包 順，秦華旺，戴躍偉，陳浩然，尹傳豪

(1.南京信息工程大學(xué) 電子與信息工程學(xué)院，江蘇 南京 210044；2.南京信息工程大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 210044)

0 引言

短臨預(yù)報(bào)是指預(yù)測(cè)未來(lái)較短時(shí)間(0～2 h)的降雨強(qiáng)度。提前預(yù)測(cè)降雨對(duì)人們生活和日常出行具有重大的意義。特別是對(duì)極端惡劣天氣的預(yù)警,可以提前做出預(yù)防措施,防止造成重大的生命和財(cái)產(chǎn)損失。由于短期的強(qiáng)降雨對(duì)農(nóng)業(yè)、工業(yè)和旅游業(yè)造成了重大的影響,所以對(duì)降水的短時(shí)預(yù)測(cè)是非常有必要的,利用歷史數(shù)據(jù),運(yùn)用深度學(xué)習(xí)算法能夠?qū)W習(xí)大氣復(fù)雜的物理規(guī)律,對(duì)未來(lái)短時(shí)內(nèi)降水精準(zhǔn)預(yù)測(cè)。

傳統(tǒng)的雷達(dá)回波外推主要采用光流法[1-2],利用相鄰2幀之間的相關(guān)性,從而計(jì)算出相鄰幀之間的運(yùn)動(dòng)信息,進(jìn)行外推。光流法的缺點(diǎn)是同一目標(biāo)在不同幀運(yùn)動(dòng)時(shí),亮度不會(huì)發(fā)生變化。近年來(lái)主要采取深度學(xué)習(xí)方法進(jìn)行外推,可以分為2類:基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Newral Network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)。

首先,介紹RNN用于降水預(yù)測(cè)。降水預(yù)測(cè)被視為時(shí)空預(yù)測(cè)問(wèn)題,時(shí)空預(yù)測(cè)模型是指給定一系列歷史幀生成未來(lái)幀。最早,由Shi等[3]提出了ConvLSTM模型,通過(guò)將全連接的LSTM模型擴(kuò)展到輸入到輸入和狀態(tài)到狀態(tài)的卷積結(jié)構(gòu),能夠更好地學(xué)習(xí)時(shí)空相關(guān)性,成功地將深度學(xué)習(xí)引入降水預(yù)測(cè),為降水預(yù)測(cè)奠定了基礎(chǔ);ConvGRU模型是ConvLSTM模型的變體,在ConvLSTM的細(xì)胞結(jié)構(gòu)上進(jìn)行優(yōu)化,減少了參數(shù),加快了訓(xùn)練時(shí)間。同樣Shi等[4]提出了一種基準(zhǔn)和新模式,對(duì)流模型中卷積的位置是不變的,為了學(xué)習(xí)位置變化趨勢(shì),提出了TrajGRU模型。Wang等[5]提出了PredRNN模型,用于時(shí)空預(yù)測(cè),在ConvLSTM的基礎(chǔ)上引入了時(shí)空記憶流,可以減少底層到網(wǎng)絡(luò)頂層的信息損失,來(lái)捕獲長(zhǎng)期記憶性;同樣在PredRNN的基礎(chǔ)上,提出了PredRNN++網(wǎng)絡(luò)[6],為了解決深度網(wǎng)絡(luò)傳播過(guò)程中的梯度消失問(wèn)題,加入了Gradient Highway Unit可以緩解梯度消失。文獻(xiàn)[7]為了能夠?qū)W習(xí)短期框架依賴和長(zhǎng)期高級(jí)關(guān)系的良好表示,提出了一個(gè)新的模型E3D-LSTM,采用三維卷積進(jìn)行編碼和解碼,并將其集成到潛在的RNN中,以獲得運(yùn)動(dòng)感知和短期特征;由于以往大多數(shù)用于時(shí)空預(yù)測(cè)的RNN并沒(méi)有有效地利用差分信號(hào),而且它們相對(duì)簡(jiǎn)單的狀態(tài)轉(zhuǎn)換函數(shù)阻止了它們學(xué)習(xí)太復(fù)雜的時(shí)空變化。為此,Wang等[8]提出了內(nèi)存中的內(nèi)存(MIM)網(wǎng)絡(luò)和相應(yīng)的循環(huán)塊,能夠模擬時(shí)空動(dòng)力學(xué)中的非平穩(wěn)和近似平穩(wěn)的特性。

Lin等[9]為了提取具有全局和局部依賴性的空間特征,在ConvLSTM中引入了自注意機(jī)制。Luo等[10]在PredRNN的基礎(chǔ)上引入交互框架,來(lái)增強(qiáng)短期依賴性,可以應(yīng)用于任何ConvRNN模型,同時(shí)加入雙重注意力機(jī)制,結(jié)合時(shí)間信息和通道信息,用于恢復(fù)長(zhǎng)期、記憶性和更好的時(shí)空相關(guān)性。對(duì)于CNN,文獻(xiàn)[11-12]采用基于Unet框架進(jìn)行短時(shí)降水預(yù)測(cè),提出了SmaAt-Unet網(wǎng)絡(luò)來(lái)解決降水預(yù)測(cè)問(wèn)題,引入了注意力機(jī)制與深度可分離卷積,但缺乏長(zhǎng)期依賴性,難以學(xué)習(xí)長(zhǎng)期的雷達(dá)回波變化。

盡管基于傳統(tǒng)的RNN模型和CNN模型在降水預(yù)測(cè)任務(wù)中取得了不錯(cuò)的效果,但存在以下問(wèn)題:CNN模型缺乏長(zhǎng)期依賴性,不適合進(jìn)行長(zhǎng)期預(yù)測(cè);RNN模型主要以ConvLSTM為代表以及多種變體,ConvLSTM模型由于先經(jīng)過(guò)編碼器部分,等編碼器部分完全結(jié)束,再經(jīng)過(guò)解碼器部分預(yù)測(cè)輸出,編碼器和解碼器不同尺度的雷達(dá)回波圖之間沒(méi)有進(jìn)行特征融合,對(duì)于低頻和高頻信息沒(méi)有進(jìn)行有效結(jié)合。此外,大多數(shù)模型采用單一卷積核提取特征,導(dǎo)致只能進(jìn)行局部特征的提取,在捕獲高維和長(zhǎng)期依賴性存在不足[13-14]。因此,本文提出了UI-LSTM模型。首先,采用了U形結(jié)構(gòu)[15-16],可以進(jìn)行多尺度特征提取,同時(shí)中間經(jīng)過(guò)跳過(guò)連接,將淺層信息和深層信息拼接,再通過(guò)卷積進(jìn)行特征提取。其次,對(duì)于UI-LSTM細(xì)胞內(nèi)部的輸入到輸入和狀態(tài)到狀態(tài)采用Inception結(jié)構(gòu)[17]和分組卷積[18],用不同尺寸的卷積核來(lái)提取特征,比單一的卷積效果更好。不僅提高了降水預(yù)測(cè)的準(zhǔn)確度,而且具有一定的泛化能力。為了證明本方法的有效性,在公開數(shù)據(jù)集CIKM AnalytiCup 2017上進(jìn)行充分實(shí)驗(yàn),證明了UI-LSTM模型性能的優(yōu)越性。

1 降水預(yù)測(cè)問(wèn)題描述

降水預(yù)測(cè)問(wèn)題可以描述為時(shí)空預(yù)測(cè)[19-20]問(wèn)題,通過(guò)歷史幀預(yù)測(cè)未來(lái)幀。通過(guò)模型訓(xùn)練,使得預(yù)測(cè)的未來(lái)幀接近觀測(cè)的歷史幀,從而實(shí)現(xiàn)對(duì)未來(lái)短時(shí)間的降水預(yù)測(cè)。降水不僅要考慮降水空間分布,同時(shí)還要考慮降水的時(shí)間連續(xù)性[21],給模型的預(yù)測(cè)增加了難度。如果觀察到某一t時(shí)刻雷達(dá)回波圖大小為M×N,通道數(shù)為P,從空間維度上看,P可以作為測(cè)量的觀測(cè)值,可以用X∈RP×M×N張量表示。從時(shí)間維度上看,通過(guò)輸入一段時(shí)間的連續(xù)幀來(lái)預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的降水變化。假設(shè)輸入為t個(gè)時(shí)刻,輸入的連續(xù)序列表示為{X1,X2,…,Xt},通過(guò)輸入歷史幀去預(yù)測(cè)未來(lái)幀,預(yù)測(cè)未來(lái)一段時(shí)間的K幀圖像表示為{Xt+1,Xt+2,…,Xt+k},通過(guò)模型訓(xùn)練使得預(yù)測(cè)的序列接近真實(shí)的雷達(dá)回波序列{Xt+1,Xt+2,…,Xt+k}。公式如下:

(1)

本文使用雷達(dá)回波序列進(jìn)行降水預(yù)測(cè),輸入為連續(xù)5幀雷達(dá)回波圖,預(yù)測(cè)未來(lái)10幀雷達(dá)回波圖。

2 模型構(gòu)建

2.1 UI-LSTM模型網(wǎng)絡(luò)架構(gòu)

UI-LSTM網(wǎng)絡(luò)架構(gòu)由5層UI-LSTM細(xì)胞結(jié)構(gòu)組成,如圖1所示。對(duì)原有模型進(jìn)行改進(jìn),ConvLSTM采取的是編碼器解碼器結(jié)構(gòu),編碼器層與層之間輸出經(jīng)過(guò)了下采樣,解碼器層與層之間輸出經(jīng)過(guò)了上采樣,而PredRNN層與層之間輸出的隱藏狀態(tài)是直接連接的,UI-LSTM網(wǎng)絡(luò)采用了U形級(jí)聯(lián)方式,經(jīng)過(guò)每層UI-LSTM細(xì)胞結(jié)構(gòu)輸出并不是直接作為下一層UI-LSTM細(xì)胞結(jié)構(gòu)的輸入,而是經(jīng)過(guò)下采樣和卷積進(jìn)行大小和通道數(shù)的調(diào)整,作為到下一層UI-LSTM細(xì)胞結(jié)構(gòu)的輸入。為了不因?yàn)樵黾恿艘粚覷I-LSTM細(xì)胞而使得網(wǎng)絡(luò)參數(shù)量增多,因此,選擇了隱藏狀態(tài)通道數(shù)為16、32、64、32、16,效果最佳。

圖1 UI-LSTM網(wǎng)絡(luò)架構(gòu)Fig.1 UI-LSTM network architecture

2.2 UI-LSTM細(xì)胞結(jié)構(gòu)

圖2 UI-LSTM細(xì)胞結(jié)構(gòu)Fig.2 Cell structure of UI-LSTM

下面給出UI-LSTM細(xì)胞結(jié)構(gòu)具體:

(2)

(3)

(4)

(5)

(6)

(7)

式中:*表示2D卷積操作,°表示Hadamard乘積運(yùn)算,σ表示Sigmoid激活函數(shù),tanh表示雙曲正切激活函數(shù)。

2.3 Inception結(jié)構(gòu)

Inception是經(jīng)典模型GoogleNet中最核心的子網(wǎng)絡(luò)模型,Inception[24]就是將多個(gè)卷積或池化操作放在一起組裝成一個(gè)網(wǎng)絡(luò)模塊,使用單層卷積時(shí),提取出來(lái)的特征往往很單一。本文采取Inception結(jié)構(gòu)變體,將卷積換成分組卷積,可以減少參數(shù)量的同時(shí)防止過(guò)擬合,由于ConvLSTM采用固定的卷積核來(lái)學(xué)習(xí)對(duì)輸入和隱藏狀態(tài)的參數(shù)矩陣,再經(jīng)過(guò)激活函數(shù),從而得到輸入門、遺忘門、更新門和輸出門。卷積可以提取的特征往往有限,不能對(duì)輸入進(jìn)行充分的特征提取,通過(guò)采用Inception使用不同大小卷積核對(duì)輸入和隱藏狀態(tài)進(jìn)行提取,采用分組卷積可以減少參數(shù)量,進(jìn)一步提取局部信息和全局信息。Inception結(jié)構(gòu)如圖3所示。

圖3 UI-LSTM細(xì)胞中的Inception結(jié)構(gòu)Fig.3 Inception structure of UI-LSTM cells

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)集

雷達(dá)數(shù)據(jù)集使用的是阿里天池CIKM AnalytiCup 2017公開數(shù)據(jù)集,訓(xùn)練集包括10 000個(gè)序列,測(cè)試集包括4 000個(gè)序列,驗(yàn)證集包括 2 000個(gè)序列。每個(gè)序列的時(shí)間不同,驗(yàn)證集是從訓(xùn)練集中隨機(jī)選擇2 000個(gè)序列,每個(gè)序列包括 15幀雷達(dá)回波圖,其中時(shí)間間隔為6 min,使用的高度層為3.5 km。在每個(gè)序列中使用前5幀作為輸入,后10幀用作預(yù)測(cè),即用前0.5 h觀測(cè)數(shù)據(jù)去預(yù)測(cè)未來(lái)1 h的狀態(tài)。每張圖大小為101 pixel×101 pixel,每個(gè)像素值為[0,255]。每張雷達(dá)回波圖覆蓋范圍為深圳地區(qū)101 km×101 km。

3.2 實(shí)驗(yàn)參數(shù)設(shè)置

所有實(shí)驗(yàn)均在Pytorch框架下實(shí)現(xiàn),并且在單張NVIDIA Tesla V100(顯存為32 GB)上運(yùn)行,使用Adam優(yōu)化器進(jìn)行訓(xùn)練,學(xué)習(xí)率設(shè)置為0.000 1,損失函數(shù)使用的是平均絕對(duì)誤差(MAE)和MSE組合。在雷達(dá)回波數(shù)據(jù)集上使用的最大迭代次數(shù)設(shè)置為80 000,batch size設(shè)置為8。輸入Xt維度為(101,101,1),經(jīng)過(guò)padding操作周圍補(bǔ)0維度為(128,128,1)輸入到模型中,經(jīng)過(guò)5層UI-LSTM細(xì)胞單元輸出,輸出的隱藏層維度為(128,128,16),經(jīng)過(guò)卷積核為1×1卷積輸出(128,128,1)為最終的輸出。

3.3 評(píng)價(jià)標(biāo)準(zhǔn)

選用關(guān)鍵成功指數(shù)(HSS)、臨界成功指數(shù)(CSI)、MAE和結(jié)構(gòu)相似性(SSIM)用來(lái)評(píng)估所有實(shí)驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)效果,其中HSS、CSI是降雨預(yù)測(cè)常用指標(biāo)。MAE是用來(lái)計(jì)算真實(shí)的圖片和預(yù)測(cè)出的圖片之間的像素集差異,定義為L(zhǎng)1損失[25],表示預(yù)測(cè)圖像的每個(gè)像素和該圖像的地面真實(shí)值之間的差異度量。SSIM用于衡量真實(shí)圖片和預(yù)測(cè)圖片的結(jié)構(gòu)差異。為了便于對(duì)降雨預(yù)測(cè)準(zhǔn)確性評(píng)價(jià),首先將預(yù)測(cè)的雷達(dá)回波圖和真實(shí)的雷達(dá)回波圖通過(guò)公式轉(zhuǎn)換成雷達(dá)反射率,如果該點(diǎn)的值大于設(shè)置的閥值,值為1,反之為0。然后計(jì)算出TN真陰性,實(shí)際為0,預(yù)測(cè)也為0;TP真陽(yáng)性,實(shí)際為1,預(yù)測(cè)也為1;FP假陽(yáng)性,實(shí)際為0,預(yù)測(cè)為1;FN假陰性,實(shí)際為1,預(yù)測(cè)為0。選取5、20、40 dBz分別作為閥值來(lái)計(jì)算HSS和CSI作為評(píng)價(jià)結(jié)果,可以體現(xiàn)模型對(duì)不同的降雨等級(jí)預(yù)測(cè)效果,選取40 dBz作為閥值可以預(yù)測(cè)對(duì)暴雨的預(yù)測(cè)準(zhǔn)確率,具體公式如下:

(8)

(9)

(10)

(11)

3.4 實(shí)驗(yàn)結(jié)果

為了充分驗(yàn)證所提出的UI-LSTM模型的優(yōu)越性,本文采用HSS、CSI、MAE和SSIM作為評(píng)價(jià)指標(biāo),對(duì)模型進(jìn)行評(píng)估,并對(duì)比了ConvLSTM、ConvGRU、TrajGRU、PredRNN和PredRNN++這5種模型,來(lái)充分驗(yàn)證本模型的性能,所有實(shí)驗(yàn)都客觀公正。實(shí)驗(yàn)結(jié)果如表1所示。

表1 各個(gè)模型在測(cè)試集評(píng)估指標(biāo)結(jié)果對(duì)比Tab.1 Comparison of evaluation results of each model on the test set

由表1可知,所提出的UI-LSTM模型在MAE指標(biāo)上取得了最優(yōu)效果,相比于其他5種模型,比最好的PredRNN++模型MAE指標(biāo)小了0.14,表明UI-LSTM模型預(yù)測(cè)的圖片和真實(shí)圖片之間的差異更小。同時(shí)UI-LSTM模型在CSI指標(biāo)上,在閥值為5、20、40 dBz時(shí)都要高于其他5種模型,尤其在閥值為40 dBz效果更加顯著,比ConvLSTM模型的指標(biāo)CSI高了0.049 5,接近50%。表明UI-LSTM預(yù)測(cè)中雨、暴雨更加精準(zhǔn)。UI-LSTM模型在HSS指標(biāo)上,在閥值為20、40 dBz時(shí),比其他5種模型效果更好,但在閥值為5 dBz時(shí),比PredRNN低0.001。在SSIM指標(biāo)上UI-LSTM在所有模型中排第二,比PredRNN++低0.001。UI-LSTM模型相對(duì)于其他模型:第一,結(jié)合U形結(jié)構(gòu),能夠?qū)W習(xí)多尺度特征,增強(qiáng)了空間依賴性;第二,采用Inception結(jié)構(gòu),有利于長(zhǎng)期依賴性?？傮w上,UI-LSTM在指標(biāo)上要優(yōu)越于其他5種模型。

為了直觀地看出各個(gè)模型好壞,從測(cè)試集中隨機(jī)選取了一個(gè)序列,通過(guò)將像素值轉(zhuǎn)成雷達(dá)回波值,對(duì)各個(gè)值區(qū)間定義色彩,并與其他5種模型預(yù)測(cè)結(jié)果一起進(jìn)行可視化。如圖4所示,第一行前5張圖片為輸入,后10張圖片為地面真實(shí)輸出,其余各行分別是各個(gè)模型的預(yù)測(cè)結(jié)果,最后一行是UI-LSTM模型預(yù)測(cè)結(jié)果。從圖中可以看出,ConvLSTM、ConvGRU和TrajGRU模型預(yù)測(cè)結(jié)果和真實(shí)圖片差距很大,尤其是預(yù)測(cè)的后5張圖片和真實(shí)的圖片相比對(duì)于高波值預(yù)測(cè)效果差,且預(yù)測(cè)的圖片喪失了很多細(xì)節(jié)。PredRNN模型預(yù)測(cè)結(jié)果對(duì)于后5張圖片雖然對(duì)高回波值有所改善,但是與真實(shí)圖片結(jié)構(gòu)上還是有一定差距。PredRNN++模型預(yù)測(cè)結(jié)果與PredRNN相比結(jié)構(gòu)上有所提高,但是對(duì)于高回波值預(yù)測(cè)效果差。UI-LSTM模型預(yù)測(cè)結(jié)果與ConvLSTM、ConvGRU、TrajGRU、PredRNN、PredRNN++模型預(yù)測(cè)結(jié)果相比,與真實(shí)圖片較為接近,且對(duì)于高回波值預(yù)測(cè)效果較好。

圖4 各個(gè)模型在CIKM AnalytiCup 2017數(shù)據(jù)集中預(yù)測(cè)結(jié)果Fig.4 Predicted results of each model on CIKM AnalytiCup 2017 dataset

各個(gè)模型預(yù)測(cè)出10幀圖片,每個(gè)圖片代表預(yù)測(cè)的一個(gè)時(shí)刻的雷達(dá)回波圖,通過(guò)對(duì)每個(gè)時(shí)刻的HSS、CSI加起來(lái)求平均,得到每個(gè)時(shí)刻的HSS、CSI平均值,同時(shí)選取閥值為40 dBz繪制折線圖如圖5所示。

(a)HSS=40

從圖5可以看出,UI-LSTM模型在每個(gè)時(shí)刻預(yù)測(cè)圖片的HSS、CSI指標(biāo)要遠(yuǎn)高于ConvLSTM、ConvGRU、TrajGRU、PredRNN和PredRNN++模型,在第24、30 min預(yù)測(cè)的HSS、CSI指標(biāo)要和PredRNN較為接近?？傮w而言,UI-LSTM模型在HSS和CSI指標(biāo)上要優(yōu)于ConvLSTM、ConvGRU、TrajGRU、PredRNN和PredRNN++模型,預(yù)測(cè)效果更好。

3.5 消融實(shí)驗(yàn)

為了進(jìn)一步說(shuō)明加入Inception的有效性,本文做了消融實(shí)驗(yàn)。原來(lái)是在ConvLSTM細(xì)胞下,將ConvLSTM結(jié)構(gòu)做改進(jìn),使用了5層結(jié)構(gòu),同時(shí)層與層之間通過(guò)U形結(jié)構(gòu)連接,實(shí)驗(yàn)結(jié)果證明部分指標(biāo)效果的確提高了,但是SSIM效果還是不理想。因此,在輸入到輸入和狀態(tài)到狀態(tài)間的卷積,用Inception替換,用不同尺度卷積核來(lái)學(xué)習(xí)隱藏狀態(tài)和輸入的特征,實(shí)驗(yàn)結(jié)果表明加入Inception結(jié)構(gòu),MAE降低0.09,SSIM提高了0.005 3,同時(shí)HSS、CSI指標(biāo)整體上有所提升。表明引入Inception結(jié)構(gòu)確實(shí)能夠提升模型性能。實(shí)驗(yàn)結(jié)果如表2所示。

表2 消融實(shí)驗(yàn)結(jié)果比較Tab.2 Comparison of ablation experiment results

結(jié)果表明,在U-LSTM加入Inception后,MAE和SSIM指標(biāo)均有提升,HSS和CSI指標(biāo)在5、40 dBz時(shí),UI-LSTM比U-LSTM預(yù)測(cè)效果更好,但在20 dBz時(shí)預(yù)測(cè)效果較差?？傮w上,加入Inception能夠使得預(yù)測(cè)圖片更加真實(shí),且對(duì)中雨和暴雨預(yù)測(cè)更加精準(zhǔn)。對(duì)于模型引入Inception結(jié)構(gòu)和未引入Inception進(jìn)行可視化效果對(duì)比,如圖6所示,表明在引入Inception預(yù)測(cè)的雷達(dá)回波圖結(jié)構(gòu)上與真實(shí)圖片更為接近,且對(duì)于 40 dBz時(shí)預(yù)測(cè)效果更加好,預(yù)測(cè)的雷達(dá)回波圖各個(gè)像素點(diǎn)的雷達(dá)回波值與真實(shí)圖片差距較小。

圖6 消融實(shí)驗(yàn)在CIKM AnalytiCup 2017數(shù)據(jù)集中預(yù)測(cè)結(jié)果Fig.6 Predicted results of ablation experiments on CIKM AnalytiCup 2017 dataset

40 dBz時(shí),對(duì)于U-LSTM和UI-LSTM模型繪制折線圖,如圖7所示,橫坐標(biāo)為預(yù)測(cè)的每個(gè)時(shí)刻分別對(duì)應(yīng)預(yù)測(cè)10幀,縱坐標(biāo)對(duì)應(yīng)HSS和CSI。從圖7中可以看出,UI-LSTM預(yù)測(cè)的每幀的平均值HSS和CSI均要比U-LSTM更高,且效果顯著。

(a)HSS=40

(b)CSI=40

4 結(jié)束語(yǔ)

本文提出了一種新的UI-LSTM模型用于降水預(yù)測(cè),使用U形結(jié)構(gòu)能夠提取多尺度信息,且對(duì)淺層信息和深層進(jìn)行拼接,通過(guò)卷積在輸入下一層網(wǎng)絡(luò)中,增強(qiáng)了網(wǎng)絡(luò)的性能。同時(shí)為了有效提取輸入雷達(dá)回波圖的特征,引入了Inception結(jié)構(gòu)替代卷積來(lái)學(xué)習(xí)輸入到輸入、狀態(tài)到狀態(tài)的參數(shù)矩陣,提升了降水預(yù)測(cè)的精準(zhǔn)度,增強(qiáng)了長(zhǎng)期依賴性。在對(duì)于多種模型對(duì)比實(shí)驗(yàn)中,提出的UI-LSTM預(yù)測(cè)性均比其他模型性能更優(yōu)越,對(duì)氣象預(yù)測(cè)具有一定的價(jià)值。但考慮到設(shè)計(jì)模型的參數(shù)量大和預(yù)測(cè)的后幾幀都損失了很多細(xì)節(jié),且預(yù)測(cè)的雷達(dá)回波圖與真實(shí)圖片存在一定差距。未來(lái)的工作中需要提高網(wǎng)絡(luò)的長(zhǎng)期依賴性,同時(shí)要減少模型訓(xùn)練時(shí)間和參數(shù)量,模型需要朝著輕量化方向發(fā)展,希望通過(guò)不斷優(yōu)化模型,提高降水預(yù)測(cè)的準(zhǔn)確性。