(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211456467.8 (22)申请日 2022.11.21 (71)申请人 四川省气象服 务中心 （四川省专业 气象台 四川省气象影 视中心） 地址 610000 四川省成 都市青羊区光 华村 街6号 (72)发明人 郑昊　宋雯雯　龙柯吉　郭洁　 李亚玲　淡嘉　吴顺　 (74)专利代理 机构 成都厚为专利代理事务所 (普通合伙) 5125 5 专利代理师 王杰 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度时空网络的区域气温预测方法 (57)摘要 本发明公开了一种基于深度时空网络的区 域气温预测方法， 属于气温预测领域。 所述区域 气温预测方法包括： 获取目标区域内气温监测点 在多个时刻检测到的温度值； 根据所述气温监测 点检测到的温度值生成目标区域在多个时刻 的 气温分布图； 根据所述目标区域在多个时刻的气 温分布图生成所述目标区域的时空图， 所述时空 图用于表征所述目标区域随时间的气温变化情 况； 基于融入了注意力机制模 块的ConvLS TM模型 构建气温预测模 型； 将所述目标区域的时空图输 入所述气温预测模型， 得到目标区域的气温预测 结果。 本发 明实现了对整个目标区域气温变化的 预测， 能够为现实中的工程管 理提供重要的决策 支持。 权利要求书2页 说明书8页 附图5页 CN 115510767 A 2022.12.23 CN 115510767 A 1.基于深度时空网络的区域气温预测方法， 其特 征在于， 包括： 获取目标区域内气温监测点在多个时刻检测到的温度值； 根据所述气温监测点检测到的温度值 生成目标区域在多个时刻的气温分布图； 根据所述目标区域在多个时刻的气 温分布图生成所述目标区域的时空图， 所述时空图 用于表征 所述目标区域随时间的气温变化情况； 基于融入了注意力机制模块的Co nvLSTM模型构建气温预测模型； 将所述目标区域的时空图输入所述气温预测模型， 得到目标区域的气温预测结果。 2.根据权利要求1所述的基于深度时空网络的区域气 温预测方法， 其特征在于， 目标区 域在给定时刻的气温分布图的生成方法包括： 获取目标区域的矢量图； 基于地理坐标将所述气温监测点投影至所述矢量图中； 将矢量图所示的目标区域划分为若干网格； 根据气温监测点在给定时刻检测到的温度值生成该时刻每个网格的温度值， 得到该时 刻目标区域的气温分布图。 3.根据权利要求2所述的基于深度时空网络的区域气 温预测方法， 其特征在于， 所述网 格在给定时刻的温度值的生成方法包括： 判断所述网格中是否有气温监测点； 若所述网格内有气温监测点， 则判断所述网格内气温监测点的数量； 若所述网格内只有一个气 温监测点， 则该网格的温度值为该气 温监测点在给定时刻检 测到的温度值； 若所述网格内有两个及以上的气 温监测点， 则该网格的温度值为该网格 内所有气 温监 测点在给定时刻检测到的温度值的平均值； 若所述网格内没有气温监测点， 则 利用空间插值法得到该网格的温度值。 4.根据权利要求3所述的基于深度时空网络的区域气 温预测方法， 其特征在于， 对于没 有气温监测点的网格， 其温度值的计算公式为： 式中， Z为目标网格的插 值结果， m为样本点的个 数，Zi为第i (i = 1, 2, . . . m)个样 本点的实际值， n为距离的权重， di为第i个样本点到目标网格的距离， xi和yi为第i个样本点 的空间坐标， xA和yA为目标网格的空间坐标。 5.根据权利要求1所述的基于深度时空网络的区域气 温预测方法， 其特征在于， 所述气 温预测模型包括： ST‑LSTM单元， 由多层卷积和LSTM结构共同构成， 用于处 理输入图像中的时空特 征； 注意力机制模块， 用于捕获目标区域中的极端气温变化情况， 所述极端气温为超出预 设温度范围的温度。权　利　要　求　书 1/2 页 2 CN 115510767 A 26.根据权利要求5所述的基于深度时空网络的区域气 温预测方法， 其特征在于， 所述多 层卷积由一个卷积核 大小为3  × 3的卷积层、 一个卷积核 大小为5  × 5的卷积层和一个卷 积核大小为7  × 7的卷积层组成， 用于通过不同大小的卷积来捕获目标区域中各网格对应 的气温值的空间邻域相关性。 7.根据权利要求5所述的基于深度时空网络的区域气 温预测方法， 其特征在于， 所述注 意力机制模块由通道 注意力单 元和空间注意力单 元组成； 所述通道注意力单 元的描述方程 为： 式中， c表示通道(channel)， F为输入的特征， 表示通道注意力图， 是 Sigmod激活函数， MLP为多层 感知机网络； Av gPool表示平均池化操作， MaxPool为最大池化 操作；  和 分别为MLP对于不同特征图的权重， Fc avg表示通道平均池化特征， Fc max表示 通道最大池化特 征； 所述空间注意力单 元的描述方程 为： 式中， s表示空间(spatial)， F为输入的特征， 表示空间注意力图； 是Sigmod 激活函数， f为滤波器； AvgP ool表示平均池化操作， MaxP ool为最大池化操作； Fs avg表示空间 平均池化特 征， Fs max表示空间最大池化特 征。权　利　要　求　书 2/2 页 3 CN 115510767 A 3