天气预测方法及相关装置与流程

本技术属于互联网产业的一般数据处理，具体涉及一种天气预测方法及相关装置。

背景技术：

1、随着互联网产业的迅速发展，视频的发送速度更快，视频传输的质量也更高，使得利用视频内容进行天气预测成为可能。然而当前利用视频内容进行天气预测时的预测的技术不完善，且预测准确度不够，以至于无法基于针对目标区域内的视频数据获得准确的天气情况，使得推送给用户的目标区域内的天气情况不准确，导致用户使用体验不高。

技术实现思路

1、本技术实施例提供了一种天气预测方法及相关装置，以提高基于视频数据进行天气情况预测的准确度，提高用户使用体验。

2、第一方面，本技术实施例提供了一种天气预测方法，包括：

3、获取待预测视频数据；

4、根据所述待预测视频数据获取至少一个待预测图像数据；

5、将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将视觉几何群网络（visualgeometry group network，vgg）16模型的三个全连接层依次替换为一个压平flatten层、一个第一全连接层、一个丢弃dropout层和一个第二全连接层，所述第一全连接层的激活函数为线性整流relu函数，所述第二全连接层的激活函数为归一化指数softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型；

6、在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；

7、在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，

8、根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况，所述分类情况用于表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型，或者所述天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，

9、获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，

10、根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类模型为深度神经网络的分类模型，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型或者为所述组合天气类型中的天气类型；以及，

11、确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；

12、获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；

13、根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

14、第二方面，本技术实施例提供了一种天气预测装置，包括：

15、第一获取单元，用于获取待预测视频数据；

16、第二获取单元，用于根据所述待预测视频数据获取至少一个待预测图像数据；

17、第三获取单元，用于将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将vgg16模型的三个全连接层依次替换为一个压平flatten层、一个第一全连接层、一个丢弃dropout层和一个第二全连接层，所述第一全连接层的激活函数为线性整流relu函数，所述第二全连接层的激活函数为归一化指数softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型；

18、第一确定单元，用于在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；

19、第四获取单元，用于在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，

20、第二确定单元，用于根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况，所述分类情况用于表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型，或者所述天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，

21、第五获取单元，用于获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，

22、第六获取单元，用于根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类模型为深度神经网络的分类模型，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型或者为所述组合天气类型中的天气类型；以及，

23、第三确定单元，用于确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；

24、第七获取单元，用于获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；

25、第四确定单元，用于根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

26、第三方面，本技术实施例提供了一种服务器，包括处理器、存储器和通信接口；所述存储器、所述通信接口与所述处理器连接；所述存储器用于存储计算机程序代码，所述计算机程序代码包括指令，当所述处理器执行所述指令时，所述电子设备执行如上述第一方面中所述的方法。

27、第四方面，本技术实施例提供了一种计算机存储介质其上存储有计算机程序/指令，该计算机程序/指令被处理器执行实现上述第一方面所述方法的步骤。

28、第五方面，本技术实施例提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本技术实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。

29、可见，本技术实施例中，根据获取的视频数据获取至少一个待预测图像数据，然后将所述至少一个待预测图像数据输入第一分类模型中，得到每个待预测图像数据对应的第一分类结果，所述第一分类模型的训练模型为将vgg16模型的三个全连接层依次替换为一个flatten层、一个第一全连接层、一个dropout层和一个第二全连接层，所述第一全连接层的激活函数为relu函数，所述第二全连接层的激活函数为softmax函数，所述第一分类结果为多个第一天气类型中的天气类型，所述多个第一天气类型互斥，所述多个第一天气类型中包括多个常规天气类型和一个未知天气类型，再然后在所述第一分类结果为所述常规天气类型中的任意一个天气类型时，确定所述第一分类结果对应的天气类型为待预测图像数据对应的参考天气类型；在所述第一分类结果为所述未知天气类型时，获取所述第一分类模型在进行分类时，每个第一天气类型对应的分类概率；以及，根据每个第一天气类型对应的分类概率确定所述第一分类结果的分类情况，所述分类情况用于表征所述待预测图像数据对应的天气情况属于所述常规天气类型以外的其他异常天气类型，或者所述天气情况属于组合天气类型，所述组合天气类型为所述多个常规天气类型中至少两个天气类型的组合；以及，获取基于所述第一分类模型提取的所述待预测图像数据的目标图像特征；以及，根据所述分类情况、所述目标图像特征和第二分类模型，获取所述待预测图像数据对应的第二分类结果，所述第二分类模型为深度神经网络的分类模型，所述第二分类结果对应的天气类型为所述其他异常天气类型中的天气类型或者为所述组合天气类型中的天气类型；以及，确定所述第二分类结果对应的天气类型为所述待预测图像数据对应的参考天气类型；再然后获取所述至少一个待预测图像数据中每个待预测图像数据对应的参考天气类型；最后根据所述每个待预测图像数据对应的参考天气类型确定所述待预测视频数据对应的目标天气类型。

30、这样，当视频数据表征的天气情况为常规天气时，可以通过本方案的第一分类模型快速准确地进行分类，而当视频数据表征的天气情况为异常天气时，本方案也可以通过第二分类模型进行分类。即本方案可以做到对大部分可能出现的天气情况均进行分类和识别。且本方案还可以识别出存在多种天气组合的情况，使得本方案预测出的天气情况更准确和全面。而且针对异常天气情况和常规天气情况的分类时运用的是不同的模型，可以使得在对模型训练时的训练数据量更均衡，提高了用于分类的两个分类模型的泛化性能，增强对天气情况进行分类的准确度，同时提高用户使用体验。