个有连接关系的节点的距离包括：

通过最近邻算法或者三角剖分法来计算所述每个节点与所述对应的一个或多个有连接关系的节点的距离。

进一步地，其中，所述将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势包括：

将获取到的气象站点的气象要素值输入所述图神经网络；

通过所述图神经网络的消息传递函数及状态更新函数将对应的梯度消息及拉普拉斯消息作为输出值，以通过所述梯度消息及拉普拉斯消息确定对应气象要素的空间变换趋势。

进一步地，其中，所述消息传递函数为：

，其中下三角表示梯度消息，上三角表示拉普拉斯消息，w为参数。F为对应气象站的节点要素，其中w＝g(f，F)，参数w为节点属性f与边属性F的函数，使用神经网络g来进行学习。

根据本申请的另一方面，还提供了一种用于确定气象要素的空间变换趋势的设备，其中，所述设备包括：

第一装置，用于基于气象站点的位置属性信息构建图结构，其中，所有的气象站点作为所述图结构的节点；

第二装置，用于基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离；

第三装置，用于基于所述图结构确定对应的图神经网络；

第四装置，用于将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势。

根据本申请的再一方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述方法的操作。

与现有技术相比，本申请通过基于气象站点的位置属性信息构建图结构，其中，所有的气象站点作为所述图结构的节点，并基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离，然后，基于所述图结构确定对应的图神经网络，并将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势。通过这种方式，提高了对气象要素的空间变换趋势预测的便捷性及准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本申请一个方面的一种用于确定气象要素的空间变换趋势的方法流程图；

图2示出根据本申请另一个方面的一种用于确定气象要素的空间变换趋势的设备示意图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本发明作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及优选实施例，对本申请的技术方案，进行清楚和完整的描述。

图1示出本申请一个方面的一种用于确定气象要素的空间变换趋势的方法流程图，其中，所述方法包括：

S11基于气象站点的位置属性信息构建图结构，其中，所有的气象站点作为所述图结构的节点；

S12基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离；

S13基于所述图结构确定对应的图神经网络；

S14将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势。

在本申请中，所述方法通过设备1执行，其中，所述设备1为计算机设备和/或云，所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集；所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。

在此，所述计算机设备和/或云仅为举例，其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内，在此，以引用的方式包含于此。

在该实施例中，在所述步骤S11中，基于气象站点的位置属性信息构建图结构，其中，所有的气象站点作为所述图结构的节点。其中，所述位置属性信息包括气象站点的经纬度，海拔等信息。在此，所述气象站点可以包括实际的气象站点或者按照预设的规则确定的虚拟气象站点，例如，可以设置预设距离，确定相隔预设距离的虚拟气象站点，在此，对于气象站点的具体形式在本方案中不做具体限定。

继续在该实施例中，在所述步骤S12中，基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离。在此，所述连接关系可包括相邻的节点或者自定义的有关联关系的节点。其中，图结构可通过G(n，e)的形式表示，其中n表示节点，e表示边。

优选地，其中，所述步骤S12包括：S121(未示出)对于每个节点确定对应的一个或多个有连接关系的节点；S122(未示出)计算所述每个节点与所述对应的一个或多个有连接关系的节点的距离。

具体地，在所述步骤S121中，可先确定每个节点对应的一个或多个有连接关系的节点，也即，确定每个气象站点对应的一个或多个有连接关系的气象站点，具体的确定方式可按照预先对连接关系的设定进行确定。进一步地，在所述步骤S122中，计算所述每个节点与所述对应的一个或多个有连接关系的节点的距离。

优选地，其中，所述步骤S122包括：通过最近邻算法或者三角剖分法来计算所述每个节点与所述对应的一个或多个有连接关系的节点的距离。

在此，确定所述图结构的边的方式包括但不限于最近邻算法或者三角剖分等等来计算，例如，可使用最近临5个节点来构造所述图结构的边。在此，所述图结构的边的计算方式仅为举例，其他现有的或者今后可能出现的计算方式如适用于本申请也应包含在本申请的保护范围内，在此，以引用的方式包含于此。

继续在该实施例中，在所述步骤S13中，基于所述图结构确定对应的图神经网络。具体地，根据预设的规则或者所述图结构的节点情况确定对应的神经网络的结构。

继续在该实施例中，在所述步骤S14中，将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势。例如，可以通过输出表征变化趋势的值来确定该空间变换趋势。

优选地，其中，所述步骤S14还包括：

获取所述气象站点的历史气象要素值并对所述历史气象要素值进行采样；

其中，所述将获取到的气象站点的气象要素值输入所述图神经网络包括：

将获取到的对所述气象站点的历史气象要素值进行采样后的气象要素值输入所述图神经网络。

在该实施例中，可先获取历史气象要素值，例如，在每个气象站点的历史记录中记录的气象要素真实历史值，并对获取到的历史气象要素值进行处理，包括但不限于进行随机采样或者平均采样处理等等。这种方式能够提高训练神经网络的速度，且增加训练的数据。进一步地，将获取到的对所述气象站点的历史气象要素值进行采样后的气象要素值输入所述图神经网络。

优选地，其中，所述步骤S14包括：

将获取到的气象站点的气象要素值输入所述图神经网络；

通过所述图神经网络的消息传递函数及状态更新函数将对应的梯度消息及拉普拉斯消息作为输出值，以通过所述梯度消息及拉普拉斯消息确定对应气象要素的空间变换趋势。其中，所述梯度消息表征一阶变化量，所述拉普拉斯消息表征二阶变化量，通过所述梯度消息及拉普拉斯消息能够看出气象要素的空间变化趋势。例如，当气象要素包括温度，可看出从一个方向到另一个方向的温度值的变化以及温度值变化的速度等等。

其中，状态更新函数可以使用mean，sum，GRU等函数。在本方案一个优选的实例中使用直接返回的操作。

优选地，其中，所述消息传递函数为：

，其中下三角表示梯度消息，上三角表示拉普拉斯消息，w为参数。F为对应气象站的节点要素，其中w＝g(f，F)，参数w为节点属性f与边属性F的函数，使用神经网络g来进行学习。在此，所述神经网络g可为相同或者不同的神经网络，例如，神经网络g包括但不限于GRU、LSTM等等。

其中，若经过多层的图神经网络后得到预测值：梯度消息为m1’，拉普拉斯消息为m2’，则其中，损失函数L为：L＝Σ||m1-m1’||

图2示出根据本申请另一个方面的一种用于确定气象要素的空间变换趋势的设备示意图，其中，所述设备1包括：

第一装置11，用于基于气象站点的位置属性信息构建图结构，其中，所有的气象站点作为所述图结构的节点；

第二装置12基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离；

第三装置13基于所述图结构确定对应的图神经网络；

第四装置14将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势。

此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。

本申请实施例还提供了一种用于确定气象要素的空间变换趋势的设备，其中，该设备包括：

一个或多个处理器；以及

存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行前述方法的操作。

例如，计算机可读指令在被执行时使所述一个或多个处理器：基于气象站点的位置属性信息构建图结构，其中，所有的气象站点作为所述图结构的节点；基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离；基于所述图结构确定对应的图神经网络；将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势。

与现有技术相比，本申请通过基于气象站点的位置属性信息构建图结构，其中，所有的气象站点作为所述图结构的节点，并基于所述图结构的节点确定所述图结构的边，其中，所述图结构的边用以表征有连接关系的节点的距离，然后，基于所述图结构确定对应的图神经网络，并将获取到的气象站点的气象要素值输入所述图神经网络，以通过所述图神经网络的输出值确定对应气象要素的空间变换趋势。通过这种方式，提高了对气象要素的空间变换趋势预测的便捷性及准确性。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。