基于细粒度感知数据的天气预测方法、装置、设备和介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种基于细粒度感知数据的天气预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着气候变化的加剧，极端天气事件经常发生。由于极端天气事件对于人们的生活、交通等方面都带来了巨大的影响，因此，如何准确地进行天气预测成为了重要的研究方向。

传统技术通常是基于气象观测数据，进行天气预测。然而，该方式预测的是较大区域的天气情况，无法精准定位到整个区域内某一特定区域的天气情况，导致天气预测准确率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高天气预测准确率的基于细粒度感知数据的天气预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种基于细粒度感知数据的天气预测方法。所述方法包括：

获取桥梁上的多个风速传感器的位置信息，和所述多个风速传感器采集的风速信息；

对所述风速信息进行特征识别，得到对应的风速特征信息；

将所述位置信息和所述风速特征信息输入至预先训练的风速预测模型，得到所述桥梁中各个位置的风速预测结果；

根据所述桥梁中各个位置的风速预测结果，确定所述桥梁中各个位置的天气预测结果。

在其中一个实施例中，所述预先训练的风速预测模型通过下述方式训练得到：

获取样本桥梁上的多个样本风速传感器的样本位置信息，并获取所述多个样本风速传感器采集的样本风速信息和所述样本桥梁中各个位置的风速真实结果；

对所述样本风速信息进行特征识别，得到对应的样本风速特征信息；

将所述样本位置信息和所述样本风速特征信息输入至待训练的风速预测模型，得到所述样本桥梁中各个位置的风速预测结果；

根据所述样本桥梁中各个位置的风速真实结果和所述样本桥梁中各个位置的风速预测结果之间的差异，对所述待训练的风速预测模型进行训练，得到所述预先训练的风速预测模型。

在其中一个实施例中，所述获取所述多个样本风速传感器采集的样本风速信息和所述样本桥梁中各个位置的风速真实结果，包括：

从所述多个样本风速传感器采集的历史风速信息中，选取在所述样本桥梁的区域发生历史异常天气情况的前一时间段的目标历史风速信息；

对所述目标历史风速信息进行划分处理，得到所述多个样本风速传感器采集的样本风速信息和所述样本桥梁中各个位置的风速真实结果。

在其中一个实施例中，所述对所述风速信息进行特征识别，得到对应的风速特征信息，包括：

对所述风速信息进行特征识别，得到对应的基础风速特征信息；

根据所述位置信息中的高度信息，对所述基础风速特征信息进行更新处理，得到与所述桥梁的桥面高度对应的风速特征信息。

在其中一个实施例中，所述根据所述桥梁中各个位置的风速预测结果，确定所述桥梁中各个位置的天气预测结果，包括：

获取异常天气的预设风速阈值；

根据所述预设风速阈值，对所述桥梁中各个位置的风速预测结果进行识别，得到所述桥梁中各个位置的天气预测结果。

在其中一个实施例中，在根据所述桥梁中各个位置的风速预测结果，确定所述桥梁中各个位置的天气预测结果之后，还包括：

在所述桥梁中各个位置的天气预测结果中，确定出表示异常天气的目标天气预测结果；

根据所述目标天气预测结果，确定发生异常天气情况的预测时间和预测位置；

根据所述预测时间和所述预测位置，生成针对所述桥梁的天气预警信息。

第二方面，本申请还提供了一种基于细粒度感知数据的天气预测装置。所述装置包括：

信息获取模块，用于获取桥梁上的多个风速传感器的位置信息，和所述多个风速传感器采集的风速信息；

信息识别模块，用于对所述风速信息进行特征识别，得到对应的风速特征信息；

信息输入模块，用于将所述位置信息和所述风速特征信息输入至预先训练的风速预测模型，得到所述桥梁中各个位置的风速预测结果；

结果确定模块，用于根据所述桥梁中各个位置的风速预测结果，确定所述桥梁中各个位置的天气预测结果。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取桥梁上的多个风速传感器的位置信息，和所述多个风速传感器采集的风速信息；

对所述风速信息进行特征识别，得到对应的风速特征信息；

将所述位置信息和所述风速特征信息输入至预先训练的风速预测模型，得到所述桥梁中各个位置的风速预测结果；

根据所述桥梁中各个位置的风速预测结果，确定所述桥梁中各个位置的天气预测结果。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取桥梁上的多个风速传感器的位置信息，和所述多个风速传感器采集的风速信息；

对所述风速信息进行特征识别，得到对应的风速特征信息；

将所述位置信息和所述风速特征信息输入至预先训练的风速预测模型，得到所述桥梁中各个位置的风速预测结果；

根据所述桥梁中各个位置的风速预测结果，确定所述桥梁中各个位置的天气预测结果。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取桥梁上的多个风速传感器的位置信息，和所述多个风速传感器采集的风速信息；

对所述风速信息进行特征识别，得到对应的风速特征信息；

将所述位置信息和所述风速特征信息输入至预先训练的风速预测模型，得到所述桥梁中各个位置的风速预测结果；

根据所述桥梁中各个位置的风速预测结果，确定所述桥梁中各个位置的天气预测结果。

上述基于细粒度感知数据的天气预测方法、装置、计算机设备、存储介质和计算机程序产品，获取桥梁上的多个风速传感器的位置信息，和所述多个风速传感器采集的风速信息；对所述风速信息进行特征识别，得到对应的风速特征信息；将所述位置信息和所述风速特征信息输入至预先训练的风速预测模型，得到所述桥梁中各个位置的风速预测结果；根据所述桥梁中各个位置的风速预测结果，确定所述桥梁中各个位置的天气预测结果。该方案通过获取桥梁上多个风速传感器的位置信息和风速信息，对采集到的风速信息进行特征识别，提取出与风速相关的特征信息，将位置信息和风速特征信息输入预先训练的风速预测模型，利用风速预测模型，得到桥梁中各个位置的风速预测结果，根据桥梁中各个位置的风速预测结果，确定相应位置的天气预测结果，从而有利于提高天气预测准确率和效率。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中基于细粒度感知数据的天气预测方法的流程示意图；

图2为另一个实施例中基于细粒度感知数据的天气预测方法的流程示意图；

图3为一个实施例中抽取样本风速数据的示意图；

图4为一个实施例中基于细粒度感知数据的天气预测装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

在一个示例性的实施例中，如图1所示，提供了一种基于细粒度感知数据的天气预测方法，本实施例以该方法应用于终端进行举例说明；可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器之间的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等；服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：

步骤S101，获取桥梁上的多个风速传感器的位置信息，和多个风速传感器采集的风速信息。

本步骤中，桥梁可以是海上桥梁；桥梁上设置多个风速传感器，这些传感器用于采集风速数据；位置信息可以是每个风速传感器在桥梁上的具体位置，可以通过GPS(全球定位系统)或其他定位技术获取；风速信息可以是风速传感器测量到的实时风速数据。

可选地，终端获取在桥梁上安装的位于不同位置的多个风速传感器的位置信息，通过多个风速传感器采集桥梁上不同位置的风速信息。

步骤S102，对风速信息进行特征识别，得到对应的风速特征信息。

本步骤中，风速特征可以是从风速数据中提取的有用信息，用于描述风速的特点和趋势，例如平均风速、最大风速、风向等；特征识别可以是对原始风速数据进行处理和分析，提取出一些具有代表性的特征，例如平均风速、最大风速、风向等。

可选地，终端对风速信息进行特征识别，提取风速特征信息。举例来说，终端可以采用滤波、插值等方法对风速信息进行处理，对清洗和处理后的风速信息进行特征识别，可以提取一些风速特征信息，例如，最大风速、平均风速、风向、风速变化率等，这些特征信息可以帮助了解风速的变化趋势和规律。

步骤S103，将位置信息和风速特征信息输入至预先训练的风速预测模型，得到桥梁中各个位置的风速预测结果。

本步骤中，预先训练的风速预测模型可以是通过使用历史风速数据进行训练得到的模型，这个模型可以根据输入的位置信息和风速特征信息，预测桥梁中各个位置的风速情况，例如，预先训练的风速预测模型可以是预先训练的用于风速预测的神经网络模型。

可选地，终端将位置信息和风速特征信息输入到预先训练的风速预测模型中，通过预先训练的风速预测模型对位置信息和风速特征信息进行分析，得到预先训练的风速预测模型输出的桥梁中各个位置的风速预测结果。

步骤S104，根据桥梁中各个位置的风速预测结果，确定桥梁中各个位置的天气预测结果。

本步骤中，天气预测结果可以用于表示是否存在异常天气情况。

可选地，终端根据桥梁中各个位置的风速预测结果，确定桥梁中各个位置的天气预测结果，根据天气预测结果，确定是否存在异常天气情况，并生成相应的天气预警信息。

示例性的，终端根据风速预测结果，可以推断出桥梁中各个位置的天气情况，例如，当风速超过一定阈值时，可以判断为强风天气；当风速方向变化较大时，可以判断为风向变化剧烈的天气，根据具体需求，可以将风速预测结果转化为天气预测结果。

上述基于细粒度感知数据的天气预测方法中，获取桥梁上的多个风速传感器的位置信息，和多个风速传感器采集的风速信息；对风速信息进行特征识别，得到对应的风速特征信息；将位置信息和风速特征信息输入至预先训练的风速预测模型，得到桥梁中各个位置的风速预测结果；根据桥梁中各个位置的风速预测结果，确定桥梁中各个位置的天气预测结果。该方案通过获取桥梁上多个风速传感器的位置信息和风速信息，对采集到的风速信息进行特征识别，提取出与风速相关的特征信息，将位置信息和风速特征信息输入预先训练的风速预测模型，利用风速预测模型，得到桥梁中各个位置的风速预测结果，根据桥梁中各个位置的风速预测结果，确定相应位置的天气预测结果，从而有利于提高天气预测准确率和效率。

在一个示例性的实施例中，预先训练的风速预测模型通过下述方式训练得到，具体包括如下内容：获取样本桥梁上的多个样本风速传感器的样本位置信息，并获取多个样本风速传感器采集的样本风速信息和样本桥梁中各个位置的风速真实结果；对样本风速信息进行特征识别，得到对应的样本风速特征信息；将样本位置信息和样本风速特征信息输入至待训练的风速预测模型，得到样本桥梁中各个位置的风速预测结果；根据样本桥梁中各个位置的风速真实结果和样本桥梁中各个位置的风速预测结果之间的差异，对待训练的风速预测模型进行训练，得到预先训练的风速预测模型。

本实施例中，样本桥梁可以是作为样本的桥梁；待训练的风速预测模型可以是指在训练过程中使用的初始模型。这个模型还未经过训练，需要通过样本数据进行训练，以得到最终的预测模型，例如待训练的风速预测模型可以是待训练的神经网络模型。

可选地，终端获取样本桥梁上的多个样本风速传感器的样本位置信息、多个样本风速传感器采集的样本风速信息和样本桥梁中各个位置的风速真实结果；对样本风速数据进行特征识别，提取样本风速特征信息；将样本位置信息和样本风速特征信息输入到待训练的风速预测模型中，通过待训练的风速预测模型对样本位置信息和样本风速特征信息进行分析，得到待训练的风速预测模型输出的样本桥梁中各个位置的风速预测结果；通过比较样本桥梁中各个位置的风速真实结果和风速预测结果之间的差异，可以评估模型的准确性和性能，通过对这些差异进行分析和处理，可以对待训练的风速预测模型进行调整和训练，以提高其预测能力和准确性；经过多轮训练和调整，得到预先训练的风速预测模型。

本实施例提供的技术方案，通过对待训练的风速预测模型进行训练，有利于得到更准确和更高效的预先训练的风速预测模型，得到预先训练的风速预测模型后，可以将该模型用于实际的风速预测任务，从而有利于提高天气预测准确率和效率。

在一个示例性的实施例中，上述步骤中，获取多个样本风速传感器采集的样本风速信息和样本桥梁中各个位置的风速真实结果，具体包括如下内容：从多个样本风速传感器采集的历史风速信息中，选取在样本桥梁的区域发生历史异常天气情况的前一时间段的目标历史风速信息；对目标历史风速信息进行划分处理，得到多个样本风速传感器采集的样本风速信息和样本桥梁中各个位置的风速真实结果。

本实施例中，历史风速数据可以是过去一段时间内采集到的风速数据，可以用于训练和验证风速预测模型；异常天气情况可以是气象条件与正常情况有所不同的天气情况，例如极端天气情况，如大风、台风等；目标历史风速信息可以是在异常天气情况发生前一段时间内采集到的历史风速数据，用于训练和验证风速预测模型；划分处理可以是将目标历史风速信息按照一定的规则进行划分，得到样本风速数据和风速真实结果，用于训练和验证风速预测模型。

可选地，终端对历史风速数据进行处理，选取在样本桥梁的区域发生历史异常天气情况的前一时间段的历史风速信息，作为目标历史风速信息；对目标历史风速信息进行划分处理，得到各个样本风速传感器采集的样本风速信息和样本桥梁中各个位置的风速真实结果。

本实施例提供的技术方案，通过对在样本桥梁的区域发生历史异常天气情况的前一时间段的目标历史风速信息进行划分处理，得到更适合模型训练的样本风速信息和风速真实结果，从而有利于得到更准确和更高效的预先训练的风速预测模型。

在一个示例性的实施例中，在步骤S102中，对风速信息进行特征识别，得到对应的风速特征信息，具体包括如下内容：对风速信息进行特征识别，得到对应的基础风速特征信息；根据位置信息中的高度信息，对基础风速特征信息进行更新处理，得到与桥梁的桥面高度对应的风速特征信息。

本实施例中，高度信息可以是高度值。

可选地，终端对原始的风速信息进行分析和处理，提取出一些与风速相关的特征，这些特征可以包括平均风速、最大风速、风向、风速变化率等，通过对风速信息进行特征识别，可以将其转化为更具有可解释性和预测能力的特征表示形式的信息；为了考虑桥梁上不同位置的高度差异对风速的影响，终端通过使用位置信息中的高度信息，可以对基础风速特征信息进行更新处理，以获得与桥梁的桥面高度相对应的风速特征信息，这样可以更准确地反映不同高度位置上的风速情况，因为风速通常会随着高度的变化而发生变化，例如，对于高于桥面高度部署的风速传感器采集的风速数值，需通过风速随高度变化幂指数公式转换到桥面高度的风速大小。

本实施例提供的技术方案，通过以上的特征识别和处理步骤，可以得到更加细化和准确的风速特征信息，以实现对桥梁中各个位置的风速进行预测，从而有利于提高天气预测准确率。

在一个示例性的实施例中，在步骤S104中，根据桥梁中各个位置的风速预测结果，确定桥梁中各个位置的天气预测结果，具体包括如下内容：获取异常天气的预设风速阈值；根据预设风速阈值，对桥梁中各个位置的风速预测结果进行识别，得到桥梁中各个位置的天气预测结果。

本实施例中，预设风速阈值可以是预先设置的风速值，例如极端天气或异常天气的风速阈值。

可选地，终端获取异常天气的预设风速阈值；将预设的风速阈值，对桥梁中各个位置的风速预测结果进行识别和判断，如果某个位置的风速预测结果超过了预设的风速阈值，就可以判断为该位置存在异常天气情况，这样，通过对所有位置进行判断，可以得到桥梁中各个位置的天气预测结果，即确定哪些位置在哪个时间段可能会受到异常天气的影响。

本实施例提供的技术方案，通过预设风速阈值，对桥梁中各个位置的风速预测结果进行识别，有利于得到更准确的桥梁中各个位置的天气预测结果，从而有利于提高天气预测准确率。

在一个示例性的实施例中，上述步骤S104，在根据桥梁中各个位置的风速预测结果，确定桥梁中各个位置的天气预测结果之后，还包括生成针对桥梁的天气预警信息的步骤，具体包括如下内容：在桥梁中各个位置的天气预测结果中，确定出表示异常天气的目标天气预测结果；根据目标天气预测结果，确定发生异常天气情况的预测时间和预测位置；根据预测时间和预测位置，生成针对桥梁的天气预警信息。

本实施例中，目标天气预测结果可以是一组特定的天气条件，例如强风、暴雨、台风等，通过对天气预测结果进行分析和筛选，可以确定出可能会对桥梁造成影响的异常天气情况；天气预警信息可以包括预测的异常天气情况、预测的时间和位置、可能产生的影响等。

可选地，终端在桥梁中各个位置的天气预测结果中，确定出表示异常天气的天气预测结果，作为目标天气预测结果；对目标天气预测结果进行识别，得到发生异常天气情况的预测时间和预测位置，通过分析天气预测结果和桥梁的位置信息，可以确定在何时何地可能会发生异常天气情况；根据预测时间和预测位置，生成针对桥梁的天气预警信息。

本实施例提供的技术方案，通过天气预测结果，确定桥梁中可能发生的异常天气情况，并生成相应的预警信息，有利于及时采取措施，保护桥梁的安全，减少潜在的风险。

以下以一个实施例说明本申请提供的基于细粒度感知数据的天气预测方法，本实施例以该方法应用于终端进行举例说明，主要步骤包括：

第一步，终端获取样本桥梁上的多个样本风速传感器的样本位置信息，并从多个样本风速传感器采集的历史风速信息中，选取在样本桥梁的区域发生历史异常天气情况的前一时间段的目标历史风速信息；对目标历史风速信息进行划分处理，得到多个样本风速传感器采集的样本风速信息和样本桥梁中各个位置的风速真实结果。

第二步，终端对样本风速信息进行特征识别，得到对应的样本风速特征信息；将样本位置信息和样本风速特征信息输入至待训练的风速预测模型，得到样本桥梁中各个位置的风速预测结果；根据样本桥梁中各个位置的风速真实结果和样本桥梁中各个位置的风速预测结果之间的差异，对待训练的风速预测模型进行训练，得到预先训练的风速预测模型。

第三步，终端获取桥梁上的多个风速传感器的位置信息，和多个风速传感器采集的风速信息。

第四步，终端对风速信息进行特征识别，得到对应的基础风速特征信息；根据位置信息中的高度信息，对基础风速特征信息进行更新处理，得到与桥梁的桥面高度对应的风速特征信息。

第五步，终端将位置信息和风速特征信息输入至预先训练的风速预测模型，得到桥梁中各个位置的风速预测结果。

第六步，终端获取异常天气的预设风速阈值；根据预设风速阈值，对桥梁中各个位置的风速预测结果进行识别，得到桥梁中各个位置的天气预测结果。

第七步，终端在桥梁中各个位置的天气预测结果中，确定出表示异常天气的目标天气预测结果；根据目标天气预测结果，确定发生异常天气情况的预测时间和预测位置；根据预测时间和预测位置，生成针对桥梁的天气预警信息。

本实施例提供的技术方案，通过获取桥梁上多个风速传感器的位置信息和风速信息，对采集到的风速信息进行特征识别，提取出与风速相关的特征信息，将位置信息和风速特征信息输入预先训练的风速预测模型，利用风速预测模型，得到桥梁中各个位置的风速预测结果，根据桥梁中各个位置的风速预测结果，确定相应位置的天气预测结果，从而有利于提高天气预测准确率和效率。

以下以一个应用实例说明本申请提供的基于细粒度感知数据的天气预测方法，本应用实例以该方法应用于终端进行举例说明，如图2所示，主要步骤包括：

第一步，开始，在特定位置部署传感器(风速传感器)，终端通过传感器进行环境感知，得到传感数据(风速数据)。

其中，在海上桥梁的不同桥段多个位置安装高精度风速传感器，用于采集相应位置的风速等信息，部署位置可涉及多个桥段，每个桥段的具体位置包括但不限如下：1.1)大桥的主跨中，该位置位于一座桥梁的中间位置，部署高度为桥面的高度；1.2)大桥的侧塔的塔顶，该位置大约位于一座桥梁的1/4和3/4桥梁侧塔处，部署高度为侧塔的高度。

第二步，终端对传感数据进行分析处理，得到细粒度数据集。

可选地，终端对传感器采集的风速数据进行分析，按一定间隔抽取发生极端天气之前一段时间内的风速数据，构建细粒度的模型训练、验证、测试数据集。

第三步，终端设计神经网络模型，将细粒度数据集输入至神经网络模型中，进行训练可靠模型，得到训练后的模型。

可选地，终端设计用于风速预测的神经网络模型，利用已构建的数据集训练神经网络模型。

其中，对于一维的风速数据，首先考虑采用多层感知机分类器模型，通过调用神经网络库的多层感知机分类器模型，实现对大风极端天气预测的模型设计与构建。

其中，终端可通过调用类，加载已抽取并构建好的训练、测试和验证数据集，对多层感知机分类器模型进行多次训练，选取并保存测试准确率较高的神经网络模型作为最后的应用预测模型。

第四步，终端利用训练后的模型实现极端天气预测(实现桥梁上大风极端天气的细粒度预测)。

可选地，终端在模型训练好后，通过抽取其他一些测试集进行测试，对于测试精度不够理想的情况，需增加训练数据集，不断调优模型预测精度，从而实现在当前时刻预测某一特定位置未来时刻是否会出现大风极端天气。例如，终端在模型训练好后，通过抽取其他一些测试集进行测试，对于测试精度不够理想的情况，需增加训练数据集，不断调优模型预测精度，最终选取精度较高的模型作为预测模型，实现细粒度、可靠地极端天气预测，即在当前时刻某一特定位置在未来某一确定时刻是否会出现大风极端天气，从而及时预警，提高极端天气响应速度。

其中，对于高于桥面高度部署的传感器采集的风速数值，需通过风速随高度变化幂指数公式转换到桥面高度的风速大小；极端天气样本的风速阈值，可以是在大风情况下采取交通管制措施时对应的风速。

举例来说，可在初始化函数中编写特定代码，对确定极端天气样本的之前一段时间内样本风速数据按照如图3所示的方式进行抽取(抽取数据，可包括正样本和负样本)，这一提前时间可以自定义；抽取完的数据可按照3：1：1的比例构建相应训练数据集(训练集)、测试数据集(测试集)和验证数据集(验证集)；抽取完成后，通过重写代码函数，实现在训练模型或测试模型过程中加载已构建好的数据集，其中，可通过设定的正负样本界限、采样终点、采样起点和采样起点移动范围，确定训练集、验证集和测试集中的负样本、正样本和对应的提前t预测，其中t可表示需要提前预测的时间。

本应用实例提供的技术方案，实现摒弃了时间与范围跨度粗粒度的天气预报信息，通过对不同位置的风速传感器采集到的数据进行分析训练，实现对特定小范围位置的天气预测；同时通过对数据进行细粒度抽取，构建合理的数据训练、测试、验证数据集，实现提前自定义时间的大风极端天气预测；提高天气预测准确率和效率。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于细粒度感知数据的天气预测方法的基于细粒度感知数据的天气预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于细粒度感知数据的天气预测装置实施例中的具体限定可以参见上文中对于基于细粒度感知数据的天气预测方法的限定，在此不再赘述。

在一个示例性的实施例中，如图4所示，提供了一种基于细粒度感知数据的天气预测装置，该装置400可以包括：

信息获取模块401，用于获取桥梁上的多个风速传感器的位置信息，和多个风速传感器采集的风速信息；

信息识别模块402，用于对风速信息进行特征识别，得到对应的风速特征信息；

信息输入模块403，用于将位置信息和风速特征信息输入至预先训练的风速预测模型，得到桥梁中各个位置的风速预测结果；

结果确定模块404，用于根据桥梁中各个位置的风速预测结果，确定桥梁中各个位置的天气预测结果。

在一个示例性的实施例中，该装置400还包括：模型训练模块，用于获取样本桥梁上的多个样本风速传感器的样本位置信息，并获取多个样本风速传感器采集的样本风速信息和样本桥梁中各个位置的风速真实结果；对样本风速信息进行特征识别，得到对应的样本风速特征信息；将样本位置信息和样本风速特征信息输入至待训练的风速预测模型，得到样本桥梁中各个位置的风速预测结果；根据样本桥梁中各个位置的风速真实结果和样本桥梁中各个位置的风速预测结果之间的差异，对待训练的风速预测模型进行训练，得到预先训练的风速预测模型。

在一个示例性的实施例中，模型训练模块，还用于从多个样本风速传感器采集的历史风速信息中，选取在样本桥梁的区域发生历史异常天气情况的前一时间段的目标历史风速信息；对目标历史风速信息进行划分处理，得到多个样本风速传感器采集的样本风速信息和样本桥梁中各个位置的风速真实结果。

在一个示例性的实施例中，信息识别模块402，还用于对风速信息进行特征识别，得到对应的基础风速特征信息；根据位置信息中的高度信息，对基础风速特征信息进行更新处理，得到与桥梁的桥面高度对应的风速特征信息。

在一个示例性的实施例中，结果确定模块404，还用于获取异常天气的预设风速阈值；根据预设风速阈值，对桥梁中各个位置的风速预测结果进行识别，得到桥梁中各个位置的天气预测结果。

在一个示例性的实施例中，该装置400还包括：信息生成模块，用于在桥梁中各个位置的天气预测结果中，确定出表示异常天气的目标天气预测结果；根据目标天气预测结果，确定发生异常天气情况的预测时间和预测位置；根据预测时间和预测位置，生成针对桥梁的天气预警信息。

上述基于细粒度感知数据的天气预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于细粒度感知数据的天气预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个示例性的实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个示例性的实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。