具体实施方式

本申请的目的是提供一种雷电预测方法、装置、设备及计算机可读存储介质，用于实现对雷电的更早预测。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1，其示出了本申请实施例提供的一种雷电预测方法的流程图，本申请实施例提供的一种雷电预测方法，可以包括：

S11：获取当前时段的大气电场序列。

在进行雷电预测时，可以利用大气电场仪探测获取当前时段的大气电场序列，其中，这里提及的当前时段具体可以为从当前时刻向前目标时长(例如：10分钟、20分钟等)，且在当前时段内，大气电场仪可以每秒采集一次大气电场值，并将当前时段内采集的所有大气电场值按照时间顺序构成大气电场序列。需要说明的是，在以10分钟或者其他预设时长作为当前时段时，对于有一些大气电场仪不是每秒1个检测值的情况下，可同等依据预设时长数据进行换算，调整参数，以10分钟且以每秒采集一次为例，若有的大气电场仪每两秒采集一次，则可以将该大气电场仪的当前时段对应的预设时长调整为20分钟，以保证有足够数量的大气电场值参与雷电预测。

S12：将大气电场序列输入到预先构建的时序预测模型中，得到预测时段内的大气电场值是否超过阈值的预测结果；时序预测模型为利用获取的历史大气电场序列对预设的时序模型进行训练得到的，时序预测模型可以包括输入层、循环神经网络层、全连接层及输出层，其中，循环神经网络层及全连接层中设置有激活函数。

在本申请中，在进行雷电预测时，可以先获取历史大气电场序列、历史大气电场序列与预先设定的阈值的比较结果，并利用历史大气电场序列、历史大气电场序列与预先设定的阈值的比较结果对预设的时序模型进行训练，其中，在对预设的时序模型进行训练时，损失函数的优化目标可以为均方误差，且所采用的优化方法具体可以为Adam函数。另外，在获取历史大气电场序列时具体可以获取大气电场值达到阈值之前的大气电场序列，以利用其进行模型训练。

需要说明的是，在本申请中，预设的时序模型及训练得到的时序预测模型具体可以包括输入层、循环神经网络层、全连接层及输出层，即本申请所提供的时序预测模型具体可以为循环神经网络模型。其中，该循环神经网络层具体可以为LSTM层(Long Short-TermMemory，长短期记忆网络)，当然，也可以选用其他循环神经网络作为循环神经网络层，本申请优选采用LSTM作为循环神经网络层，也即本申请中的时序预测模型具体可以为LSTM预测模型。

在采用LSTM作为循环神经网络层时，LSTM层中包含有多个(如100个等)LSTM节点，且LSTM层的构成一般分为四个主要步骤，对于输入x_t和最后一次输出h_t-1：

1)计算遗忘门f_t，通过“遗忘门”决定从旧的单元格状态中扔掉哪些信息。

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

其中，W_f为遗忘门的权值，b_f为遗忘门的偏置值，h_t-1为t-1时刻的隐藏状态，x_t为t时刻的输入，σ为激活函数，且这里选用sigmoid函数作为激活函数；

sigmoid函数根据x_t和h_t-1控制单元格状态，0代表完全忽略，而1代表保持。

2)输入层i_t和单元格状态C_t决定在单元格状态C_t中存储什么新信息。单元格状态更新需要输入层和一个候选者

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

其中，W_i为输入层的权值，b_i为输入层的偏置值，W_C为候选者的权值，b_C为候选者的偏置值；

将旧的单元格状态、输入层输入部分和更新的候选者部分结合起来生成新的单元格状态C_t：

3)输出门o_t决定输出什么

根据新的细胞状态，实施一个后处理：

o_t＝σ(W_o[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，W_o为输出门的权值，b_o为输出门的偏置值；

然后为下一个单元计算做准备h_t，其中，h_t为t时刻的隐藏状态。

另外，可以为LSTM层中的LSTM节点设置激活函数，具体可以选用ReLU函数作为激活函数，其与sigmoid函数和tanh函数相比，对随机数据的收敛性有显著影响。当然，也可以采用其他激活函数作为这里的激活函数，本申请对此不做任何限定。

全连接层Dense用于降低数据维度，具体可以输出1或0(1表示超过阈值，0表示未超过阈值)，且全连接层中可以设置有激活函数，具体可以设置有sigmoid函数，其更适合做分类选择。

在训练得到与上述对应的时序预测模型之后，可以将步骤S11中获取到的当前时段的大气电场序列输入预先构建的时序预测模型中，以利用该时序预测模型预测得到预测时段内的大气电场值，并利用该预测构建的时序预测模型输出所预测出的预测时段内的大气电场值是否超过阈值的预测结果，其中，预测时段具体可以为未来的10分钟或者未来的其他时长等，从而实现提前一段时间预知大气电场值是否能达到阈值，进而便于达到增加雷电预测提前时间的效果。

具体地，在得到预测结果时，可以利用时序预测模型预测得到预测时段内的大气电场序列，从预测时段内的大气电场序列中选取绝对值最大的大气电场值，对绝对值最大的大气电场值取绝对值，并将取绝对值后的大气电场值与阈值进行比较，若取绝对值后的大气电场值大于阈值，则时序预测模型输出预测时段内的大气电场值超过阈值的预测结果(具体可以通过输出1来进行表征)，若取绝对值后的大气电场值不大于阈值，则时序预测模型输出预测时段内的大气电场值未超过阈值的预测结果(具体可以通过输出0来进行表征)，通过上述这种得到预测结果的方式来提高预测结果获取的效率和获取的准确性。其中，上述过程具体可以表示为如下形式：

其中，E_t是经过时序预测模型预测得到的预测时段内的大气电场值，在本申请中具体可表示x样本最后时刻未来10分钟内的大气电场值，abs()为绝对值函数，max()为取最大值函数，threshold为阈值。

由上述过程可知，本申请的时序预测模型具体为多时序预测单个数值的模型，具体可以参见图2，其示出了本申请实施例提供的多时序预测单个数值的模型示意图，其中，X代表大气电场值，u是中间的神经元函数，在此输入的是一个时间序列的大气电场值，如X(1)、X(1)、X(1)这三个时间，y为预测时段内大气电场值是否能超过阈值，需要说明的是，图2仅是以三个时间为例进行说明，并不代表局限在三个时间。

本申请利用预先构建的时序预测模型结合当前时段的大气电场序列来对未来时段内的大气电场进行预测的方式可以实现高纬度的拟合预测，提高大气电场预测及雷电预测的准确性，并实现尽可能地提早雷电临近预测时间。

S13：若预测结果为预测时段内的大气电场值超过阈值，则发出预测时段将发生雷电的提示。

在得到预测结果之后，若预测结果为预测时段内的大气电场值超过阈值，即表明在预测时段可能会发生雷电，此时，则可以发出预测时段将发生雷电的提示，以便于相关人员能够通过提示获知未来可能会发生雷电，并便于相关人员能够根据提示进行雷电防护，以降低因雷电而带来的损失。

本申请公开的上述技术方案，利用获取的历史大气电场序列对预设的时序模型进行训练，得到时序预测模型，该时序预测模型具体包括输入层、循环神经网络层、全连接层及输出层，其中，循环神经网络层及全连接层中均设置有激活函数，也即得到基于循环神经网络的时序预测模型，并通过时序预测模型结合当前时段的大气电场序列预测出预测时段的大气电场值，且得到预测时段内的大气电场值是否超过阈值的预测结果，若预测结果为预测时段内的大气电场值超过阈值，则表明预测时段可能会发生雷电，此时，则发出预测时段将发生雷电的提示。相较于现有通过利用当前的大气电场值与阈值间的关系进行雷电预测的方式，本申请能够利用基于循环神经网络的时序预测模型实现对未来预测时段内是否发生雷电的预测，从而达到对雷电的更早预测，进而便于更早且更好地进行雷电防护。

本申请实施例提供的一种雷电预测方法，获取历史大气电场序列，可以包括：

通过滑动窗口获取历史大气电场序列。

在本申请中，在获取历史大气电场序列时，具体可以通过滑动窗口的方式来获取大气电场序列，且滑动窗口的时间长度可以保持固定，具体可以为预设的时间长度，例如10分钟等，以便于提高所训练处的时序预测模型的精确度，从而便于提高预测的准确性。当然，也可以采用其他方式来获取历史大气电场序列，本申请对此不做任何限定。

本申请实施例提供的一种雷电预测方法，在获取当前时段的大气电场序列之后，还可以包括：

对大气电场序列进行预处理。

在获取当前时段的大气电场序列之后，可以对大气电场序列进行预处理，具体可以进行删除重复时间采集的重复值、对需采样时间点缺失的大气电场值进行增补等预处理操作，以便于提高所获取到的大气电场序列的可靠性和质量，从而便于提高预测时段大气电场值预测的准确性，进而便于提高雷电预测的准确性。

本申请实施例提供的一种雷电预测方法，发出预测时段将发生雷电的提示，可以包括：

发出蜂鸣声。

在本申请中，具体可以通过发出蜂鸣声的方式来实现对预测时段将发生雷电的提示，以便于相关人员通过蜂鸣声及时获知预测时段将要发生雷电这一情况。当然，也可以通过语音提示等方式来进行提示，本申请对此不做任何限定。

本申请实施例还提供了一种雷电预测装置，参见图3，其示出了本申请实施例提供的一种雷电预测装置的结构示意图，可以包括：

获取模块31，用于获取当前时段的大气电场序列；

输入模块32，用于将大气电场序列输入到预先构建的时序预测模型中，得到预测时段内的大气电场值是否超过阈值的预测结果；时序预测模型为利用获取的历史大气电场序列对预设的时序模型进行训练得到的，时序预测模型可以包括输入层、循环神经网络层、全连接层及输出层，其中，循环神经网络层及全连接层中设置有激活函数；

发出提示模块33，用于若预测结果为预测时段内的大气电场值超过阈值，则发出预测时段将发生雷电的提示。

本申请实施例提供的一种雷电预测装置，用于预先构建时序预测模型的模块可以包括：

获取单元，用于通过滑动窗口获取历史大气电场序列。

本申请实施例提供的一种雷电预测装置，还可以包括：

预处理模块，用于在获取当前时段的大气电场序列之后，对大气电场序列进行预处理。

本申请实施例提供的一种雷电预测装置，发出提示模块33可以包括：

发出提示单元，用于发出蜂鸣声。

本申请实施例还提供了一种雷电预测设备，参见图4，其示出了本申请实施例提供的一种雷电预测设备的结构示意图，可以包括：

存储器41，用于存储计算机程序；

处理器42，用于执行存储器41存储的计算机程序时可实现如下步骤：

获取当前时段的大气电场序列；将大气电场序列输入到预先构建的时序预测模型中，得到预测时段内的大气电场值是否超过阈值的预测结果；时序预测模型为利用获取的历史大气电场序列对预设的时序模型进行训练得到的，时序预测模型可以包括输入层、循环神经网络层、全连接层及输出层，其中，循环神经网络层及全连接层中设置有激活函数；若预测结果为预测时段内的大气电场值超过阈值，则发出预测时段将发生雷电的提示。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：

获取当前时段的大气电场序列；将大气电场序列输入到预先构建的时序预测模型中，得到预测时段内的大气电场值是否超过阈值的预测结果；时序预测模型为利用获取的历史大气电场序列对预设的时序模型进行训练得到的，时序预测模型可以包括输入层、循环神经网络层、全连接层及输出层，其中，循环神经网络层及全连接层中设置有激活函数；若预测结果为预测时段内的大气电场值超过阈值，则发出预测时段将发生雷电的提示。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例提供的一种雷电预测装置、设备及计算机可读存储介质中相关部分的说明可以参见本申请实施例提供的一种雷电预测方法中对应部分的详细说明，在此不再赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。