论文部分内容阅读
时空序列数据即在每个时刻记录的数据都为图像,具有空间信息。对此类数据的预测也称为视频预测,即根据视频的已知帧序列对未来帧进行预测。时空序列预测在机器人、自动驾驶、天气预报等领域都有着重要应用,因此对时空序列预测的研究有着重要意义。本文主要关注云移动预测问题,使用的数据为风云四号观测得到的卫星云图。通过对云的未来运动变化预测,可以对天气预报提供更多参考信息,研究具有实际意义。由于卫星云图中包含较多非云的无关信息,所以本文的研究过程为先对卫星云图的云检测问题进行研究,然后在得到的检测结果上再对云移动预测问题进行研究。针对卫星云图的云检测问题,本文提出了基于空洞卷积和数据蒸馏的云检测方法。首先由于云的形状尺寸多样,通过在模型中加入空洞卷积,可以在不增加计算量的同时扩大感受野,并能减少最大池化层的使用,使特征图保存更多信息。结合云的流体特性,模型利用由不同采样率的空洞卷积组成的模块,可以学习云区的多尺度特征,提升模型对小面积云区的检测精度。然后,本文提出了基于集成学习的未标注数据筛选方法,利用筛选后的未标注数据,使用数据蒸馏的方法对训练样本进行扩充。实验结果表明,通过基于空洞卷积的深度模型可以取得较为精准的云检测结果,然后再通过数据蒸馏方法可以使检测精度进一步提升。针对卫星云图的云移动预测问题,本文提出了基于RAST-LSTM的云移动预测方法。该算法在ST-LSTM单元中加入了注意力机制和残差单元,其中注意力机制可以较好的缓解模型多帧预测时的模糊问题,并能在预测结果中补充更多细节;残差单元则能提升模型深度增加时的学习能力,使模型预测精度进一步提升。最后,基于RAST-LSTM设计了seq2seq结构的预测模型。实验结果表明,本文提出的基于RAST-LSTM的预测方法在预测结果的清晰度和模型精度上都有较好表现。