一、Address

来自NUDT的一篇ICASSP paper

HPRNN: A HIERARCHICAL SEQUENCE PREDICTION MODEL FOR LONG-TERM WEATHER RADAR ECHO EXTRAPOLATION

地址：https://sci-hub.se/10.1109/ICASSP40776.2020.9054232

二、Introduction

2.1 天气雷达回波图

对应的这篇paper主要的背景也是weather，数据集就是shixingjian提出的HKO-7数据集

2.2 出现问题以及主要原因

2.2.1 长期衰减的问题

其实这个问题是长期time series预测的一个通病，大多数都会有这种问题，对于这种问题的解决也是很多

2.2.2 两个主要的原因

一个是本身就有复杂的变化非常不好预测，另一个就是预测的时候会有error的一个累加

三、Model

3.1 Model architecture

• HPRNN

  • frame encoder

  • short-range

  • an integration layer

  • a long-range RNN module

  • a guiding layer

  • a refinement module

  • a frame decoder

属于端到端的模型框架

3.2 各部分

3.2.1 frame encoder

由CNN组成，目标是学到原始雷达回波图更高层次的representation(最后得到feature maps sequence)

3.2.2 short-range

RNN module  通过feature maps sequence得到short-range内的序列变换信息，并对未来进行预测(short程度)，主要使用convLSTM

3.2.3 an integration layer

把short-range层得到的hidden states转换为integrated hidden representations,之后传到long-term ， 具体计算如下：这里可能是作者图和文章里面的标记有点不符合，大家也可以自行看一下，图上的t-n+1，在文中其实是t-m+1，所以这里才可以n代表window的大小，二者并不矛盾，只是图上可能标记有些问题..

3.2.4 a long-range RNN module

这里主要的思想是，通过前面integration layer得到的S（相当于压缩之后），用RNN建模，可以提取到long-range的信息，主要应用ConvGRU模块，之后通过这个module来对未来的S进行预测(long程度)

3.2.5 a guiding layer

把long-range的hidden state反向转换为short-range的hidden state, 简单点说相当于 反向映射(对应于integration layer)

3.2.6 a refinement module

这层主要解决的是为了让生成的更realistic并且accurate enough

refinement module 包含2cnn+4res+1convLSTM

3.2.7 a frame decoder

就是把h转换为pixel， 通俗点说就是把特征信息转换为普通的雷达回波图，完成最终的预测（采用deconv）

4. 模型框架总结

序列雷达回波图通过cnn得到深层信息feature maps， 之后通过ConvLSTM得到hidden states，此时为short-range，完成short级别的预测。

之后将这个hidden states sequence转化为long range的RNN(convGRU)输入(通过windows和cnn)， 之后进行long-range的预测。

之后通过deconv重新回到short range级别，之后通过得到的ht+1-ht+n当作short range RNN的输入，进行将来多个时刻的预测，之后得到预测的hidden states。

之后通过2cnn+4个res+1个convLSTM(cnn和res对称)得到预测的features信息，最终转换为预测的雷达回波图

具体每层的模型参数可以自行看文中的structure details， 这里不赘述了，因为基本上都是正常操作

四、实验

4.1 数据集

数据集使用HKO-7，和轨迹GRU的雷达回波图数据集一致，具体可以看我之前写的解读

4.2 实验细节

• 用输入的十帧预测未来的10，20，30(6min一帧， 即预测未来的1h 2h 3h， 对应于short middle long term)

• L1+L2 loss

• sliding window size 3

• POD FAR CSI HSS 指标

4.3 实验结果

4.4 指标结果

更多精彩内容（请点击图片进行阅读）

公众号：AI蜗牛车

保持谦逊、保持自律、保持进步

个人微信

备注：昵称+学校/公司+方向

如果没有备注不拉群！

拉你进AI蜗牛车交流群