一种天气转换的预测方法、装置、设备和存储介质与流程

本发明实施例涉及计算机仿真技术，尤其涉及一种天气转换的预测方法、装置、设备和存储介质。

背景技术：

随着计算机仿真技术的快速发展，天气仿真模拟越来越多地应用到各种应用软件中，如仿真软件，游戏软件等。

目前，通常利用手动调参的方式设置每个时刻下的天气数据，从而进行天气转换，实现天气仿真的演化过程。然而，随着天气种类的增多，现有的手动设置方式费时费力，并且无法贴合真实的天气变化情况，从而大大降低了天气仿真的效率和准确度。

技术实现要素：

本发明实施例提供了一种天气转换的预测方法、装置、设备和存储介质，可以自动预测出待转换的目标天气，无需人工参与，并且更加贴合真实的天气变化情况，提高天气仿真的效率和准确度。

第一方面，本发明实施例提供了一种天气转换的预测方法，包括：

获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息，其中，所述当前特征组信息包括所述当前天气状态中每个特征等级下的各个当前特征信息，所述候选特征组信息包括所述候选天气状态中每个特征等级下的各个候选特征信息；

根据所述当前特征组信息和每个所述候选特征组信息，确定所述当前天气状态与每个所述候选天气状态之间的状态特征差值；

根据各所述状态特征差值，从各所述候选天气状态中确定出所述当前天气状态转换至的目标天气状态。

第二方面，本发明实施例还提供了一种天气转换的预测装置，包括：

特征组信息获取模块，用于获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息，其中，所述当前特征组信息包括所述当前天气状态中每个特征等级下的各个当前特征信息，所述候选特征组信息包括所述候选天气状态中每个特征等级下的各个候选特征信息；

状态特征差值确定模块，用于根据所述当前特征组信息和每个所述候选特征组信息，确定所述当前天气状态与每个所述候选天气状态之间的状态特征差值；

目标天气状态确定模块，用于根据各所述状态特征差值，从各所述候选天气状态中确定出所述当前天气状态转换至的目标天气状态。

第三方面，本发明实施例还提供了一种设备，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所提供的天气转换的预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明任意实施例所提供的天气转换的预测方法。

本发明实施例通过预先将每个天气抽象为不同的天气状态，并将每个天气状态的呈现效果抽象为存在依赖关系的多个特征，并基于该依赖关系确定出每个特征所属的特征等级，即可以获得每个天气状态中每个特征等级下的各个特征信息所组成的特征组信息，从而可以根据当前天气状态对应的当前特征组信息和每个候选天气状态对应的候选特征组信息，确定当前天气状态与每个候选天气状态之间的状态特征差值，并根据各个状态特征差值，可以从各候选天气状态中，自动确定出当前天气状态转换至的目标天气状态，无需人工参与，并且基于特征组信息确定出的预测结果更加贴合真实的天气变化情况，从而提高了天气仿真的效率和准确度。

附图说明

图1是本发明实施例一提供的一种天气转换的预测方法的流程图；

图2是本发明实施例一所涉及的一种天气状态对应的特征组信息的示例；

图3是本发明实施例一所涉及的一种天气状态中每个状态因子之间的依赖关系的示例；

图4是本发明实施例二提供的一种天气转换的预测方法的流程图；

图5是本发明实施例三提供的一种天气转换的预测方法的流程图；

图6是本发明实施例四提供的一种天气转换的预测装置的结构示意图；

图7是本发明实施例五提供的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种天气转换的预测方法的流程图，本实施例可适用于在天气仿真的演化过程中，预测当前天气状态的下一天气状态的情况。该方法可以由天气转换的预测装置来执行，该装置可以由软件和/或硬件的方式来实现，集成于具有天气仿真功能的设备中，比如智能手机、电脑或掌上游戏机等智能设备中。如图1所示，该方法具体包括以下步骤：

s110、获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息。

其中，当前特征组信息包括当前天气状态中每个特征等级下的各个当前特征信息，候选特征组信息包括候选天气状态中每个特征等级下的各个候选特征信息。

其中，可以将天气系统中的所有天气预先抽象为不同的天气状态，比如，晴天、雨天。当前天气状态可以是指当前时刻下的天气状态。候选天气状态可以是指当前天气状态可转换至的天气状态。本实施例可以将天气系统中除当前天气状态之外的其他天气状态均作为候选天气状态。每种天气状态的呈现效果可以抽象为多个存在依赖关系的特征，比如，蓝天、白云等。基于依赖关系，可以将多个特征划分为不同的特征等级，从而每个天气状态可以由每个特征等级下的各个特征进行表征，即每个天气状态对应一个由每个特征等级下的各个特征组成的特征组信息。当前特征组信息可以是指当前天气状态对应的特征组信息。候选特征组信息可以是指候选天气状态对应的特征组信息。

其中，特征等级可以用于反映每个特征的依赖关系，比如天气状态中特征等级高的特征依赖特征等级低的特征。示例性地，特征等级可以利用一级等级、二级等级、三级等级等进行表示，并且其等级级别依次逐渐升高。

示例性地，在s110之前，还可以包括：根据各状态因子之间的依赖关系，构建各状态因子对应的有向联通图；根据有向联通图和每种天气状态中的各个状态因子，确定每种天气状态下，由各个状态因子组成的各个特征和每个特征所属的特征等级，并将每个特征等级下的各个特征信息作为天气状态对应的特征组信息。

其中，状态因子可以是指用于描述特征的参数，比如，云层厚度、云层覆盖率等。每个特征可以由至少一个状态因子组成。例如，天空颜色特征包括的状态因子可以是天空前景色、天空后景色、太阳光和漫反射。各状态因子之间存在依赖关系，即某个状态因子的大小会依赖另一个状态因子的大小。例如，风力依赖温度，雨水大小依赖云层厚度等。每个特征等级下可以包括至少一个特征，每个特征可以包括至少一个状态因子。

具体地，天气系统中的各个状态因子存在依赖关系，基于该依赖关系可以构建相应的有向连通图，比如将每个状态因子作为顶点，将存在依赖关系的链各个状态因子对应的顶点进行连线，并从被依赖的状态因子指向依赖的状态因子。对于每种天气状态而言，可以基于该有向连通图，对该天气状态中的所有状态因子进行划分，确定各个状态因子所组成的各个特征，以及每个特征所属的特征等级，从而可以基于该天气状态下每个状态因子的状态值获得该天气状态对应的特征组信息。

示例性地，图2给出了一种天气状态s1对应的特征组信息的示例。如图2所示，天气状态s1可以包括n个特征等级，每个特征等级下可以仅包含一个特征，比如，一级特征下包含的特征为f1，并且每个特征可以包含至少一个特征因子。比如，一级特征下的f1包含两个特征因子，f11和f12。图3给出了一种天气状态s1中每个状态因子之间的依赖关系的示例。如图3所示，二级特征f2中的状态因子f21和状态因子f22均依赖一级特征f1中的状态因子f11；二级特征f2中的状态因子f23依赖一级特征f1中的状态因子f12；三级特征f3中的状态因子f31依赖二级特征f2中的状态因子f21和状态因子f22；三级特征f3中的状态因子f32依赖二级特征f2中的状态因子f23；四级特征f4中的状态因子f41依赖三级特征f3中的状态因子f31和状态因子f32。

示例性地，天气状态为雨天时，一级特征包括的状态因子为：天空，温度；二级特征包括的状态因子为：云层，风力；三级特征包括的状态因子为：雾气，光照，雨水；四级特征包括的状态因子为：次级光照，地面潮湿度，空气潮湿度。其中，各个状态因子之间的依赖关系为：云层依赖天空，风力依赖温度，雾气依赖风力，光照依赖云层，雨水依赖云层，次级光照依赖雾气，地面潮湿度依赖雨水，空气潮湿度依赖雨水。

s120、根据当前特征组信息和每个候选特征组信息，确定当前天气状态与每个候选天气状态之间的状态特征差值。

其中，状态特征差值可以是用于反映两个天气状态之间的差异大小。当状态特征差值之间的差异越小，则表明两个天气状态之间越容易转换，即转换的概率越大。

具体地，对于每个候选天气状态而言，可以基于当前天气状态对应的当前特征组信息和该候选天气状态对应的候选特征组信息，直接对比两个天气状态中相同特征以及不同特征之间的差异，确定出当前天气状态与该候选天气状态之间的状态特征差值。

s130、根据各状态特征差值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态。

其中，目标天气状态可以是指预测出的当前天气状态的下一天气状态。

具体地，本实施例可以通过比较每个候选天气状态对应的状态特征差值，将状态特征差值最小的候选天气状态直接作为当前天气状态转换至的目标天气状态；或者，还可以基于天气变化本身的随机性，根据各个状态特征差值来实时自动确定出当前天气状态转换至的目标天气状态，使得每次确定出的目标天气状态可能不同，保证每个候选天气状态确定为目标天气状态的概率与对应的状态特征差值成反比，从而使得预测结果更加贴合真实的天气变化情况，大大提高了天气仿真的可信度和准确度。

本实施例的技术方案，通过预先将每个天气抽象为不同的天气状态，并将每个天气状态的呈现效果抽象为存在依赖关系的多个特征，并基于该依赖关系确定出每个特征所属的特征等级，即可以获得每个天气状态中每个特征等级下的各个特征信息所组成的特征组信息，从而可以根据当前天气状态对应的当前特征组信息和每个候选天气状态对应的候选特征组信息，确定当前天气状态与每个候选天气状态之间的状态特征差值，并根据各个状态特征差值，可以从各候选天气状态中，自动确定出当前天气状态转换至的目标天气状态，无需人工参与，并且基于特征组信息确定出的预测结果更加贴合真实的天气变化情况，从而提高了天气仿真的效率和准确度。

在上述技术方案的基础上，在s130之后，还可以包括：根据预设过渡方式，依次将当前天气状态中每个特征等级下的各个当前特征信息，过渡到目标天气状态中同一特征等级下的各个目标特征信息，以将当前天气状态转换至目标天气状态；其中，当前天气状态中最低的特征等级最先进行过渡，最高的特征等级最后进行过渡。

其中，预设过渡方式可以是指当前天气状态过渡到目标天气状态的方式，例如，预设过渡方式可以是按照时间差值方式进行过渡，即每隔预设时间自动增加或减少同一个状态因子的状态值，以使该状态因子的当前状态值自然过渡到目标状态值。其中，差值方式可以是线性差值或者非线性差值。本实施例中的特征等级还可以用于表征特征的过渡优先级。即特征等级越低的特征，其对应的过渡优先级越高，即特征等级低的先过渡，特征等级高的后过渡。

具体地，在当前天气状态转换至目标天气状态的过渡过程中，可以基于每个特征的特征等级的高低顺序，先将当前天气状态中特征等级最低的每个特征中的各个当前状态因子的当前状态值，调整到目标天气状态中同一特征等级下的同一状态因子的目标状态值，当该特征等级过渡完成时，再将当前天气状态中下一个特征等级的每个特征中的各个当前状态因子的当前状态值，调整到目标天气状态中同一特征等级下的同一状态因子的目标状态值，依次类推，直到将将当前天气状态中特征等级最高的每个特征中的各个当前状态因子的当前状态值，调整到目标天气状态中同一特征等级下的同一状态因子的目标状态值时，表明当前天气状态转换到了目标天气状态。本实施例通过基于特征等级逐层进行过渡，可以自动实现天气状态的自然转换，并且无需人工参数，进一步提高了天气变化的效率和自然度，从而可以进一步贴合真实的天气变化情况，便于仿真真实的天气自然过渡现象。

实施例二

图4为本发明实施例二提供的一种天气转换的预测方法的流程图，本实施例在上述实施例的基础上，对“根据当前特征组信息和每个候选特征组信息，确定当前天气状态与每个候选天气状态之间的状态特征差”进行了优化。其中与上述实施例相同或相应的术语的解释在此不再赘述。

参见图4，本实施例提供的天气转换的预测方法具体包括以下步骤：

s210、获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息。

对于每个候选天气状态而言，当前天气状态与每个候选天气状态之间的状态特征差均可以通过如下步骤s220-s260获得。

s220、根据当前特征组信息和候选特征组信息，确定当前天气状态和候选天气状态均包含的各个第一特征，当前天气状态包含且候选天气状态不包含的各个第二特征，以及当前天气状态不包含且候选天气状态包含的各个第三特征。

其中，第一特征可以是指当前天气状态和候选天气状态包含的相同特征。第二特征可以是指当前天气状态独有的特征。第三特征可以是指候选天气状态独有的特征。第一特征、第二特征和第三特征的数量均可以等于零，也可以为至少一个。

举例说明，若当前天气状态s1为晴天状态，候选天气状态s2为雨天状态；

其中，晴天状态包含的特征为：天空颜色特征f1(属于一级特征)，大气环境特征f2(属于一级特征)，云层特征f3(属于二级特征)，雾气特征f4(属于二级特征)和地面特征f5(属于四级特征)。

雨天状态包含的特征为：天空颜色特征f1(属于一级特征)，大气环境特征f2(属于一级特征)，云层特征f3(属于二级特征)，雾气特征f4(属于二级特征)，地面特征f5(属于四级特征)和雨水特征f6(属于三级特征)。

可见，晴天状态s1与雨天状态s2之间存在的第一特征为：天空颜色特征f1、大气环境特征f2、云层特征f3、雾气特征f4和地面特征f5。

晴天状态s1与雨天状态s2之间不存在第二特征。晴天状态s1与雨天状态s2之间存在的第三特征为：雨水特征f6。

s230、根据当前特征组信息中的每个第一特征所包含的每个状态因子的状态值，和候选特征组信息中的每个第一特征所包含的每个状态因子的状态值，确定第一特征差矩阵。

其中，第一特征差矩阵可以用于表征当前天气状态和候选天气状态中同一个特征之间的差异。

具体地，在当前特征组信息中，可以获得每个第一特征所包含的每个状态因子的当前状态值，并基于各个当前状态值可以生成一个第一因子矩阵。在候选特征组信息中，可以获得每个第一特征所包含的每个状态因子的候选状态值，并基于各个候选状态值可以生成一个第二因子矩阵。可以将第一因子矩阵与第二因子矩阵进行相减，获得的计算结果确定为第一特征差矩阵。

示例性地，第一特征差矩阵可以通过如下公式进行确定：

其中，β′(s1,sn)表示当前天气状态s1与候选天气状态sn之间的第一特征差矩阵；f′1jm是当前天气状态s1中的第j个第一特征包含的第m个状态因子的状态值。f′njm是当前天气状态sn中的第j个第一特征包含的第m个状态因子的状态值。减号左边的矩阵为第一因子矩阵，第一因子矩阵的行数等于第一特征的总数，其列数等于特征所包含的状态因子的最大数量。减号左边的矩阵为第二因子矩阵，第二因子矩阵的行数等于第一特征的总数，其列数等于第一特征所包含的状态因子的最大数量。

需要说明的是，每个特征所包含的状态因子的数量可能不同，从而在生成第一因子矩阵和第二因子矩阵时对于缺失的位置进行填0处理，以便计算。

示例性地，继续上述举的例子，天空颜色特征f1包含的状态因子为：天空前景色f11、天空后景色f12、太阳光f13和漫反射f14；大气环境特征f2包含的状态因子为：温度f21、湿度f22和风力f23；云层特征f3包含的状态因子为：覆盖率f31、厚度f32、颜色f33和速度f34；雾气特征f4包含的状态因子为：浓度f41，颜色f42和梯度f43；地面特征f5包含的状态因子为：地面湿度f51和颜色f52；雨水特征f6包含的状态因子为：雨量f61和雨密度f62。

基于上述公式，晴天状态s1与雨天状态s2之间的第一特征差矩阵为：

s240、根据当前特征组信息中的每个第二特征所包含的每个状态因子的状态值，确定第二特征差矩阵。

其中，第二特征差矩阵可以用于表征当前天气状态中独有特征的综合信息。

具体地，在当前特征组信息中，可以获得每个第二特征所包含的每个状态因子的状态值，并基于获得的各个状态值生成一个第二特征差矩阵。示例性地，第二特征差矩阵可以表示为：

其中，β″(s1,sn)表示当前天气状态s1与候选天气状态sn之间的第二特征差矩阵；f″1jm是当前天气状态s1中的第j个第二特征包含的第m个状态因子的状态值。第二特征差矩阵的行数等于第二特征的总数，其列数等于第二特征所包含的状态因子的最大数量。

需要说明的是，每个特征所包含的状态因子的数量可能不同，从而在生成第二特征差矩阵时对于缺失的位置进行填0处理，以便计算。

示例性地，继续上述举的例子，晴天状态s1与雨天状态s2之间的第二特征差矩阵为：

β″(s1,s2)＝|f″161f″162|

s250、根据候选特征组信息中的每个第三特征所包含的每个状态因子的状态值，确定第三特征差矩阵。

其中，第三特征差矩阵可以用于表征候选天气状态中独有特征的综合信息。

具体地，在候选特征组信息中，可以获得每个第三特征所包含的每个状态因子的状态值，并基于获得的各个状态值生成一个第三特征差矩阵。示例性地，第三特征差矩阵可以表示为：

其中，β″′(s1,sn)表示当前天气状态s1与候选天气状态sn之间的第三特征差矩阵；f″′njm是候选天气状态sn中的第j个第三特征包含的第m个状态因子的状态值。第三特征差矩阵的行数等于第三特征的总数，其列数等于第三特征所包含的状态因子的最大数量。

需要说明的是，每个特征所包含的状态因子的数量可能不同，从而在生成第三特征差矩阵时对于缺失的位置进行填0处理，以便计算。

示例性地，继续上述举的例子，由于晴天状态s1与雨天状态s2之间不存在第三特征，从而第三特征差矩阵为零矩阵。

s260、根据第一特征差矩阵、第二特征差矩阵和第三特征差矩阵，确定当前天气状态与候选天气状态之间的状态特征差值。

具体地，本实施例可以对第一特征差矩阵、第二特征差矩阵和第三特征差矩阵求取相应的矩阵长度，并基于矩阵长度确定出状态特征差值。例如，可以对第一特征差矩阵、第二特征差矩阵和第三特征差矩阵分别求取相应的对角矩阵，获得第一对角矩阵、第二对角矩阵和第三对角矩阵，再分别求取每个对角矩阵的长度，获得第一矩阵长度、第二矩阵长度和第三矩阵长度，再将第一矩阵长度减去第二矩阵长度和第三矩阵长度，获得的结果确定为当前天气状态与候选天气状态之间的状态特征差值，从而更加有效准确地衡量出两个天气状态之间的差异情况。

s270、根据各状态特征差值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态。

本实施例的技术方案，通过确定当前天气状态与每个候选天气状态之间的第一特征差矩阵、第二特征差矩阵和第三特征差矩阵，可以准确地确定出两个天气状态之间的状态特征差值，以便更加有效准确地衡量两个天气状态的差异情况。

在上述技术方案的基础上，s260可以包括：将第一特征差矩阵中处于对角线上的每个状态因子的状态值与相应的因子权重值进行相乘，确定第一对角矩阵；将第二特征差矩阵中处于对角线上的每个状态因子的状态值与相应的因子权重值进行相乘，确定第二对角矩阵；将第三特征差矩阵中处于对角线上的每个状态因子的状态值与相应的因子权重值进行相乘，确定第三对角矩阵；根据第一对角矩阵的长度、第二对角矩阵的长度和第三对角矩阵的长度，确定当前天气状态与候选天气状态之间的状态特征差值。

其中，天气系统中的每个状态因子均可以预先设置相应的因子权重，以便可以通过调节因子权重的方式，实现天气状态转换的可控性，提高应用场景的适用性。例如，通过调高闪电的因子权重，则会降低出现雷雨天的概率。

具体地，当前天气状态与候选天气状态之间的状态特征差值可以通过如下公式确定：

δ(s1,sn)＝|diag(β′*ω′)|-|diag(β″*ω″)|-|diag(β″′*ω″′)|

其中，δ(s1,sn)是指当前天气状态s1与候选天气状态sn之间的状态特征差值；diag()是构造对角矩阵的函数；β′是第一特征差矩阵；β″是第二特征差矩阵；β″′是第三特征差矩阵；ω′是由每个第一特征中的各个因子状态对应的因子权重构成的第一因子矩阵；ω″是由每个第二特征中的各个因子状态对应的因子权重构成的第二因子矩阵；ω″′是由每个第三特征中的各个因子状态对应的因子权重构成的第三因子矩阵。

示例性地，上述公式可以具体展开如下：

需要说明的是，若第一特征差矩阵、第二特征差矩阵和第三特征差矩阵不为方阵时，可以通过填补0的方式调整为方阵，以便可以构造对角矩阵。本实施例通过基于预先配置的因子权重来确定两个天气状态之间的状态特征差值的方式，可以通过调节因子权重的方式来控制天气状态的转换，实现了天气变化的可控性，便于引导天气变化的倾向，应用于更多的应用仿真场景中。

实施例三

图5为本发明实施例三提供的一种天气转换的预测方法的流程图，本实施例在上述实施例的基础上，对“根据各状态特征差值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态”进行了优化。其中与上述实施例相同或相应的术语的解释在此不再赘述。

参见图5，本实施例提供的天气转换的预测方法具体包括以下步骤：

s310、获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息。

s320、根据当前特征组信息和每个候选特征组信息，确定当前天气状态与每个候选天气状态之间的状态特征差值。

s330、对每个候选天气状态对应的状态特征差值取倒数，获得的结果作为候选天气状态对应的转换权重。

其中，转换权重可以用于表征当前天气状态转换至候选天气状态的转换概率，即转换权重越高，转换概率越高。

具体地，本实施例可以将每个候选天气状态对应的状态特征差值取倒数的结果直接作为其对应的转换权重；也可以对每个取倒数的结果进行归一化，将归一化后的结果作为相应的转换权重。

s340、将各转换权重进行相加，获得的相加结果作为总转换权重，并基于总转换权重，随机生成一个参考数值，其中，参考数值大于零且小于总转换权重。

其中，参考数值是随机生成的，用于表征天气变化本身的随机性。

具体地，通过将所有的转换权重进行相加获得总转换权重，从而可以确定出参考数值的变化范围。若在生成转换权重时进行了归一化，则可以直接将总转换权重确定为1。

示例性地，参考数值可以定义如下：

其中，w为总转换权重；n为候选天气状态的数量；γj为每个候选天气状态对应的转换权重；β1为参考数值。

s350、根据每个候选天气状态对应的转换权重和参考数值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态。

具体地，本实施例可以基于每个候选天气状态对应的转换权重，确定每个候选天气状态对应的选取范围区间，每个选取范围区间的长度用于表征转换权重的大小。比如，存在三个候选天气状态，其对应的转换权重分别为：0.2、0.3和0.5，则以转换权重为取值间隔，确定这三个候选天气状态分别对应的选取范围区间为：(0-0.2)、[0.2-0.5)和[0.5-1)。将随机生成的参考数值与每个选取范围区间进行匹配，确定参考数值所在的选取范围区间，并将该选取范围区间对应的候选天气状态确定为当前天气状态转换至的目标天气状态。

示例性地，s350还可以包括：根据每个候选天气状态对应的转换权重和参考数值，逐个计算每个候选天气状态对应的转换数值；当首次出现转换数值小于零时，将该转换数值所对应的候选天气状态确定为当前天气状态转换至的目标天气状态。

具体地，可以通过如下公式计算候选天气状态对应的转换数值：

βi＝βi-1-γi

其中，当i＝1时，即β1是参考数值；当i≥2(i为整数)时，βi表示每个候选天气状态对应的转换数值；γi表示与βi相对应的候选天气状态所对应的转换权重。本实施例可以基于任意顺序，对所有候选天气状态进行排序，以确定除计算转换数值的计算顺序，基于该计算顺序，逐个依次计算每个候选天气状态对应的转换数值。当首次出现转换数值小于零时，可以停止后续计算，可以直接将小于零的转换数值所对应的候选天气状态确定为目标天气状态，从而可以更加便捷快速地确定出目标天气状态。

本实施例的技术方案，通过利用随机生成的参考数值，基于每个候选天气状态对应的转换权重来确定目标天气状态，使得每次确定出的目标天气状态可以不同，并保证每个候选天气状态确定为目标天气状态的概率与对应的转换权重成正比，从而使得预测结果更加贴合真实的天气变化情况，进一步提高了天气仿真的可信度和准确度。

以下是本发明实施例提供的天气转换的预测装置的实施例，该装置与上述各实施例的天气转换的预测方法属于同一个发明构思，在天气转换的预测装置的实施例中未详尽描述的细节内容，可以参考上述天气转换的预测方法的实施例。

实施例四

图6为本发明实施例四提供的一种天气转换的预测装置的结构示意图，本实施例可适用于在天气仿真的演化过程中，预测当前天气状态的下一天气状态的情况，该装置具体包括：特征组信息获取模块410、状态特征差值确定模块420和目标天气状态确定模块430。

其中，特征组信息获取模块410，用于获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息，其中，当前特征组信息包括当前天气状态中每个特征等级下的各个当前特征信息，候选特征组信息包括候选天气状态中每个特征等级下的各个候选特征信息；状态特征差值确定模块420，用于根据当前特征组信息和每个候选特征组信息，确定当前天气状态与每个候选天气状态之间的状态特征差值；目标天气状态确定模块430，用于根据各状态特征差值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态。

可选地，该装置还包括：

有向联通图构建模块，用于在获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息之前，根据各状态因子之间的依赖关系，构建各状态因子对应的有向联通图；

特征组信息确定模块，用于根据有向联通图和每种天气状态中的各个状态因子，确定每种天气状态下，由各个状态因子组成的各个特征和每个特征所属的特征等级，并将每个特征等级下的各个特征信息作为天气状态对应的特征组信息。

可选地，状态特征差值确定模块420，包括：

特征确定单元，用于根据当前特征组信息和候选特征组信息，确定当前天气状态和候选天气状态均包含的各个第一特征，当前天气状态包含且候选天气状态不包含的各个第二特征，以及当前天气状态不包含且候选天气状态包含的各个第三特征；

第一特征差矩阵确定单元，用于根据当前特征组信息中的每个第一特征所包含的每个状态因子的状态值，和候选特征组信息中的每个第一特征所包含的每个状态因子的状态值，确定第一特征差矩阵；

第二特征差矩阵确定单元，用于根据当前特征组信息中的每个第二特征所包含的每个状态因子的状态值，确定第二特征差矩阵；

第三特征差矩阵确定单元，用于根据候选特征组信息中的每个第三特征所包含的每个状态因子的状态值，确定第三特征差矩阵；

状态特征差值确定单元，用于根据第一特征差矩阵、第二特征差矩阵和第三特征差矩阵，确定当前天气状态与候选天气状态之间的状态特征差值。

可选地，状态特征差值确定单元，具体用于：

将第一特征差矩阵中处于对角线上的每个状态因子的状态值与相应的因子权重值进行相乘，确定第一对角矩阵；将第二特征差矩阵中处于对角线上的每个状态因子的状态值与相应的因子权重值进行相乘，确定第二对角矩阵；将第三特征差矩阵中处于对角线上的每个状态因子的状态值与相应的因子权重值进行相乘，确定第三对角矩阵；根据第一对角矩阵的长度、第二对角矩阵的长度和第三对角矩阵的长度，确定当前天气状态与候选天气状态之间的状态特征差值。

可选地，目标天气状态确定模块430，包括：

转换权重确定单元，用于对每个候选天气状态对应的状态特征差值取倒数，获得的结果作为候选天气状态对应的转换权重；

参考数值生成单元，用于将各转换权重进行相加，获得的相加结果作为总转换权重，并基于总转换权重，随机生成一个参考数值，其中，参考数值大于零且小于总转换权重；

目标天气状态确定单元，用于根据每个候选天气状态对应的转换权重和参考数值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态。

可选地，目标天气状态确定单元，具体用于：

根据每个候选天气状态对应的转换权重和参考数值，逐个计算每个候选天气状态对应的转换数值；当首次出现转换数值小于零时，将该转换数值所对应的候选天气状态确定为当前天气状态转换至的目标天气状态。

可选地，该装置还包括：

天气状态过渡模块，用于在根据各状态特征差值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态之后，根据预设过渡方式，依次将当前天气状态中每个特征等级下的各个当前特征信息，过渡到目标天气状态中同一特征等级下的各个目标特征信息，以将当前天气状态转换至目标天气状态；其中，当前天气状态中最低的特征等级最先进行过渡，最高的特征等级最后进行过渡。

本发明实施例所提供的天气转换的预测装置可执行本发明任意实施例所提供的天气转换的预测方法，具备执行天气转换的预测方法相应的功能模块和有益效果。

实施例五

图7是本发明实施例五提供的一种设备的结构示意图。参见图7，该设备包括：

一个或多个处理器510；

存储器520，用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器510执行，使得一个或多个处理器510实现如上述实施例中任意实施例所提供的天气转换的预测方法，该方法包括：

获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息，其中，当前特征组信息包括当前天气状态中每个特征等级下的各个当前特征信息，候选特征组信息包括候选天气状态中每个特征等级下的各个候选特征信息；

根据当前特征组信息和每个候选特征组信息，确定当前天气状态与每个候选天气状态之间的状态特征差值；

根据各状态特征差值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态。

图7中以一个处理器510为例；设备中的处理器510和存储器520可以通过总线或其他方式连接，图7中以通过总线连接为例。

存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的天气转换的预测方法对应的程序指令/模块(例如，天气转换的预测装置中的特征组信息获取模块410、状态特征差值确定模块420和目标天气状态确定模块430)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的天气转换的预测方法。

存储器520主要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、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至设备。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。

本实施例提出的设备与上述实施例提出的天气转换的预测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例具备执行天气转换的预测方法相同的有益效果。

实施例六

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例的天气转换的预测方法步骤，该方法包括：

获取当前天气状态对应的当前特征组信息和至少两个候选天气状态对应的候选特征组信息，其中，当前特征组信息包括当前天气状态中每个特征等级下的各个当前特征信息，候选特征组信息包括候选天气状态中每个特征等级下的各个候选特征信息；

根据当前特征组信息和每个候选特征组信息，确定当前天气状态与每个候选天气状态之间的状态特征差值；

根据各状态特征差值，从各候选天气状态中确定出当前天气状态转换至的目标天气状态。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。