气象预测方法、计算机可读存储介质以及计算机终端与流程

1.本技术涉及气象预测领域，具体而言，涉及一种气象预测方法、计算机可读存储介质以及计算机终端。


背景技术：

2.目前，深度学习模型具备强大的非线性拟合能力，在气象预测的应用中，已经超过了传统数值预测系统的预测技巧。然而，针对气象的预测均为确定性预报，即深度学习模型每次预测只运行一次，给出一个预测结果，但是确定性预测的方式没有考虑预测过程受到的误差影响，从而使得到的预测结果准确性。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术实施例提供了一种气象预测方法、计算机可读存储介质以及计算机终端，以至少解决相关技术中对气象数据进行预测得到的预测结果准确度较低的技术问题。
5.根据本技术实施例的一个方面，提供了一种气象预测方法，包括：获取原始气象数据；利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息。
6.根据本技术实施例的另一方面，还提供了一种垂直积分液态水含量的预测方法，包括：获取原始垂直积分液态水数据；利用水含量预测模型生成原始垂直积分液态水数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征垂直积分液态水数据的误差范围，水含量预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始垂直积分液态水数据进行叠加，得到多个目标垂直积分液态水数据，并利用水含量预测模型对多个目标垂直积分液态水数据进行水含量预测，得到多个目标预测结果；基于多个目标预测结果确定原始垂直积分液态水数据对应的水含量预测结果，其中，水含量预测结果用于表征预设时间段内的垂直积分液态水含量。
7.根据本技术实施例的另一方面，还提供了一种气象预测方法，包括：云服务器接收客户端上传的原始气象数据；云服务器利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；云服务器将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；云服务器基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息；云服务器输出气象预测结果
至客户端。
8.根据本技术实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的方法。
9.根据本技术实施例的另一方面，还提供了一种计算机终端，至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器运行的程序，程序被至少一个处理器运行时执行上述任意一项的方法。
10.通过上述步骤，首先，获取原始气象数据；利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息，实现了提高对气象进行预测得到的预测结果准确度。容易注意到的是，可以利用气象预测模型生成原始气象数据对应的多个目标扰动向量，模拟出在真实场景可能存在的误差，得到越多的目标扰动向量，那么其中包含真实情况下的误差的概率越大，因此，可以将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，利用气象预测模型对多个目标气象数据进行气象预测，从而得到多种误差情况下的目标预测结果，以便得到准确度更高气象预测结果，进而解决了相关技术中对气象数据进行预测得到的预测结果准确度较低的技术问题。
附图说明
11.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1是根据本技术实施例的一种用于实现气象预测方法的计算机终端（或移动设备）的硬件结构框图；图2是根据本技术实施例1的气象预测方法的流程图；图3是根据本技术实施例的一种交互界面的示意图；图4是根据本技术实施例的一种生成目标扰动向量的流程图；图5是根据本技术实施例的一种气象预测结果的示意图；图6是根据本技术实施例2的了一种垂直积分液态水含量的预测方法的流程图；图7是根据本技术实施例3的了一种气象预测方法的流程图；图8是根据本技术实施例4的一种气象预测装置的示意图；图9是根据本技术实施例5的一种垂直积分液态水含量的预测装置的示意图；图10是根据本技术实施例6的一种气象预测装置的示意图；图11是根据本技术实施例的一种计算机终端的结构框图。
具体实施方式
12.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是
本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
13.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
14.首先，在对本技术实施例进行描述的过程中出现的部分名词或术语适用于如下解释：集合预报：是一种提高预报技巧的方式，通过不同成员的集合，或者扰动初始场的方式得到多组结果进行平均；短临预报：短期临近预报，指的是0-3h内的气象预报。
15.目前，确定性预测难以确定出预测结果受输入场误差的影响程度，也难以给出概率预报，因此难以衡量预测结果的可靠性，在传统数值预报理论中，集合预报方法经过多年的发展，被证明可以显著的提高预报技巧。集合预报可以通过描述输入场的不确定性，生成一组输入场，通过分别运行模式，给出一组预报结果。这组结果的离散度代表了输入场的不确定性对预报结果的影响，可以容易的给出概率预报。同时，集合平均的结果在统计上具有更高的技巧。
16.在深度学习模型中，也有研究使用了集合预报方法。相关技术中通过采用多个机器学习算法对地面2m气温进行集合预报。相关技术还在基于深度学习模型的天气预报中，测试了四种输入场扰动的方案：随机初始扰动、神经网络重训练、在网络中使用暂退法（dropout）以及使用奇异值分解型（singular value decomposition，简称为svd）扰动。这些方法要么在描述误差空间上低效，要么需要额外计算雅可比矩阵（jacobian matrix），要么仅能描述模型误差，要么无法描述输入场误差。
17.目前，尚不存在针对气象数据进行集合预报方法。
18.本技术可以将传统数值预测理论中的集合预测方法，应用于基于深度学习模型的气象数据的预测过程中，进一步提高深度学习模型的预测技巧。进而提高了对气象进行预测得到的预测结果的可靠性较低的问题。
19.实施例1根据本技术实施例，还提供了一种气象预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
20.本技术实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1是根据本技术实施例的一种用于实现气象预测方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备10）可以包括一个或多个
（图中采用102a，102b，
……
，102n来示出）处理器102（处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口（i/o接口）、通用串行总线（usb）端口（可以作为bus总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
21.应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
22.存储器104可用于存储应用软件的软件程序以及模块，如本技术实施例中的气象预测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的气象预测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。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。
23.传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（network interface controller，nic），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（radio frequency，rf）模块，其用于通过无线方式与互联网进行通讯。
24.显示器可以例如触摸屏式的液晶显示器（lcd），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。
25.此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备（或移动设备）可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备（或移动设备）中的部件的类型。
26.在上述运行环境下，本技术提供了如图2所示的气象预测方法。图2是根据本技术实施例1的气象预测方法的流程图。如图2所示：步骤s202，获取原始气象数据。
27.上述的气象数据可以是降水数据、气温数据、大风数据、大雪数据，龙卷风数据、云层数据、台风数据等，但不限于此，可以是任意的气象数据。
28.上述的原始气象数据可以是预测因子，也称为基态输入场。
29.在一种可选的实施例中，原始气象数据可以是由卫星或者无人机拍摄得到的图像数据、温度数据或者湿度数据，但不限于此，还可以是其他类型的气象数据。可以在通过采集设备获取到原始气象数据之后，将原始气象数据通过网络传输给服务器，由服务器进行
处理，还可以将原始气象数据展示给用户，图3是根据本技术实施例的一种交互界面的示意图，如图3所示，原始气象数据可以显示在交互界面中的原始气象数据采集区域内；在另一种可选的实施例中，原始气象数据可以由用户主动上传给服务器，由服务器处理，如图3所示，用户可以通过点击交互界面中的“上传数据”按钮，或将原始气象数据的文件直接拖入到虚线框的方式完成将原始气象数据上传至服务器的目的，而且，用户上传的原始气象数据可以显示在原始气象数据采集区域内，此处的服务器可以是部署在本地的服务器，也可以是部署在云端的服务器。
30.步骤s204，利用气象预测模型生成原始气象数据对应的多个目标扰动向量。
31.其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型。
32.上述的多个目标扰动向量表示的原始气象数据的误差范围越大，则说明多个目标扰动向量包含真实场景下出现的误差的概率越大。
33.在一种可选的实施例中，可以利用气象预测模型随机生成原始气象数据对应的多个目标扰动向量。还可以先随机生成原始气象数据对应的多个初始扰动向量之后，通过对多个初始扰动向量进行正交化，以便约束不同扰动向量之间的关系，从而加速收敛。
34.步骤s206，将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果。
35.在一种可选的实施例中，可以将多个目标扰动向量与原始气象数据进行相加，以便得到原始气象数据在多个扰动场景下的目标气象数据，从而得到更贴合真实气象情况的气象数据，可以利用气象预测模型对多个目标气象信息进行气象预测，得到多个扰动场景下对应的目标预测结果。通过获取多个扰动场景下的目标预测结果，提高目标预测结果的真实性。
36.步骤s208，基于多个目标预测结果确定原始气象数据对应的气象预测结果。
37.其中，气象预测结果用于表征预设时间段内的气象信息。
38.在一种可选的实施例中，可以获取多个目标预测结果的平均值，可以将该平均值确定为原始气象数据对应的气象预测结果。还可以将多个目标预测结果的加权平均值作为原始气象数据对应的气象预测结果。可以根据实际需求对多个目标预测结果进行计算，得到气象预测结果，上述提到的求平均值或者求加权平均值仅作为实例进行说明，但不限于此。
39.在另一种可选的实施例中，可以对多个目标预测结果进行预处理，得到预处理后的目标预测结果，例如，可以剔除掉多个目标预测结果中差异较大的目标预测结果，将剩余的目标预测结果的平均值或加权平均值作为原始气象数据对应的气象预测结果，此处仅作为实例进行说明，但不限于此。
40.目前，传统的数值天气预报（numerical weather prediction，简称为nwp）一般通过扰动初始场进行集合预报，而本技术中通过深度学习（deepmind）的短临预测算法，可以利用生成对抗网络提高预测质量，同时具有一定的集合预测能力。
41.通过上述步骤，首先，获取原始气象数据；利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始气象数据进
行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息，实现了提高对气象进行预测得到的预测结果准确度。容易注意到的是，可以利用气象预测模型生成原始气象数据对应的多个目标扰动向量，模拟出在真实场景可能存在的误差，得到越多的目标扰动向量，那么其中包含真实情况下的误差的概率越大，因此，可以将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，利用气象预测模型对多个目标气象数据进行气象预测，从而得到多种误差情况下的目标预测结果，以便得到准确度更高气象预测结果，进而解决了相关技术中对气象数据进行预测得到的预测结果准确度较低的技术问题。
42.本技术上述实施例中，利用气象预测模型生成原始气象数据对应的多个目标扰动向量，包括：生成原始气象数据对应的多个初始扰动向量；对多个初始扰动向量进行正交化，得到多个初始扰动向量对应的多个正交扰动向量；利用气象预测模型对多个正交扰动向量进行更新，得到多个目标扰动向量。
43.上述的初始扰动向量可以为初猜值，可以将随机数作为初猜值。
44.上述的正交化可以为施密特正交化，但不限于此，还可以是其他方式的正交化。通过引入施密特正交化，约束不同扰动向量之间的关系，从而加速收敛。
45.在一种可选的实施例中，由于原始气象数据的扰动与原始气象数据具有相同的形状，因此，可以采用随机数作为初始扰动向量。
46.为了保证初始扰动向量可以尽量描述误差空间，需要对初始扰动向量进行正交化，即，可以对多个初始扰动向量进行正交化，得到多个初始扰动向量对应的多个正交扰动向量，以便于扰动向量的误差。
47.在另一种可选的实施例中，可以将多个正交扰动向量与原始气象数据进行叠加，得到多个正交气象数据，然后运行气象预测模型，利用气象预测模型对多个正交气象数据进行更新，可以得到多个目标扰动向量。
48.本技术上述实施例中，对多个初始扰动向量进行正交化，得到多个初始扰动向量对应的多个正交扰动向量，包括：确定多个初始扰动向量中的第一个初始扰动向量为第一个初始扰动向量对应的正交扰动向量；将多个初始扰动向量中的第一扰动向量依次与多个目标扰动向量中的至少一个第二扰动向量进行正交化，得到第一扰动向量对应的正交扰动向量，其中，第一扰动向量用于表征多个初始扰动向量中除第一个初始扰动向量之外的任意一个未进行正交化的扰动向量，第二扰动向量用于表征多个目标扰动向量中在第一扰动向量对应的目标扰动向量之前进行更新的其他扰动向量。
49.上述的第一个初始扰动向量可以为第一集合成员的扰动向量，其中，第一集合成员是指发展最快的一类输入场的扰动场，具有和输入场相同的形状，第一集合成员可以导致最大的预测误差。
50.在一种可选的实施例中，对于多个初始扰动向量中的第一个初始扰动向量，不需要对其进行正交化，直接确定该第一个初始扰动向量为第一个初始扰动向量对应的正交扰动向量即可。
51.对于多个初始扰动向量中除第一个初始扰动向量之外的其他初始扰动向量，则需要进行正交化处理。可选的，可以将多个初始扰动向量中的未进行正交化的扰动向量依次
square error，简称为mse）。需要说明的是，优化算法往往给出最小值，但是此处优化的目的是获得目标函数的最大值，即，预测误差尽可能大，那么扰动向量对应的预测结果则尽可能离散，这样包含真值的可能性较大。因此，在优化过程中可以将mse的相反数作为目标函数。
61.目标函数的公式如下所示。
62.其中，表示时次，表示一个时次的格点数，为叠加扰动之后时次格点的预测值与基态输出的差，也即输入场扰动导致的预报误差。
63.上述的反向传播算法适合于多层神经元网络的一种学习算法，其可以建立在梯度下降法的基础上。
64.在一种可选的实施例中，可以确定当前预测误差对应的目标函数，利用反向传播算法计算得到该目标函数相对于正交扰动向量的梯度，可以通过该梯度给出寻找目标函数下降的方向，可以通过求导的方式得到梯度，通过求导功能，可以自适应的计算不同网络之下的较好的扰动向量，通过此种方式确定扰动向量是非常有效的。在程序中，可以通过如下代码实现目标函数对扰动向量的梯度：分布式框架（pytorch）；梯度损失函数cost.backward()；具体使用的公式即为导数的链式求导法则其中，i表示某个目标扰动向量的第i个元素，k表示深度学习模型中x影响j的某条路径，p表示在当前路径上的变量。需要说明的是，求导过程依赖于模型的具体结构。
65.在另一种可选的实施例中，可以重复执行对多个初始扰动向量进行正交化，得到多个初始扰动向量对应的多个正交扰动向量，利用气象预测模型对正交扰动向量进行更新，得到目标扰动向量的步骤，直至优化过程收敛，停止本次优化过程。从而获得当前初始扰动向量对应的目标扰动向量，可以将该目标扰动向量存储至一个数组中，再计算下一个初始扰动向量对应的目标扰动向量时，可以通过使用该数组计算得到该初始扰动向量对应的正交扰动向量，从而根据该正交扰动向量得到该初始扰动向量对应的目标扰动向量，重复整个更新的步骤，直至得到多个初始扰动向量对应的多个目标扰动向量。
66.上述最终获得的多个目标扰动向量会分别叠加到原始气象数据上，以便得到多个预测结果，多个预测结果的平均值在统计意义上具有最低的预测误差，多个预测结果的概率密度分布，可以给出某个决策的概率预测，概率的大小也可以用于衡量当前集合平均的准确性。
67.图4是根据本技术实施例的一种生成目标扰动向量的流程图，如图4所示，包括：步骤s401，随机扰动，生成原始气象数据对应的多个初始扰动向量；步骤s402，对初始扰动向量进行尺度化和正交化，得到初始扰动向量对应的正交扰动向量，将该正交扰动向量与原始气象数据进行叠加，得到正交气象数据，并利用气象预
测模型对正交气象数据进行气象预测，得到正交预测结果；步骤s403，计算正交预测结果和原始预测结果之间的预测误差；可选的，可以通过如下公式计算上述预测误差：其中，为正交预测结果，为预测误差，为原始气象数据对应的原始预测结果，为正交扰动向量，为原始气象数据。
68.步骤s404，根据预测误差计算目标函数；步骤s405，计算目标函数的梯度；步骤s406，根据目标函数的梯度判断是否优化收敛。若优化收敛，执行步骤s407，若没有优化收敛，执行步骤s403；步骤s407，确定该正交扰动向量为目标扰动向量。
69.本技术上述实施例中，在利用气象预测模型生成原始气象数据对应的多个目标扰动向量之后，该方法还包括：在交互界面中展示多个目标扰动向量；获取多个目标扰动向量对应的第一反馈信息，其中，第一反馈信息对多个目标扰动向量进行修改得到；将第一反馈信息与原始气象数据进行叠加，得到反馈气象数据，并利用气象预测模型对反馈气象数据进行气象预测，得到反馈预测结果；基于反馈预测结果确定气象预测结果。
70.上述的交互界面可以为如图3所示的界面，用户可以通过该界面的反馈信息反馈区域内查看多个目标扰动向量的第一反馈信息，并且可以在界面上对多个目标扰动向量进行修改，并反馈给服务器、为了确保多个目标扰动向量的准确度，在一种可选的实施例中，服务器可以直接将多个目标扰动向量展示给用户查看，也即，可以将多个目标扰动向量展示在交互界面上，服务器也可以通过网络将多个目标扰动向量下发给客户端，由客户端展示给用户查看。进一步地，可以由用户通过交互界面对多个目标扰动向量进行确认，如果确认无误，则直接确定该多个目标扰动向量，若是确认有误，则用户可以在交互界面上对多个目标扰动向量进行修改，得到第一反馈信息，可以将第一反馈信息反馈给服务器，服务器可以将第一反馈信息和原始气象数据进行叠加，得到反馈气象数据，并利用气象预测模型对反馈气象数据进行气象预测，得到反馈预测结果，可以直接将该反馈预测结果确定为气象预测结果。
71.本技术上述实施例中，在利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果之后，该方法还包括：在交互界面中展示多个目标预测结果；获取多个目标预测结果对应的第二反馈信息，其中，第二反馈信息对多个目标预测结果进行修改得到；基于第二反馈信息确定气象预测结果。
72.为了确保多个目标预测结果的准确度，在一种可选的实施例中，服务器可以直接将多个目标预测结果展示给用户查看，也即，可以将多个目标预测结果展示在交互界面上，服务器也可以通过网络将多个目标预测结果下发给客户端，由客户端展示给用户查看。进一步地，可以由用户通过交互界面对多个目标预测结果进行确认，如果确认无误，则直接确定该多个目标预测结果，若是确认有误，则用户可以在交互界面上对多个目标预测结果进行修改，得到第二反馈信息，可以直接将第二反馈信息确定为气象预测结果。
73.本技术上述实施例中，在基于多个目标预测结果确定原始气象数据对应的气象预
测结果之后，该方法还包括：获取气象预测结果对应的显示方式；在交互界面中按照显示方式显示气象预测结果。
74.上述的显示方式不限于气象预测结果的表现形式，或者显示某一区域的气象预测结果，或者显示某一时段的气象预测结果。其中，表现形式可以为原始气象数据与多个目标扰动向量叠加后的多个目标气象数据对应的多个目标预测结果进行显示，还可以是将多个目标预测结果平均后的结果进行显示，另外还可以同时对多个目标预测结果和平均后的结果进行显示。
75.图5是根据本技术实施例的一种气象预测结果的示意图，如图5所示，左上角的图像为气象预测结果的概率示意图，其中，深色区域可以表示降水概率较大的区域，浅色区域可以表示降水概率较小的区域，剩余的8个图像对应于左上角的图像中的8个区域，即图5中第一张图中1-8的数字代表的区域，其中，较细较多的线可以是该时间段中多个目标扰动向量对应的气象预测结果，较粗的一根线可以为该时间段中多个目标扰动向量对应的气象预测结果的平均值。
76.本技术上述实施例中，在基于多个目标预测结果确定原始气象数据对应的气象预测结果之后，该方法还包括：基于气象预测结果生成出行推荐信息，其中，出行推荐信息至少包括如下之一：出行路线、出行时间和携带物品；在交互界面中展示出行推荐信息。
77.在一种可选的实施例中，若预设时间段内的气象预测结果为持续降雨，可以根据持续降雨的气象信息生成出行推荐信息，其中，出行推荐信息可以包括不易拥堵的出行路线、雨量较小时的出行时间以及下雨时所要携带的雨伞雨衣等。可以在客户端中展示出行推荐信息以提示用户查看，还可以通过语音播报的方式播报出行推荐信息，还可以通过短信的方式发送出行推荐信息至用户的移动终端。
78.本技术上述实施例中，基于多个目标预测结果确定原始气象数据对应的气象预测结果，包括：获取多个目标预测结果的平均值，得到气象预测结果；获取多个目标预测结果的离散度，得到气象预测结果的置信度。
79.在一种可选的实施例中，可以获取多个目标预测结果的平均值，得到气象预测结果，还可以根据多个目标预测结果的离散度来确定气象预测结果的置信度，若多个目标预测结果的离散度越大，则说明多个目标预测结果包含真实值的概率越大，此时气象预测结果的置信度越到。其中，该真实值可以是准确的预测结果。
80.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
81.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本技术各个实施例的方法。
82.实施例2根据本技术实施例，还提供了一种垂直积分液态水含量的预测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示或描述的步骤。
83.图6是根据本技术实施例2的了一种垂直积分液态水含量的预测方法的流程图，如图6所示，该方法可以包括如下步骤：步骤s602，获取原始垂直积分液态水数据。
84.上述的原始垂直积分液态水数据用于表示反射率因子数据转换成等价的液态水质。
85.步骤s604，利用水含量预测模型生成原始垂直积分液态水数据对应的多个目标扰动向量。
86.其中，多个目标扰动向量用于表征垂直积分液态水数据的误差范围，水含量预测模型用于表征预先训练得到的深度学习模型。
87.步骤s606，将多个目标扰动向量与原始垂直积分液态水数据进行叠加，得到多个目标垂直积分液态水数据，并利用水含量预测模型对多个目标垂直积分液态水数据进行水含量预测，得到多个目标预测结果。
88.步骤s608，基于多个目标预测结果确定原始垂直积分液态水数据对应的水含量预测结果。
89.其中，水含量预测结果用于表征预设时间段内的垂直积分液态水含量。
90.上述的预设时间段可以根据需求自行设置。
91.本技术上述实施例中，在基于多个目标预测结果确定原始垂直积分液态水数据对应的水含量预测结果之后，该方法还包括：基于水含量预测结果确定预设时间段内的农业生产信息；在交互界面中展示农业生产信息。
92.上述的农业生产信息可以是农作物的产量、用户对农作物的处理情况。
93.在一种可选的实施例中，可以根据水含量预测结果确定预设时间段内的农业生产信息，可以在交互界面中展示农业生产信息，以便用户可以了解到水含量对于农业生产信息的影响。
94.通过上述步骤，首先，获取原始垂直积分液态水数据；利用水含量预测模型生成原始垂直积分液态水数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征垂直积分液态水数据的误差范围，水含量预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始垂直积分液态水数据进行叠加，得到多个目标垂直积分液态水数据，并利用水含量预测模型对多个目标垂直积分液态水数据进行水含量预测，得到多个目标预测结果；基于多个目标预测结果确定原始垂直积分液态水数据对应的水含量预测结果，其中，水含量预测结果用于表征预设时间段内的垂直积分液态水含量。实现了提高对原始垂直积分液态水数据进行预测得到的水含量预测结果的准确度。容易注意到的是，可以利用气象预测模型生成原始气象数据对应的多个目标扰动向量，模拟出在真实场景可能存在的误差，得到越多的目标扰动向量，那么其中包含真实情况下的误差的概率越大，因此，可以将多个目标扰动向量与原始垂直积分液态水数据进行叠加，得到多个目标垂直积分液
态水数据，利用水含量预测模型对多个目标垂直积分液态水数据进行水含量预测，从而得到多种误差情况下的目标预测结果，以便得到准确度更高的目标预测结果，进而解决了相关技术中对垂直积分液态水数据进行预测得到的预测结果准确度较低的技术问题。
95.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
96.实施例3根据本技术实施例，还提供了一种气象预测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示或描述的步骤。
97.图7是根据本技术实施例3的了一种气象预测方法的流程图，如图7所示，该方法可以包括如下步骤：步骤s702，云服务器接收客户端上传的原始气象数据。
98.在一种可选的实施例中，在获取到原始气象数据之后，可以由用户主动上传至云服务器，由云服务器进行处理，如图4所示，用户可以点击交互界面中的“上传原始气象数据”按钮，将原始气象数据直接拖入虚线框的方式完成将原始气象数据上传至云服务器的目的，而且，用户上传的原始气象数据可以显示在原始气象数据采集区域内。
99.步骤s704，云服务器利用气象预测模型生成原始气象数据对应的多个目标扰动向量。
100.其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型。
101.步骤s706，云服务器将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果。
102.步骤s708，云服务器基于多个目标预测结果确定原始气象数据对应的气象预测结果。
103.其中，气象预测结果用于表征预设时间段内的气象信息。
104.步骤s710，云服务器输出气象预测结果至客户端。
105.通过上述步骤，首先，云服务器接收客户端上传的原始气象数据；云服务器利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；云服务器将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；云服务器基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息；云服务器输出气象预测结果至客户端，实现了提高对气象进行预测得到的预测结果准确度。容易注意到的是，可以利用气象预测模型生成原始气象数据对应的多个目标扰动向量，模拟出在真实场景可能存在的误差，得到越多的目标扰动向量，那么其中包含真实情况下的误差的概率越大，因此，可以将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，利用气象预测模型对多个目标气象数据进行气象预测，从而得到多种误差情况下的目标预测结果，以便得到准确度更高气象预测结果，进而解决
了相关技术中对气象数据进行预测得到的预测结果准确度较低的技术问题。
106.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
107.实施例4根据本技术实施例，还提供了一种用于实施上述气象预测方法对应的气象预测装置，图8是根据本技术实施例4的一种气象预测装置的示意图，如图8所示，该装置800包括：获取模块802、生成模块804、叠加模块806、确定模块808。
108.其中，获取模块，用于获取原始气象数据；生成模块用于利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；叠加模块用于将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；确定模块用于基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息。
109.此处需要说明的是，上述获取模块702、生成模块704、叠加模块706、确定模块708对应于实施例1中的步骤s202至步骤s208，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端中。
110.本技术上述实施例中，生成模块，包括：生成单元、正交化单元、更新单元。
111.其中，生成单元用于生成原始气象数据对应的多个初始扰动向量；正交化单元用于对多个初始扰动向量进行正交化，得到多个初始扰动向量对应的多个正交扰动向量；更新单元用于利用气象预测模型对多个正交扰动向量进行更新，得到多个目标扰动向量。
112.本技术上述实施例中，正交化单元还用于确定多个初始扰动向量中的第一个初始扰动向量为第一个初始扰动向量对应的正交扰动向量；正交化单元还用于将多个初始扰动向量中的第一扰动向量依次与多个目标扰动向量中的至少一个第二扰动向量进行正交化，得到第一扰动向量对应的正交扰动向量，其中，第一扰动向量用于表征多个初始扰动向量中除第一个初始扰动向量之外的任意一个未进行正交化的扰动向量，第二扰动向量用于表征多个目标扰动向量中在第一扰动向量对应的目标扰动向量之前进行更新的其他扰动向量。
113.本技术上述实施例中，更新单元还用于将多个正交扰动向量与气象数据进行叠加，得到多个正交气象数据，并利用气象预测模型对多个正交气象数据进行气象预测，得到多个正交预测结果；更新单元还用于将原始气象数据对应的原始预测结果从多个正交预测结果中剔除，得到多个预测误差，其中，原始预测结果用于表征利用气象预测模型对原始气象数据进行气象预测所得到的预测结果；更新单元还用于基于多个预测误差对多个正交扰动向量进行更新，得到多个目标扰动向量。
114.本技术上述实施例中，更新单元还用于基于多个预测误差，确定多个预测误差对应的多个目标函数；更新单元还用于利用反向传播算法，得到多个目标函数的梯度；更新单元还用于基于多个目标函数的梯度多个正交扰动向量进行更新，得到多个目标扰动向量。
115.本技术上述实施例中，该装置还包括：展示模块、预测模块。
116.其中，展示模块用于在交互界面中展示多个目标扰动向量；获取模块还用于获取多个目标扰动向量对应的第一反馈信息，其中，第一反馈信息对多个目标扰动向量进行修改得到；叠加模块还用于将第一反馈信息与原始气象数据进行叠加，得到反馈气象数据，并利用气象预测模型对反馈气象数据进行气象预测，得到反馈预测结果；确定模块还用于基于反馈预测结果确定气象预测结果。
117.本技术上述实施例中，展示模块还用于在交互界面中展示多个目标预测结果；获取模块还用于获取多个目标预测结果对应的第二反馈信息，其中，第二反馈信息对多个目标预测结果进行修改得到；确定模块还用于基于第二反馈信息确定气象预测结果。
118.本技术上述实施例中，该装置还包括：显示模块。
119.其中，获取模块还用于获取气象预测结果对应的显示方式；显示模块用于在交互界面中按照显示方式显示气象预测结果。
120.本技术上述实施例中，生成模块还用于基于气象预测结果生成出行推荐信息，其中，出行推荐信息至少包括如下之一：出行路线、出行时间和携带物品；展示模块还用于在交互界面中展示出行推荐信息。
121.本技术上述实施例中，确定模块，包括：获取单元。
122.其中，获取单元用于获取多个目标预测结果的平均值，得到气象预测结果；获取单元还用于获取多个目标预测结果的离散度，得到气象预测结果的置信度。
123.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
124.实施例5根据本技术实施例，还提供了一种用于实施上述垂直积分液态水含量的预测方法对应的垂直积分液态水含量的预测装置，图9是根据本技术实施例5的一种垂直积分液态水含量的预测装置的示意图，如图9所示，该装置900包括：获取模块902、生成模块904、叠加模块906、确定模块908。
125.其中，获取模块用于获取原始垂直积分液态水数据；生成模块用于利用水含量预测模型生成原始垂直积分液态水数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征垂直积分液态水数据的误差范围，水含量预测模型用于表征预先训练得到的深度学习模型；叠加模块用于将多个目标扰动向量与原始垂直积分液态水数据进行叠加，得到多个目标垂直积分液态水数据，并利用水含量预测模型对多个目标垂直积分液态水数据进行水含量预测，得到多个目标预测结果；确定模块用于基于多个目标预测结果确定原始垂直积分液态水数据对应的水含量预测结果，其中，水含量预测结果用于表征预设时间段内的垂直积分液态水含量。
126.此处需要说明的是，上述获取模块802、生成模块804、叠加模块806、确定模块808对应于实施例2中的步骤s502至步骤s508，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端中。
127.本技术上述实施例中，该装置还包括：展示模块。
128.其中，确定模块用于基于水含量预测结果确定预设时间段内的农业生产信息；展示模块用于在交互界面中展示农业生产信息。
129.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
130.实施例6根据本技术实施例，还提供了一种用于实施上述气象预测方法对应的气象预测装置，图10是根据本技术实施例6的一种气象预测装置的示意图，如图10所示，该装置1000包括：接收模块1002、生成模块1004、叠加模块1006、确定模块1008、输出模块1010。
131.其中，接收模块用于通过云服务器接收客户端上传的原始气象数据；叠加模块用于通过云服务器利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；确定模块用于通过云服务器将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；输出模块用于通过云服务器基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息；输出模块用于通过云服务器输出气象预测结果至客户端。
132.此处需要说明的是，上述接收模块1002、生成模块1004、叠加模块1006、确定模块1008、输出模块1010对应于实施例3中的步骤s702至步骤s710，五个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例1提供的计算机终端中。
133.需要说明的是，本技术上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同，但不仅限于实施例1所提供的方案。
134.实施例7本技术的实施例可以提供一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
135.可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
136.在本实施例中，上述计算机终端可以执行气象预测方法中以下步骤的程序代码：获取原始气象数据；利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息。
137.可选地，图11是根据本技术实施例的一种计算机终端的结构框图。如图11所示，该计算机终端a可以包括：一个或多个（图中仅示出一个）处理器、存储器。
138.其中，存储器可用于存储软件程序以及模块，如本技术实施例中的气象预测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的气象预测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失
性固态存储器。在一些实例中，存储器可进一步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终端a。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。
139.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取原始气象数据；利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息。
140.可选的，上述处理器还可以执行如下步骤的程序代码：生成原始气象数据对应的多个初始扰动向量；对多个初始扰动向量进行正交化，得到多个初始扰动向量对应的多个正交扰动向量；利用气象预测模型对多个正交扰动向量进行更新，得到多个目标扰动向量。
141.可选的，上述处理器还可以执行如下步骤的程序代码：确定多个初始扰动向量中的第一个初始扰动向量为第一个初始扰动向量对应的正交扰动向量；将多个初始扰动向量中的第一扰动向量依次与多个目标扰动向量中的至少一个第二扰动向量进行正交化，得到第一扰动向量对应的正交扰动向量，其中，第一扰动向量用于表征多个初始扰动向量中除第一个初始扰动向量之外的任意一个未进行正交化的扰动向量，第二扰动向量用于表征多个目标扰动向量中在第一扰动向量对应的目标扰动向量之前进行更新的其他扰动向量。
142.可选的，上述处理器还可以执行如下步骤的程序代码：将多个正交扰动向量与气象数据进行叠加，得到多个正交气象数据，并利用气象预测模型对多个正交气象数据进行气象预测，得到多个正交预测结果；将原始气象数据对应的原始预测结果从多个正交预测结果中剔除，得到多个预测误差，其中，原始预测结果用于表征利用气象预测模型对原始气象数据进行气象预测所得到的预测结果；基于多个预测误差对多个正交扰动向量进行更新，得到多个目标扰动向量。
143.可选的，上述处理器还可以执行如下步骤的程序代码：基于多个预测误差，确定多个预测误差对应的多个目标函数；利用反向传播算法，得到多个目标函数的梯度；基于多个目标函数的梯度多个正交扰动向量进行更新，得到多个目标扰动向量。
144.可选的，上述处理器还可以执行如下步骤的程序代码：在交互界面中展示多个目标扰动向量；获取多个目标扰动向量对应的第一反馈信息，其中，第一反馈信息对多个目标扰动向量进行修改得到；将第一反馈信息与原始气象数据进行叠加，得到反馈气象数据，并利用气象预测模型对反馈气象数据进行气象预测，得到反馈预测结果；基于反馈预测结果确定气象预测结果。
145.可选的，上述处理器还可以执行如下步骤的程序代码：在交互界面中展示多个目标预测结果；获取多个目标预测结果对应的第二反馈信息，其中，第二反馈信息对多个目标预测结果进行修改得到；基于第二反馈信息确定气象预测结果。
146.可选的，上述处理器还可以执行如下步骤的程序代码：获取气象预测结果对应的显示方式；在交互界面中按照显示方式显示气象预测结果。
147.可选的，上述处理器还可以执行如下步骤的程序代码：基于气象预测结果生成出
行推荐信息，其中，出行推荐信息至少包括如下之一：出行路线、出行时间和携带物品；在交互界面中展示出行推荐信息。
148.可选的，上述处理器还可以执行如下步骤的程序代码：获取多个目标预测结果的平均值，得到气象预测结果；获取多个目标预测结果的离散度，得到气象预测结果的置信度。
149.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取原始垂直积分液态水数据；利用水含量预测模型生成原始垂直积分液态水数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征垂直积分液态水数据的误差范围，水含量预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始垂直积分液态水数据进行叠加，得到多个目标垂直积分液态水数据，并利用水含量预测模型对多个目标垂直积分液态水数据进行水含量预测，得到多个目标预测结果；基于多个目标预测结果确定原始垂直积分液态水数据对应的水含量预测结果，其中，水含量预测结果用于表征预设时间段内的垂直积分液态水含量。
150.可选的，上述处理器还可以执行如下步骤的程序代码：基于水含量预测结果确定预设时间段内的农业生产信息；在交互界面中展示农业生产信息。
151.处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：云服务器接收客户端上传的原始气象数据；云服务器利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；云服务器将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；云服务器基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息；云服务器输出气象预测结果至客户端。
152.通过上述步骤，首先，获取原始气象数据；利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息，实现了提高对气象进行预测得到的预测结果准确度。容易注意到的是，可以利用气象预测模型生成原始气象数据对应的多个目标扰动向量，模拟出在真实场景可能存在的误差，得到越多的目标扰动向量，那么其中包含真实情况下的误差的概率越大，因此，可以将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，利用气象预测模型对多个目标气象数据进行气象预测，从而得到多种误差情况下的目标预测结果，以便得到准确度更高气象预测结果，进而解决了相关技术中对气象数据进行预测得到的预测结果准确度较低的技术问题。
153.本领域普通技术人员可以理解，图11所示的结构仅为示意，计算机终端也可以是智能手机（如android手机、ios手机等）、平板电脑、掌上电脑以及移动互联网设备（mobile internet devices，mid）、pad等终端设备。图11其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图11中所示更多或者更少的组件（如网络接口、显示装置等），
或者具有与图11所示不同的配置。
154.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（read-only memory，rom）、随机存取器（random access memory，ram）、磁盘或光盘等。
155.实施例8本技术的实施例还提供了一种计算机可读存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例一所提供的气象预测方法所执行的程序代码。
156.可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
157.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取原始气象数据；利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息。
158.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：生成原始气象数据对应的多个初始扰动向量；对多个初始扰动向量进行正交化，得到多个初始扰动向量对应的多个正交扰动向量；利用气象预测模型对多个正交扰动向量进行更新，得到多个目标扰动向量。
159.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：确定多个初始扰动向量中的第一个初始扰动向量为第一个初始扰动向量对应的正交扰动向量；将多个初始扰动向量中的第一扰动向量依次与多个目标扰动向量中的至少一个第二扰动向量进行正交化，得到第一扰动向量对应的正交扰动向量，其中，第一扰动向量用于表征多个初始扰动向量中除第一个初始扰动向量之外的任意一个未进行正交化的扰动向量，第二扰动向量用于表征多个目标扰动向量中在第一扰动向量对应的目标扰动向量之前进行更新的其他扰动向量。
160.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：将多个正交扰动向量与气象数据进行叠加，得到多个正交气象数据，并利用气象预测模型对多个正交气象数据进行气象预测，得到多个正交预测结果；将原始气象数据对应的原始预测结果从多个正交预测结果中剔除，得到多个预测误差，其中，原始预测结果用于表征利用气象预测模型对原始气象数据进行气象预测所得到的预测结果；基于多个预测误差对多个正交扰动向量进行更新，得到多个目标扰动向量。
161.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于多个预测误差，确定多个预测误差对应的多个目标函数；利用反向传播算法，得到多个目标函数的梯度；基于多个目标函数的梯度多个正交扰动向量进行更新，得到多个目标扰动向量。
162.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：在交互界
面中展示多个目标扰动向量；获取多个目标扰动向量对应的第一反馈信息，其中，第一反馈信息对多个目标扰动向量进行修改得到；将第一反馈信息与原始气象数据进行叠加，得到反馈气象数据，并利用气象预测模型对反馈气象数据进行气象预测，得到反馈预测结果；基于反馈预测结果确定气象预测结果。
163.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：在交互界面中展示多个目标预测结果；获取多个目标预测结果对应的第二反馈信息，其中，第二反馈信息对多个目标预测结果进行修改得到；基于第二反馈信息确定气象预测结果。
164.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取气象预测结果对应的显示方式；在交互界面中按照显示方式显示气象预测结果。
165.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于气象预测结果生成出行推荐信息，其中，出行推荐信息至少包括如下之一：出行路线、出行时间和携带物品；在交互界面中展示出行推荐信息。
166.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：获取多个目标预测结果的平均值，得到气象预测结果；获取多个目标预测结果的离散度，得到气象预测结果的置信度。
167.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取原始垂直积分液态水数据；利用水含量预测模型生成原始垂直积分液态水数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征垂直积分液态水数据的误差范围，水含量预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始垂直积分液态水数据进行叠加，得到多个目标垂直积分液态水数据，并利用水含量预测模型对多个目标垂直积分液态水数据进行水含量预测，得到多个目标预测结果；基于多个目标预测结果确定原始垂直积分液态水数据对应的水含量预测结果，其中，水含量预测结果用于表征预设时间段内的垂直积分液态水含量。
168.可选地，上述存储介质还被设置为存储用于执行以下步骤的程序代码：基于水含量预测结果确定预设时间段内的农业生产信息；在交互界面中展示农业生产信息。
169.可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：云服务器接收客户端上传的原始气象数据；云服务器利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；云服务器将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；云服务器基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息；云服务器输出气象预测结果至客户端。
170.通过上述步骤，首先，获取原始气象数据；利用气象预测模型生成原始气象数据对应的多个目标扰动向量，其中，多个目标扰动向量用于表征原始气象数据的误差范围，气象预测模型用于表征预先训练得到的深度学习模型；将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，并利用气象预测模型对多个目标气象数据进行气象预测，得到多个目标预测结果；基于多个目标预测结果确定原始气象数据对应的气象预测结果，其中，气象预测结果用于表征预设时间段内的气象信息，实现了提高对气象进行预测得到
的预测结果准确度。容易注意到的是，可以利用气象预测模型生成原始气象数据对应的多个目标扰动向量，模拟出在真实场景可能存在的误差，得到越多的目标扰动向量，那么其中包含真实情况下的误差的概率越大，因此，可以将多个目标扰动向量与原始气象数据进行叠加，得到多个目标气象数据，利用气象预测模型对多个目标气象数据进行气象预测，从而得到多种误差情况下的目标预测结果，以便得到准确度更高气象预测结果，进而解决了相关技术中对气象数据进行预测得到的预测结果准确度较低的技术问题。
171.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
172.在本技术的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
173.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
174.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
175.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
176.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
177.以上所述仅是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。