本申请涉及气象服务技术领域，特别涉及一种降雨预测方法、系统及电子设备。
背景技术：
降水预报，在气象服务领域一直是非常重要的问题。准确的天气预报服务可以帮助人们计划户外活动，甚至可以提供洪水或交通等事故的预警。短期降水预测是一个在现实生活中具有重要意义同时很有挑战的任务，为了预测短期降水量，通常涉及以下信息的分析：当前降水量与雷达折射率之间的关系、目标地点与周边地区之间的降水关系，根据历史数据，发现降水量演变的一些模式。
多普勒雷达探测降水是气象中常用的方法。在雷达气象中，气象目标对雷达波后向散射能力的强弱通常称为气象目标强度，常用的表示气象目标强度的参量有反射率和反射率因子。单位体积重云雨粒子后向散射截面的总和，称为气象目标的反射率。降水目标物单位体积中降水粒子直径6次方的总和称为雷达反射率因子，用z表示，其常用单位为mm6/m3。反射率因子z值的大小，反映了气象目标内部降水粒子的尺度和数密度，常用来表示气象目标的强度。
近年来，各地气象站收集了大量雷达图数据和其他气象数据，并开始利用雷达图数据进行短期降雨预测。但现有短期降雨预测方法主要是使用单一高度的雷达图数据信息，利用传统的光流法做雷达图随时间的外推，再进行人工估计，这是比较常规的短期降雨预测方法，也是当前气象预报中天气雷达系统和强天气预警业务的基本组成部分。但这种的预测效率较低且对雷达图数据信息挖掘不充分，预测精度低，对于预测未来一个小时的情况尚可，但对于更后的第二小时、第三小时预测则很糟糕，严重难以满足当前预报要求。
近年来，深度学习颠覆了图像识别、文本理解、语音识别等众多领域算法设计思路，逐渐形成了从训练数据出发，通过训练一个端到端的深度神经网络模型，直接输出最终结果的新模式。由于深度学习中的每一层都可以为了最终的任务来调整自己，最终实现各层之间的通力合作，因而可以大大提高任务的准确度。随着大数据时代的到来以及gpu(graphicsprocessingunit，图形处理器)等各种更加强大的计算设备的发展，深度学习可以充分利用各种海量数据，完全自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。
中国专利申请(申请号cn201610752369)中提出了一种降雨预测方法及系统，其利用各气象自动站的风速、温度、气压和湿度数据，设置时间尺度间隔以及预测延迟时间，并基于时间尺度间隔对应的气象数据建立多时间尺度svm降雨错位预测模型；计算模型参数gamma值和参数c值，输入svm降雨错位预测模型，得到预测延迟时间对应的降雨量预测结果，根据所述降雨量预测结果计算降雨概率。但该技术主要是针对风速、温度、气压和湿度数据，缺乏对雷达图这一有效信息的挖掘利用，同时由于svm是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
北京邮电大学计算机学院的郭尚瓒、肖达、袁行远等在基于神经网络和模型集成的短时降雨预测方法中，提出了一个基于神经网络的预测模型，可通过多普勒雷达图像序列预测某区域36min内的降雨概率。通过对神经网络和传统光流法的对比分析，还提出了一种结合了两种方法各自优点的集成预测模型。该方法使用单一高度的雷达图序列训练卷积神经网络，以预测目标像素点未来36min内是否有降雨，即二分类问题。该方法虽然利用了雷达图信息和卷积神经网络，但对其中的时空信息挖掘有限，仅使用单一高度雷达图，而未考虑不同高度云层相互运动变化关系，仅在平面卷积对空间特征信息提取不足，而将不同时序的雷达图作为卷积神经网络的多通道输入，则对时序信息提取不足。且最终预测仅为未来36分钟内是否有降雨，预测时间偏短，且预测粒度较粗。
技术实现要素：
本申请提供了一种降雨预测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种降雨预测方法，包括：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
本申请实施例采取的技术方案还包括：在所述步骤a中，所述提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式。
本申请实施例采取的技术方案还包括：在所述步骤b中，所述构建基于深度神经网络的降雨预测模型还包括：将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练。
本申请实施例采取的技术方案还包括：所述降雨预测模型包括3d卷积神经网络和长短期记忆循环神经网络，所述通过反向传播算法对基于深度神经网络的降雨预测模型进行训练具体包括：
步骤b1：初始化所述基于深度神经网络的降雨预测模型的参数；
步骤b2：将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
步骤b3：通过3d卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；
步骤b4：通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。
本申请实施例采取的技术方案还包括：所述通过反向传播算法对基于深度神经网络的降雨预测模型进行训练还包括：
步骤b5：根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；
步骤b6：判断损失函数是否满足最小值，如果不满足最小值，执行步骤b7；如果满足最小值，执行步骤b8；
步骤b7：运用反向传播算法，根据损失函数调整网络参数；
步骤b8：保存网络参数，模型训练结束。
本申请实施例采取的技术方案还包括：所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。
本申请实施例采取的技术方案还包括：所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将所述有效信息加入对雷达图与气象信息序列的长期记忆中；所述输出门用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息。
本申请实施例采取的另一技术方案为：一种降雨预测系统，包括：
雷达图提取模块：用于提取不同时间段内不同高度的雷达图；
气象信息提取模块：用于提取所述雷达图对应时间段内的气象信息序列；
网络模型构建模块：用于构建基于深度神经网络的降雨预测模型；
降雨预测模块：用于将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
本申请实施例采取的技术方案还包括：所述雷达图提取模块提取不同时间段内不同高度的雷达图具体为：提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；所述气象信息提取模块提取雷达图对应时间段内的气象信息序列具体为：获取每个雷达图样本数据对应时间段内的气象信息序列，并将提取的气象信息序列处理为向量形式。
本申请实施例采取的技术方案还包括网络模型训练模块，所述网络模型训练模块用于将所述雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对所述基于深度神经网络的降雨预测模型进行训练。
本申请实施例采取的技术方案还包括：所述降雨预测模型包括3d卷积神经网络和长短期记忆循环神经网络，所述网络模型训练模块包括：
初始化单元：用于初始化所述基于深度神经网络的降雨预测模型的参数；
样本输入单元：用于将带有样本标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
第一特征提取单元：用于通过3d卷积神经网络对各个时间段的雷达图样本数据分别进行卷积池化操作，提取各个时间段的雷达图空间特征信息，并将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络；
第二特征提取单元：用于通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值。
本申请实施例采取的技术方案还包括：所述网络模型训练模块还包括：
损失函数计算单元：用于根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数；
损失函数值判断单元：用于判断损失函数是否满足最小值，如果不满足最小值，通过网络优化单元优化网络参数；如果满足最小值，通过参数存储单元存储网络参数；
网络优化单元：用于运用反向传播算法，根据损失函数调整网络参数；
参数存储单元：用于保存网络参数，模型训练结束。
本申请实施例采取的技术方案还包括：所述基于深度神经网络的降雨预测模型包括输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过所述输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对输入的雷达图样本数据进行卷积操作，并通过校正层和池化层进行校正和池化处理后，所述第二卷积层输出雷达图样本数据对应的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，所述长短期记忆循环神经网络根据雷达图空间特征信息和气象信息序列提取雷达图时空特征及气象信息时序特征，并通过输出层输出降雨量预测值。
本申请实施例采取的技术方案还包括：所述长短期记忆循环神经网络包括遗忘门、输入门和输出门；所述遗忘门用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；所述输入门用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将所述有效信息加入对雷达图与气象信息序列的长期记忆中；所述输出门用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息。
本申请实施例采取的又一技术方案为：一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的降雨预测方法的以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的降雨预测方法、系统及电子设备通过使用不同高度的雷达图，并使用3d卷积神经网络在单一高度的雷达图平面上提取目标区域与周边地区的云层信息，同时学习相邻高度的雷达图之间的关系，并自动提取雷达图空间特征信息；再通过长短期记忆循环神经网络对雷达图空间特征信息的变化趋势及气象信息序列与历史降雨量信息做时序分析，有效利用了雷达图随时间变化趋势中的长期与短期时序依赖关系，并融入其他气象信息，综合多种数据信息源，达到优势互补目的，能更好的对雷达图随时间变化趋势以及雷达图与降雨间关系进行建模，进一步降低误差，从而精准预测短期内未来降雨量；且能省时省力，高效快捷，避免了传统方法利用单一高度雷达图，导致信息丢失，造成预测误差增大的缺点。
附图说明
图1是本申请实施例的降雨预测方法的流程图；
图2为时刻t前a个时间跨度的雷达图；
图3为目标站点示意图；
图4为第一种实现方式的网络架构图；
图5为第二种实现方式的网络架构图；
图6是本申请实施例的3个门结构的原理图；
图7是本申请实施例的降雨预测系统的结构示意图；
图8是本发明实施例提供的降雨预测方法的硬件设备结构示意图。
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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
现有技术中，传统的基于雷达图的短期降雨预测方法仅选取单一高度的雷达图进行分析，但由于某一时间段内的雷达图具有不同高度的多张，且不同高度的雷达图之间存在相互变化关系，单一高度的雷达图造成了大量的信息损失，并导致预测误差大。为了解决现有技术存在的问题，本申请实施例的降雨预测方法通过将同一时间段内不同高度的多张雷达图数据叠加，并使用3d卷积神经网络在单一高度的雷达图平面上提取目标区域与周边地区的云层信息，同时学习相邻高度的雷达图之间的关系，并自动提取雷达图空间特征信息；再通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，从而精准预测短期内未来降雨量。
具体地，请参阅图1，是本申请实施例的降雨预测方法的流程图。本申请实施例的降雨预测方法包括以下步骤：
步骤100：从气象数据中提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的多张雷达图进行叠加，得到各个时间段对应的雷达图样本数据，并根据各个时间段的降雨量分别设置每个雷达图样本数据的样本标签；
在步骤100中，本申请实施例通过选取同一个目标站点和周边地区在不同时间段内不同高度下的一系列雷达图，并将雷达图处理为指定大小与维度，从而预测目标站点在未来某一时间段内的地面总降雨量。本申请通过充分利用不同高度分布的雷达图，不但在单一高度的雷达图平面上进行卷积，提取目标区域与周边地区的云层信息，同时在雷达图高度这一维度上进行卷积，学习相邻高度间雷达图的关系，充分利用雷达图数据，避免了传统方法利用单一高度雷达图导致的信息丢失，从而提高预测精度。具体地，雷达图样本数据包括以下维度：
1、每个雷达图样本数据中包含一个目标站点(目标站点位于雷达图样本数据的中心)；
2、每个雷达图样本数据中包含目标站点在某一时间段内的降雨总量；
3.每个雷达图样本数据由a个时间跨度的雷达图叠加组成，不同时间跨度下的雷达图，间隔时间为6分钟，具体可根据实际应用进行设定；不同高度下的雷达图，共h个高度；单个雷达图样本数据具体如图2所示，为时刻t前a个时间跨度的雷达图，该雷达图样本数据的样本标签为(t+i)至(t+i+1)的降雨总量，i为时刻t之后的时间段。
4.根据目标站点的纬度和经度，每个雷达图样本数据占地面积m*m平方公里，该区域被标记为m×m格；具体如图3所示，为目标站点示意图，图中心位置的点即为目标站点。
步骤200：获取每个雷达图样本数据对应时间段内的气象信息序列，得到由雷达图样本数据和对应气象信息序列组成的训练样本数据集；
在步骤200中，为了保持与雷达图样本数据一致且方便处理，从气象站采集到的气象信息中提取出与雷达图样本数据时间段相对应的风速、温度、气压、湿度等气象信息序列，并将提取的气象信息序列处理为向量形式。
步骤300：构建基于深度神经网络的降雨预测模型；
在步骤300中，本申请实施例的基于深度神经网络的降雨预测模型包括3d卷积神经网络和长短期记忆循环神经网络两部分，基于深度神经网络的降雨预测模型包括两种实现方式，如图4所示，为第一种实现方式的网络架构图。第一种实现方式为雷达图样本数据与气象信息序列完全分离：该方式先通过3d卷积神经网络和长短期记忆神经网络提取雷达图样本数据中的雷达图时空特征，根据提取的雷达图时空特征预测第一降雨量；再通过长短期记忆神经网络提取气象信息序列的时序特征，并根据气象信息时序特征预测第二降雨量；最后将预测到的两个降雨量进行权重融合，得到最终的降雨量预测值。
请参阅图5，为第二种实现方式的网络架构图。第二种实现方式为：通过3d卷积神经网络分别对各个雷达图样本数据进行卷积操作，得到各个时间段的雷达图空间特征信息，并将雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络进行时序分析，得到雷达图时空特征及气象信息时序特征，通过综合目标区域与周边地区云层分布及其变化趋势以及气象信息的变化趋势，得到最终的降雨量预测值。由于两种实现方式在实现细节上大体类似，本申请以下实施例仅以第二种实现方式为例进行具体说明，具体实现方式可根据实际情况进行选择。
具体地，请一并参阅图4，是本申请实施例的基于深度神经网络的降雨预测模型总体架构图。本申请实施例的基于深度神经网络的降雨预测模型包括：输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对各个时间段的雷达图样本数据分别进行卷积操作，并通过校正层和池化层进行校正和池化处理后，由第二卷积层输出各个时间段的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，通过长短期记忆循环神经网络学习雷达图空间特征信息以及气象信息序列随时间的变换趋势，得到各个时间段的雷达图时空特征及气象信息时序特征，最后通过输出层输出降雨量预测值。
进一步地，本申请实施例中，长短期记忆循环神经网络包括遗忘门(forgetgate)、输入门(inputgate)和输出门(outputgate)。门是一种让信息选择式通过的方法，通过3个门结构可以去除或者增加雷达图空间特征信息与气象信息序列到长短期记忆神经网络的细胞状态，即雷达图空间特征信息与气象信息序列可以通过3个门结构被有选择地遗忘和保存。通过遗忘门实时选择雷达图空间特征信息与气象信息序列中的有效信息，抛弃无效信息，再由输入门加入新的雷达图空间特征信息与气象信息序列，以此循环往复，长短期记忆循环神经网络能够学习到雷达图空间特征信息与气象信息序列中的长期依赖信息，挖掘雷达图空间特征信息与气象信息序列的变化趋势，从而降低预测误差。
具体地，请一并参阅图6，是本申请实施例的3个门结构的原理图。遗忘门、输入门和输出门的作用如下：
1、遗忘门：用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；由于每个雷达图样本数据和气象信息序列中包括当前时刻及过去多个时刻的雷达图与气象信息序列，但过去多个时刻的雷达图与气象信息序列中提取到的有些信息随时间发展可能成为了无效信息，因此需要通过遗忘门丢弃掉这部分无效信息，而保留过去多个时刻的雷达图与气象信息序列中依然有效的信息。遗忘门根据当前时刻的雷达图与气象信息序列输入和上一时刻的输出(即过去积累的雷达图与气象信息序列中会对当前时刻产生即时影响的信息
2、输入门：用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将其加入对雷达图与气象信息序列的长期记忆ct中。本申请实施例中，输入门通过当前时刻的雷达图与气象信息序列输入和上一时刻的输出(即过去积累的雷达图与气象信息序列中会对当前时刻产生即时影响的信息
3、输出门，用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息
步骤400：将训练样本数据集中的雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对基于深度神经网络的降雨预测模型进行训练；
在步骤400中，对基于深度神经网络的降雨预测模型进行训练的训练方式包括以下步骤：
步骤410：初始化基于深度神经网络的降雨预测模型的参数；
步骤420：将带有降雨量标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
步骤430：通过3d卷积神经网络对各个时间段的雷达图样本数据分别进行不断卷积池化操作，提取各个时间段的雷达图空间特征信息；
步骤440：将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络，通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值；
步骤450；根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数l；
步骤460：判断损失函数l是否满足最小值，如果不满足最小值，执行步骤470；如果满足最小值，执行步骤480；
在步骤460中，由于本申请的目标是预测确切的降雨量，以减少预测误差，因此，本申请使用均方根误差(rmse)来作为损失函数评估性能；rmse定义如下：
上述公式中，x为预测向量，y为观测值的向量，n为观测数据大小。
步骤470：运用反向传播算法，根据损失函数l调整网络参数，直到损失函数l满足最小值；
步骤480：保存网络参数，模型训练结束。
步骤500：使用训练好的基于深度神经网络的降雨预测网络模型进行短期降雨预测。
在步骤500中，要预测某一目标区域当前时刻的未来某一时间段(第i时刻到第i+1时刻)的降雨量，则只需以该目标区域为中心提取当前时刻前几个小时mxm范围内a个时间跨度的雷达图与气象信息序列，将雷达图与气象信息序列处理成与训练样本数据集中相同的形式后，输入基于深度神经网络的降雨预测模型，通过基于深度神经网络的降雨预测模型自动完成对雷达图时空特征的提取、对雷达图在空间与时间域上变换趋势的建模、雷达图与对应降雨量间关系的建模、对气象信息随时间变化趋势的建模以及气象信息与对应降雨量关系的建模过程，并直接输出当前时刻后第i至第i+1时间段的降雨量预测值，省去了人工估计过程，更加省时省力，方便易用。
请参阅图7，是本申请实施例的降雨预测系统的结构示意图。本申请实施例的降雨预测系统包括雷达图提取模块、气象信息提取模块、网络模型构建模块、网络模型训练模块和降雨预测模块。
雷达图提取模块：用于从气象数据中提取不同时间段内不同高度的雷达图，并分别将各个时间段内不同高度的多张雷达图进行叠加，得到各个时间段对应的雷达图样本数据；其中，本申请实施例通过选取同一个目标站点和周边地区在不同时间段内不同高度下的一系列雷达图，并将雷达图处理为指定大小与维度，从而预测目标站点在未来某一时间段内的地面总降雨量。具体地，雷达图样本数据包括以下维度：
1、每个雷达图样本数据中包含一个目标站点(目标站点位于雷达图样本数据的中心)；
2、每个雷达图样本数据中包含目标站点在某一时间段内的降雨总量；
3.每个雷达图样本数据由a个时间跨度的雷达图叠加组成，不同时间跨度下的雷达图，间隔时间为6分钟，具体可根据实际应用进行设定；不同高度下的雷达图，共h个高度；单个雷达图样本数据具体如图2所示，为时刻t前a个时间跨度的雷达图，该雷达图样本数据的样本标签为(t+i)至(t+i+1)的降雨总量，i为时刻t之后的时间段。
4.根据目标站点的纬度和经度，每个雷达图样本数据占地面积m*m平方公里，该区域被标记为m×m格；具体如图3所示，为目标站点示意图，图中心位置的点即为目标站点。
气象信息提取模块：用于获取每个雷达图样本数据对应时间段内的气象信息序列；其中，为了保持与雷达图样本数据一致且方便处理，从气象站采集到的气象信息中提取出与雷达图样本数据时间段相对应的风速、温度、气压、湿度等气象信息序列，并将提取的气象信息序列处理为向量形式。
网络模型构建模块：用于构建基于深度神经网络的降雨预测模型；其中，本申请实施例的基于深度神经网络的降雨预测模型包括3d卷积神经网络和长短期记忆循环神经网络两部分，基于深度神经网络的降雨预测模型包括两种实现方式，第一种实现方式为雷达图样本数据与气象信息序列完全分离：该方式先通过3d卷积神经网络和长短期记忆神经网络提取雷达图样本数据中的雷达图时空特征，根据提取的雷达图时空特征预测第一降雨量；再通过长短期记忆神经网络提取气象信息序列的时序特征，并根据气象信息时序特征预测第二降雨量；最后将预测到的两个降雨量进行权重融合，得到最终的降雨量预测值。
第二种实现方式为：通过3d卷积神经网络分别对各个雷达图样本数据进行卷积操作，得到各个时间段的雷达图空间特征信息，并将雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络进行时序分析，得到雷达图时空特征及气象信息时序特征，通过综合目标区域与周边地区云层分布及其变化趋势以及气象信息的变化趋势，得到最终的降雨量预测值。由于两种实现方式在实现细节上大体类似，本申请以下实施例仅以第二种实现方式为例进行具体说明。
具体地，是本申请实施例的基于深度神经网络的降雨预测模型总体架构图。本申请实施例的基于深度神经网络的降雨预测模型包括：输入层、第一卷积层、校正层、池化层、第二卷积层、全连接层和输出层；通过输入层输入雷达图样本数据和气象信息序列，通过第一卷积层对各个时间段的雷达图样本数据分别进行卷积操作，并通过校正层和池化层进行校正和池化处理后，由第二卷积层输出各个时间段的雷达图空间特征信息，并通过全连接层全连接到长短期记忆循环神经网络，通过长短期记忆循环神经网络提取各个时间段的雷达图时空特征与气象信息时序特征，最后通过输出层输出降雨量预测值。
进一步地，本申请实施例中，长短期记忆循环神经网络包括遗忘门(forgetgate)、输入门(inputgate)和输出门(outputgate)。门是一种让信息选择式通过的方法，通过3个门结构可以去除或者增加雷达图空间特征信息与气象信息序列到长短期记忆神经网络的细胞状态，即雷达图空间特征信息与气象信息序列可以通过3个门结构被有选择地遗忘和保存。通过遗忘门实时选择雷达图空间特征信息与气象信息序列中的有效信息，抛弃无效信息，再由输入门加入新的雷达图空间特征信息与气象信息序列，以此循环往复，长短期记忆循环神经网络能够学习到雷达图空间特征信息与气象信息序列中的长期依赖信息，挖掘雷达图空间特征信息与气象信息序列的变化趋势，从而降低预测误差。具体地，遗忘门、输入门和输出门的作用如下：
1、遗忘门：用于对雷达图空间特征信息与气象信息序列长期记忆的选择性记忆与遗忘；由于每个雷达图样本数据和气象信息序列中包括当前时刻及过去多个时刻的雷达图与气象信息序列，但过去多个时刻的雷达图与气象信息序列中提取到的有些信息随时间发展可能成为了无效信息，因此需要通过遗忘门丢弃掉这部分无效信息，而保留过去多个时刻的雷达图与气象信息序列中依然有效的信息。遗忘门根据当前时刻的雷达图与气象信息序列输入和上一时刻的输出(即过去积累的雷达图与气象信息序列中会对当前时刻产生即时影响的信息)，输出一个在0到1之间的遗忘参数
2、输入门：用于保存当前时刻输入的雷达图与气象信息序列中的有效信息，再将其加入对雷达图与气象信息序列的长期记忆ct中。本申请实施例中，输入门通过当前时刻的雷达图与气象信息序列输入和上一时刻的输出(即过去积累的雷达图与气象信息序列中会对当前时刻产生即时影响的信息)决定当前时刻雷达图与气象信息序列对整体雷达图与气象信息序列的影响程度it，然后由遗忘门得到的遗忘参数
3、输出门，用于从积累的雷达图与气象信息序列中获取会对下一时刻产生即时影响的信息
网络模型训练模块：用于根据雷达图样本数据和对应气象信息序列组成训练样本数据集，并将训练样本数据集中的雷达图样本数据和气象信息序列输入基于深度神经网络的降雨预测模型，通过反向传播算法对基于深度神经网络的降雨预测模型进行训练；具体地，网络模型训练模块包括：
初始化单元：用于初始化基于深度神经网络的降雨预测模型的参数；
样本输入单元：用于将带有降雨量标签的雷达图样本数据与气象信息序列输入基于深度神经网络的降雨预测模型；
第一特征提取单元：用于通过3d卷积神经网络对各个时间段的雷达图样本数据分别进行不断卷积池化操作，提取各个时间段的雷达图空间特征信息；
第二特征提取单元：用于将提取的各个时间段的雷达图空间特征信息与气象信息序列输入长短期记忆循环神经网络，通过长短期记忆循环神经网络提取雷达图时空特征与气象信息时序特征，并根据雷达图时空特征与气象信息时序特征输出各个时间段的降雨量预测值；
损失函数计算单元：用于根据输出的降雨量预测值与样本标签中的降雨量误差计算损失函数l；
损失函数值判断单元：用于判断损失函数l是否满足最小值，如果不满足最小值，通过网络优化单元优化网络参数；如果满足最小值，通过参数存储单元存储网络参数；其中，由于本申请的目标是预测确切的降雨量，以减少预测误差，因此，本申请使用均方根误差(rmse)来作为损失函数评估性能；rmse定义如下：
上述公式中，x为预测向量，y为观测值的向量，n为观测数据大小。
网络优化单元：用于运用反向传播算法，根据损失函数l调整网络参数，直到损失函数l满足最小值；
参数存储单元：用于保存网络参数，模型训练结束。
降雨预测模块：用于使用训练好的基于深度神经网络的降雨预测网络模型进行短期降雨预测。其中，要预测某一目标区域当前时刻的未来某一时间段(第i时刻到第i+1时刻)的降雨量，则只需以该目标区域为中心提取当前时刻前几个小时mxm范围内a个时间跨度的雷达图与气象信息序列，将雷达图与气象信息序列处理成与训练样本数据集中相同的形式后，输入基于深度神经网络的降雨预测模型，通过基于深度神经网络的降雨预测模型自动完成对雷达图时空特征的提取、对雷达图在空间与时间域上变换趋势的建模、雷达图与对应降雨量间关系的建模、对气象信息随时间变化趋势的建模以及气象信息与对应降雨量关系的建模过程，并直接输出当前时刻后第i至第i+1时间段的降雨量预测值，省去了人工估计过程，更加省时省力，方便易用。
图8是本发明实施例提供的降雨预测方法的硬件设备结构示意图，如图8所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图8中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例提供的方法。
本发明实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：
步骤a：提取不同时间段内不同高度的雷达图以及对应时间段内的气象信息序列；
步骤b：构建基于深度神经网络的降雨预测模型；
步骤c：将提取的雷达图以及气象信息序列输入降雨预测模型，通过所述降雨预测模型对输入的雷达图以及气象信息序列进行时序分析，得到各个时间段对应的雷达图时空特征以及气象信息时序特征，并根据所述雷达图时空特征以及气象信息时序特征输出各个时间段对应的降雨量预测值。
本申请实施例的降雨预测方法、系统及电子设备通过使用不同高度的雷达图，并使用3d卷积神经网络在单一高度的雷达图平面上提取目标区域与周边地区的云层信息，同时学习相邻高度的雷达图之间的关系，并自动提取雷达图空间特征信息；再通过长短期记忆循环神经网络对雷达图空间特征信息的变化趋势及气象信息序列与历史降雨量信息做时序分析，有效利用了雷达图随时间变化趋势中的长期与短期时序依赖关系，并融入其他气象信息，综合多种数据信息源，达到优势互补目的，能更好的对雷达图随时间变化趋势以及雷达图与降雨间关系进行建模，进一步降低误差，从而精准预测短期内未来降雨量；且能省时省力，高效快捷，避免了传统方法利用单一高度雷达图，导致信息丢失，造成预测误差增大的缺点。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。