[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116400430B - 一种气象数据预测方法、装置、存储介质及电子装置 - Google Patents

一种气象数据预测方法、装置、存储介质及电子装置 Download PDF

Info

Publication number
CN116400430B
CN116400430B CN202310296539.5A CN202310296539A CN116400430B CN 116400430 B CN116400430 B CN 116400430B CN 202310296539 A CN202310296539 A CN 202310296539A CN 116400430 B CN116400430 B CN 116400430B
Authority
CN
China
Prior art keywords
quantum
moment
weather data
convolution
predicted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310296539.5A
Other languages
English (en)
Other versions
CN116400430A (zh
Inventor
窦猛汉
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Benyuan Quantum Computing Technology Hefei Co ltd
Original Assignee
Benyuan Quantum Computing Technology Hefei Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Benyuan Quantum Computing Technology Hefei Co ltd filed Critical Benyuan Quantum Computing Technology Hefei Co ltd
Priority to CN202310296539.5A priority Critical patent/CN116400430B/zh
Publication of CN116400430A publication Critical patent/CN116400430A/zh
Application granted granted Critical
Publication of CN116400430B publication Critical patent/CN116400430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种气象数据预测方法、装置、存储介质及电子装置，涉及量子计算技术领域，该方法包括：获取待预测时刻前多个时刻的气象数据图，每一时刻的气象数据图包括待预测区域内各子区域的气象数据；基于量子注意力网络依次对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图；将每一时刻的气象数据图的特征图依次输入卷积长短时记忆网络ConvLSTM，得到待预测时刻的预测气象数据图。可以实现短时气象预测。

Description

一种气象数据预测方法、装置、存储介质及电子装置
技术领域
本申请属于量子计算技术领域，特别是涉及一种气象数据预测方法、装置、存储介质及电子装置。
背景技术
量子计算机是一类遵循量子力学规律进行高速数学和逻辑运算、存储及处理量子信息的物理装置。当某个装置处理和计算的是量子信息，运行的是量子算法时，它就是量子计算机。量子计算机因其具有相对普通计算机更高效的处理数学问题的能力，例如，能将破解RSA密钥的时间从数百年加速到数小时，故成为一种正在研究中的关键技术。
气象预测可以指导人类的日常生产生活，避免极端气象带来的损失，例如，农业、运输和国际商务等基础领域的日常活动。可见快速准确的气象预测具有重要意义。
传统的天气预报方法依赖于先验，如大气的热力学特性、数据的统计分布以及包含具有不同初始条件的多个模型的集成学习。这类模型属于数值天气预报方法，而气象数据复杂度高，即使依赖于超级计算机的处理能力，也需要数个小时才能提供预测结果，在气象变化快速的环境下，传统的天气预报方法无法实现短时气象预测。
发明内容
本申请的目的是提供一种气象数据预测方法、装置、存储介质及电子装置，旨在实现短时气象数据预测。
为了实现上述目的，本申请实施例的第一方面，提供一种气象数据预测方法，所述方法包括：
获取待预测时刻前多个时刻的气象数据图，每一时刻的气象数据图包括待预测区域内各子区域的气象数据；
基于量子注意力网络依次对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图；
将每一时刻的气象数据图的特征图依次输入卷积长短时记忆网络ConvLSTM，得到待预测时刻的预测气象数据图。
可选的，所述量子注意力网络包括用于对当前时刻的上一时刻ConvLSTM的隐藏状态进行量子卷积的第一量子卷积线路，用于对当前时刻的气象数据图进行量子卷积的第二量子卷积线路，用于对所述第一量子卷积线路和所述第二量子卷积线路的量子卷积结果拼接激活后的结果进行量子卷积的第三量子卷积线路。
可选的，所述量子注意力网络具体通过以下公式对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图：
其中，WE为所述第一量子卷积线路的权重矩阵，UE为所述第二量子卷积线路的权重矩阵，VE为所述第三量子卷积线路的权重矩阵，为t-1时刻的隐藏状态，/>为所述第三量子卷积线路的卷积结果，M和N为空间维度，k和l为求和系数，tanh()为激活函数，/>为注意力系数，/>表示阿达玛乘积，A为注意力矩阵，/>为t时刻的气象数据图，/>为t时刻的气象数据图的特征图。
可选的，所述第二量子卷积线路包括编码层、含参变分层和测量层；
所述编码层用于将每一气象数据图编码至预设数量个量子比特；
所述含参变分层用于对编码后的量子比特进行量子态演化；
所述测量层用于对演化后的量子比特进行量子态测量，计算期望值，得到每一气象数据图的量子卷积结果。
可选的，所述编码层包括RY门，所述含参变分层包括第一RZ门、CNOT门和第二RZ门。
可选的，所述第一量子卷积线路、所述第二量子卷积线路、所述第三量子卷积线路的结构相同。
可选的，每一时刻的气象数据图中的气象数据通过以下公式进行归一化处理：
Xk={X1 k，...，XT k}；k∈1，....，d；T=Tin+Tout；
其中，表示气象数据图中的第k个子区域的气象数据，d表示待预测区域的空间维度，T表示待预测时刻前的多个时刻，Tin表示输入时间窗口，Tout表示输出时间窗口。
本申请实施例的第二方面，提供了一种气象数据预测装置，所述装置包括：
获取模块，用于获取待预测时刻前多个时刻的气象数据图，每一时刻的气象数据图包括待预测区域内各子区域的气象数据；
注意力模块，用于基于量子注意力网络依次对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图；
预测模块，用于将每一时刻的气象数据图的特征图依次输入卷积长短时记忆网络ConvLSTM，得到待预测时刻的预测气象数据图。
本申请实施例的第三方面，提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述第一方面中任一项所述方法的步骤。
本申请实施例的第四方面，提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述第一方面中任一项所述方法的步骤。
基于上述技术方案，通过获取待预测时刻前多个时刻的气象数据图，基于量子注意力网络对每一时刻的气象数据图进行量子注意力操作，得到每一气象数据图的特征图，将每一时刻的气象数据图的特征图依次输入卷积长短时记忆网络ConvLSTM，得到待预测时刻的预测气象数据图，量子注意力网络可以有效减少模型参数量，降低计算的复杂度，加快计算速度，此外量子并行计算也可以加快对气象数据图的处理速度，提高了气象预测速度，实现了短时气象预测。
附图说明
图1是根据一示例性实施例示出的一种气象数据预测方法的计算机终端的硬件结构框图；
图2是根据一示例性实施例示出的一种气象数据预测方法的流程图；
图3是根据一示例性实施例示出的量子注意力网络和ConvLSTM预测气象数据的示意图；
图4是根据一示例性实施例示出的量子注意力网的结构示意图；
图5是根据一示例性实施例示出的第二量子卷积线路的结构示意图；
图6是根据一示例性实施例示出的一种气象数据预测装置的框图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本申请实施例首先提供了一种气象数据预测方法，该方法可以应用于电子设备，如计算机终端，具体如普通电脑、量子计算机等。
下面以运行在计算机终端上为例对其进行详细说明。图1是根据一示例性实施例示出的一种气象数据预测方法的计算机终端的硬件结构框图。如图1所示，计算机终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储基于量子线路的气象数据预测方法的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的气象数据预测方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。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。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
需要说明的是，真正的量子计算机是混合结构的，它包含两大部分：一部分是经典计算机，负责执行经典计算与控制；另一部分是量子设备，负责运行量子程序进而实现量子计算。而量子程序是由量子语言如QRunes语言编写的一串能够在量子计算机上运行的指令序列，实现了对量子逻辑门操作的支持，并最终实现量子计算。具体的说，量子程序就是一系列按照一定时序操作量子逻辑门的指令序列。
在实际应用中，因受限于量子设备硬件的发展，通常需要进行量子计算模拟以验证量子算法、量子应用等等。量子计算模拟即借助普通计算机的资源搭建的虚拟架构（即量子虚拟机）实现特定问题对应的量子程序的模拟运行的过程。通常，需要构建特定问题对应的量子程序。本申请实施例所指量子程序，即是经典语言编写的表征量子比特及其演化的程序，其中与量子计算相关的量子比特、量子逻辑门等等均有相应的经典代码表示。
量子线路作为量子程序的一种体现方式，也称量子逻辑电路，是最常用的通用量子计算模型，表示在抽象概念下对于量子比特进行操作的线路，其组成包括量子比特、线路（时间线）、以及各种量子逻辑门，最后常需要通过量子测量操作将结果读取出来。
不同于传统电路是用金属线所连接以传递电压信号或电流信号，在量子线路中，线路可看成是由时间所连接，亦即量子比特的状态随着时间自然演化，在这过程中按照哈密顿运算符的指示，一直到遇上逻辑门而被操作。
一个量子程序整体上对应有一条总的量子线路，本申请所述量子程序即指该条总的量子线路，其中，该总的量子线路中的量子比特总数与量子程序的量子比特总数相同。可以理解为：一个量子程序可以由量子线路、针对量子线路中量子比特的测量操作、保存测量结果的寄存器及控制流节点（跳转指令）组成，一条量子线路可以包含几十上百个甚至成千上万个量子逻辑门操作。量子程序的执行过程，就是对所有的量子逻辑门按照一定时序执行的过程。需要说明的是，时序即单个量子逻辑门被执行的时间顺序。
需要说明的是，经典计算中，最基本的单元是比特，而最基本的控制模式是逻辑门，可以通过逻辑门的组合来达到控制电路的目的。类似地，处理量子比特的方式就是量子逻辑门。使用量子逻辑门，能够使量子态发生演化，量子逻辑门是构成量子线路的基础，量子逻辑门包括单比特量子逻辑门，如Hadamard门(H门，阿达马门)、泡利-X门（X门，泡利X门）、泡利-Y门（Y门，泡利Y门）、泡利-Z门（Z门，泡利Z门）、RX门（RX旋转门）、RY门（RY旋转门）、RZ门（RZ旋转门）等等；多比特量子逻辑门，如CNOT门、CR门、iSWAP门、Toffoli门等等。量子逻辑门一般使用酉矩阵表示，而酉矩阵不仅是矩阵形式，也是一种操作和变换。一般量子逻辑门在量子态上的作用是通过酉矩阵左乘以量子态右矢对应的向量进行计算。例如，量子态右矢|0>对应的向量可以为，量子态右矢|1>对应的向量可以为/>。
参见图2，图2是根据一示例性实施例示出的一种气象数据预测方法的流程图。本实施例提供一种气象数据预测方法，该方法包括：
S201、获取待预测时刻前多个时刻的气象数据图。
其中，每一时刻的气象数据图包括待预测区域内各子区域的气象数据。
本申请实施例中，气象数据可以是气压、温度、风速和湿度等数据。
待预测时刻为需要进行气象预测的时刻，前多个时刻可以前10个时刻，具体时刻选取可以根据实际应用进行设置，本申请实施例对前多个时刻的数量和选取方式不作具体限定。
例如，待预测时刻为2023.2.2的6时，则该待预测时刻的前多个时刻可以为2023.2.1的0时、3时、6时、9时、12时、5时、18时、21时及2022.2.2的0时、3时等10个时刻。
待预测区域为需要进行气象预测的地理区域，本申请实施例中可以根据经度和维度将待预测区域划分为多个子区域，记录每一子区域在每一时刻的实时气象数据，可以得到待预测区域在每一时刻的气象数据图。
气象数据图在数学上可以表示为{X1，...，Xk...，Xd}，其中，X为气象数据，d为空间序列数，表示空间维度；用T表示时间维度，t表示气象数据图序列的步长，待预测区域可以表示为面积为xy的空间网格，空间网格中的每一格均有一个气象数据X，则Xi k表示在i时刻第k个网格中的气象数据值，i∈{t-Tin，...，t-Tin+j,...，t}，t表示待预测时间点之前的第一个时间维度，j表示时间步长，Tin表示待预测时间点前多个时刻对应的时间窗口大小。
S202、基于量子注意力网络依次对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图。
S203、将每一时刻的气象数据图的特征图依次输入卷积长短时记忆网络（Convolutional long-term short-term memory network，ConvLSTM），得到待预测时刻的预测气象数据图。
本申请实施例中，量子注意力网络的输出连接于ConvLSTM的输入，ConvLSTM的每一时刻输出的隐藏状态将作为下一时刻ConvLSTM和注意力网络的输入。
如图3所示，图3为本申请实施例提供的量子注意力网络和ConvLSTM预测气象数据图的示意图，图3示出了将t-Tin、t-Tin+1...t等连续时刻的气象数据图X输入量子注意力网络，并将ConvLSTM输出的t-Tin-1、t-Tin...t-1等时刻的隐藏状态H输入量子注意力网络，得到t-Tin、t-Tin+1...t等时刻气象数据图的特征图，再将得到的t-Tin、t-Tin+1...t等时刻的特征图/>输入ConvLSTM，得到t-Tin、t-Tin+1...t等时刻的隐藏状态H，根据最终得到的隐藏状态Ht可以确定t+1时刻的气象数据预测结果。
上述网络中第一时刻的初始隐藏状态可以设置为元素全为0的矩阵。
在一种实现方式中，在上述S203之后，还可以将多个时刻的预测气象数据图的第一个气象数据图删除，将预测得到的待预测时刻的气象数据图作为多个时刻的最后一个时刻的气象数据图，得到更新后的多个时刻的预测气象数据图，返回执行S202至S203，得到待预测时刻下一时刻的预测气象数据图，重复上述步骤，可以得到待预测时刻之后多个时刻的预测气象数据图。
采用本申请实施例，通过获取待预测时刻前多个时刻的气象数据图，基于量子注意力网络对每一时刻的气象数据图进行量子注意力操作，得到每一气象数据图的特征图，将每一时刻的气象数据图的特征图依次输入ConvLSTM，得到待预测时刻的预测气象数据图，量子注意力网络可以有效减少模型参数量，降低计算的复杂度，加快计算速度，此外量子并行计算也可以加快对气象数据图的处理速度，提高了气象预测速度，实现了短时气象预测。
在本申请另一实施例中，为了避免气象数据的单位和尺度的差异对最终预测结果产生影响，可以对每一气象数据图中的气象数据进行归一化处理，具体可以通过以下公式进行归一化处理：
气象数据图序列可以定义为D;{{Xi 1，...，Xi d}t i=t-Tin，{Yj}j=t+1 t+Tout}t=Tin L-Tout，
Xk={X1 k，...，XT k}；k∈1，....，d；T=Tin+Tout。
其中，L为总时间步长，表示气象数据图中的第k个子区域的气象数据，d表示待预测区域的空间维度，T表示待预测时刻前的多个时刻，Tin表示输入时间窗口，Tout表示输出时间窗口。
如此，通过上述归一化公式对每一气象数据图中的气象数据进行归一化处理，可以的使得最终预测得到的待预测时刻的气象数据图更加准确。
在本申请另一实施例中，上述量子注意力网络包括用于对当前时刻的上一时刻ConvLSTM的隐藏状态进行量子卷积的第一量子卷积线路，用于对当前时刻的气象数据图进行量子卷积的第二量子卷积线路，用于对第一量子卷积线路和第二量子卷积线路的量子卷积结果拼接激活后的结果进行量子卷积的第三量子卷积线路。
如图4所示，图4为本申请实施例提供的量子注意力网络的结构示意图。在图4所示的量子注意力网络当前时刻为t时刻，第一量子卷积线路对t-1时刻的隐藏状态H1 t-1进行量子卷积，第二量子卷积线路用于对t时刻的气象数据图X进行量子卷积，表示向量拼接，将第一量子卷积线路和第二量子卷积线路的卷积结果拼接后，使用激活函数tanh进行激活，激活结果输入第三量子卷积线路进行量子卷积，卷积结果使用softmax函数进行归一化处理。
具体的，上述量子注意力网络可以通过以下公式对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图：
其中，WE为第一量子卷积线路的权重矩阵，UE为第二量子卷积线路的权重矩阵，VE为第三量子卷积线路的权重矩阵，为t-1时刻的隐藏状态，/>为第三量子卷积线路的卷积结果，M和N为空间维度，k和l为求和系数，tanh()为激活函数，/>为注意力系数，A为注意力矩阵，/>表示阿达玛乘积，/>为t时刻的气象数据图，/>为t时刻的气象数据图的特征图。
ConvLSTM可以表示成f（），则t时刻的隐藏状态Ht=f（，Ht-1）。
采用本申请实施例，通过量子注意力网络包括第一量子卷积线路、第二量子卷积线路以及第三量子卷积线路对多个时刻的气象数据图进行量子注意力操作，借助于量子卷积线路的纠缠特性可以更准确的提取气象数据图的特征，提高了气象数据预测的准确性，且量子卷积线路具有并行计算特性，可以提高对复杂气象数据的处理速度，实现短时气象数据预测。
在本申请另一实施例中，上述第二量子卷积线路包括编码层、含参变分层和测量层；
编码层用于将每一气象数据图编码至预设数量个量子比特；含参变分层用于对编码后的量子比特进行量子态演化；测量层用于对演化后的量子比特进行量子态测量，计算期望值，得到每一气象数据图的量子卷积结果。
其中，预设数量可以根据实际应用场景进行设置，例如可以设置为4，则可以使用4个量子比特构成第二量子卷积线路，得到2*2大小的滤波器。
则编码层可以每次从气象数据图中选取4个气象数据，采用角度编码的方式将4个气象数据一一对应编码至4个量子比特，遍历气象数据图，对气象数据图进行量子卷积。
含参变分层将对编码后的4个量子比特进行量子态演化。
测量层对预设数量个量子比特的量子态进行测量，可以得到一系列经典期望值。类似于经典的卷积层，测量得到的每一期望值将被映射到单个输出像素的不同通道。
在气象数据图中的不同区域上迭代上述编码层、含参变分层和测量层的过程，可以扫描全输入的气象数据图，产生一个输出对象，该输出对象将被构造成一个多通道图像，即可得到气象数据图的量子卷积结果。
上述第二量子卷积线路的编码层包括RY门，含参变分层包括第一RZ门、CNOT门和第二RZ门。
如图5所示，图5为本申请实施例提供的第二量子卷积线路的示意图，图5所示的第二量子卷积线路包括q0至q3四个量子比特，编码层包括作用于每一量子比特的RY门；含参变分层包括作用于每一量子比特的第一RZ门、作用于相邻以及第一个和最后一个量子比特的CONT门和作用于每一量子比特的第二RZ门；测量层可以对每一量子比特的量子态进行期望值测量。
本申请实施例中，第一量子卷积线路、第二量子卷积线路、第三量子卷积线路的结构相同。
采用本申请实施例，通过第二量子卷积线路的编码层将气象数据图中的气象数据编码至预设数量个量子比特，含参变分层对编码后的量子比特进行量子态演化，通过测量层的对量子态进行测量，得到量子卷积结果，相比于经典卷积网络，第一量子卷积线路、第二量子卷积线路以及第三量子卷积线路减少了卷积参数，加快了卷积计算过程，进而加快了气象数据预测的速度。
本申请实施例最终得到的预测气象数据图可以表示为Yi，Yi表示第i个预测时间点对应的预测气象特征图，包括各个子区域在第i个时刻对应的预测气象特征。输出张量的维数可以定义为Y∈RM*N，对于t时刻的任何目标值，可以定义为Yt∈RM*N，M*N定义空间维度。
上述实施例中的量子注意力网络和ConvLSTM可以通过以下损失函数训练得到：
其中，表示输出时间窗口，M和N表示待预测区域的空间维度，t，k，l表示求和索引，/>表示t时刻的真实气象数据，/>表示t时刻的预测气象数据。
在训练过程中，实验数据集被分为训练集Dtrina、测试集Dtest和验证集Dvalidation，分别用于训练、测试和验证。
基于相同的发明构思，本申请实施例还提供了一种气象数据预测装置，如图6所示，该装置包括：
获取模块601，用于获取待预测时刻前多个时刻的气象数据图，每一时刻的气象数据图包括待预测区域内各子区域的气象数据；
注意力模块602，用于基于量子注意力网络依次对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图；
预测模块603，用于将每一时刻的气象数据图的特征图依次输入卷积长短时记忆网络ConvLSTM，得到待预测时刻的预测气象数据图。
可选的，量子注意力网络包括用于对当前时刻的上一时刻ConvLSTM的隐藏状态进行量子卷积的第一量子卷积线路，用于对当前时刻的气象数据图进行量子卷积的第二量子卷积线路，用于对第一量子卷积线路和第二量子卷积线路的量子卷积结果拼接激活后的结果进行量子卷积的第三量子卷积线路。
可选的，量子注意力网络具体通过以下公式对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图：
其中，WE为第一量子卷积线路的权重矩阵，UE为第二量子卷积线路的权重矩阵，VE为第三量子卷积线路的权重矩阵，为t-1时刻的隐藏状态，/>为第三量子卷积线路的卷积结果，M和N为空间维度，k和l为求和系数，tanh()为激活函数，/>为注意力系数，/>表示阿达玛乘积，A为注意力矩阵，/>为t时刻的气象数据图，/>为t时刻的气象数据图的特征图。
可选的，第二量子卷积线路包括编码层、含参变分层和测量层；
编码层用于将每一气象数据图编码至预设数量个量子比特；
含参变分层用于对编码后的量子比特进行量子态演化；
测量层用于对演化后的量子比特进行量子态测量，计算期望值，得到每一气象数据图的量子卷积结果。
可选的，编码层包括RY门，含参变分层包括第一RZ门、CNOT门和第二RZ门。
可选的，第一量子卷积线路、第二量子卷积线路、第三量子卷积线路的结构相同。
可选的，每一时刻的气象数据图中的气象数据通过以下公式进行归一化处理：
Xk={X1 k，...，XT k}；k∈1，....，d；T=Tin+Tout；
其中，表示气象数据图中的第k个子区域的气象数据，d表示待预测区域的空间维度，T表示待预测时刻前的多个时刻，Tin表示输入时间窗口，Tout表示输出时间窗口。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本申请的再一实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述气象数据预测方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的再一实施例还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述气象数据预测方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
步骤一、获取待预测时刻前多个时刻的气象数据图。
步骤二、基于量子注意力网络依次对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图。
步骤三、将每一时刻的气象数据图的特征图依次输入卷积长短时记忆网络ConvLSTM，得到待预测时刻的预测气象数据图。
以上依据图式所示的实施例详细说明了本申请的构造、特征及作用效果，以上所述仅为本申请的较佳实施例，但本申请不以图面所示限定实施范围，凡是依照本申请的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本申请的保护范围内。

Claims (8)

1.一种气象数据预测方法，其特征在于，所述方法包括：
获取待预测时刻前多个时刻的气象数据图，每一时刻的气象数据图包括待预测区域内各子区域的气象数据；
基于量子注意力网络依次对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图；所述量子注意力网络包括结构相同的第一量子卷积线路、第二量子卷积线路和第三量子卷积线路，所述第一量子卷积线路用于对当前时刻的上一时刻卷积长短时记忆网络ConvLSTM的隐藏状态进行量子卷积，所述第二量子卷积线路用于对当前时刻的气象数据图进行量子卷积，所述量子注意力网络用于对所述第一量子卷积线路和所述第二量子卷积线路的量子卷积结果进行向量拼接并进行tanh激活，所述第三量子卷积线路用于对激活后的结果进行量子卷积；
将每一时刻的气象数据图的特征图依次输入所述ConvLSTM，得到待预测时刻的预测气象数据图。
2.根据权利要求1所述的方法，其特征在于，所述量子注意力网络具体通过以下公式对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图：
其中，WE为所述第一量子卷积线路的权重矩阵，UE为所述第二量子卷积线路的权重矩阵，VE为所述第三量子卷积线路的权重矩阵，为t-1时刻的隐藏状态，/>为所述第三量子卷积线路的卷积结果，M和N为空间维度，k和l为求和系数，tanh()为激活函数，/>为注意力系数，/>表示阿达玛乘积，A为注意力矩阵，/>为t时刻的气象数据图，/>为t时刻的气象数据图的特征图。
3.根据权利要求1所述的方法，其特征在于，所述第二量子卷积线路包括编码层、含参变分层和测量层；
所述编码层用于将每一气象数据图编码至预设数量个量子比特；
所述含参变分层用于对编码后的量子比特进行量子态演化；
所述测量层用于对演化后的量子比特进行量子态测量，计算期望值，得到每一气象数据图的量子卷积结果。
4.根据权利要求3所述的方法，其特征在于，所述编码层包括RY门，所述含参变分层包括第一RZ门、CNOT门和第二RZ门。
5.根据权利要求1至4任一所述方法，其特征在于，每一时刻的气象数据图中的气象数据通过以下公式进行归一化处理：
Xk={X 1 k，...，XT k}；k∈1，....，d；T=Tin+Tout；
其中，表示气象数据图中的第k个子区域的气象数据，d表示待预测区域的空间维度，T表示待预测时刻前的多个时刻，Tin表示输入时间窗口，Tout表示输出时间窗口。
6.一种气象数据预测装置，其特征在于，所述装置包括：
获取模块，用于获取待预测时刻前多个时刻的气象数据图，每一时刻的气象数据图包括待预测区域内各子区域的气象数据；
注意力模块，用于基于量子注意力网络依次对每一时刻的气象数据图进行注意力操作，得到每一时刻的气象数据图的特征图；所述量子注意力网络包括结构相同的第一量子卷积线路、第二量子卷积线路和第三量子卷积线路，所述第一量子卷积线路用于对当前时刻的上一时刻卷积长短时记忆网络ConvLSTM的隐藏状态进行量子卷积，所述第二量子卷积线路用于对当前时刻的气象数据图进行量子卷积，所述量子注意力网络用于对所述第一量子卷积线路和所述第二量子卷积线路的量子卷积结果进行向量拼接并进行tanh激活，所述第三量子卷积线路用于对激活后的结果进行量子卷积；
预测模块，用于将每一时刻的气象数据图的特征图依次输入所述ConvLSTM，得到待预测时刻的预测气象数据图。
7.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
8.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
CN202310296539.5A 2023-03-23 2023-03-23 一种气象数据预测方法、装置、存储介质及电子装置 Active CN116400430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310296539.5A CN116400430B (zh) 2023-03-23 2023-03-23 一种气象数据预测方法、装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310296539.5A CN116400430B (zh) 2023-03-23 2023-03-23 一种气象数据预测方法、装置、存储介质及电子装置

Publications (2)

Publication Number Publication Date
CN116400430A CN116400430A (zh) 2023-07-07
CN116400430B true CN116400430B (zh) 2024-06-14

Family

ID=87006738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310296539.5A Active CN116400430B (zh) 2023-03-23 2023-03-23 一种气象数据预测方法、装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN116400430B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447305B (zh) * 2018-06-23 2021-09-07 四川大学 一种基于量子加权长短时记忆神经网络的趋势预测方法
US11593609B2 (en) * 2020-02-18 2023-02-28 Stmicroelectronics S.R.L. Vector quantization decoding hardware unit for real-time dynamic decompression for parameters of neural networks
CN112836864B (zh) * 2021-01-18 2023-03-31 青岛理工大学 一种天气预测方法、系统、介质及电子设备
CN114444665A (zh) * 2022-02-02 2022-05-06 上海图灵智算量子科技有限公司 基于图卷积神经网络的伊辛求解器及实现伊辛模型的方法
CN114461069A (zh) * 2022-02-07 2022-05-10 上海图灵智算量子科技有限公司 一种基于量子cnn-lstm的情绪识别方法
CN114936691A (zh) * 2022-05-06 2022-08-23 河北工业大学 一种融合关联度加权与时空注意力的温度预报方法
CN115144934B (zh) * 2022-06-29 2023-11-03 合肥本源量子计算科技有限责任公司 基于变分量子线路的气象预测方法及相关设备
CN115759413B (zh) * 2022-11-21 2024-06-21 本源量子计算科技（合肥）股份有限公司 一种气象预测方法、装置、存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QUANTUM LONG SHORT-TERM MEMORY;Samuel Yen-Chi Chen et al;《ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20220427;全文 *
用量子优化算法预测小麦赤霉病;贾花萍;;江苏农业学报;20130630(第03期);全文 *

Also Published As

Publication number Publication date
CN116400430A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN115144934B (zh) 基于变分量子线路的气象预测方法及相关设备
CN115759413B (zh) 一种气象预测方法、装置、存储介质及电子设备
CN114792378B (zh) 一种量子图像识别方法及装置
CN114821217B (zh) 一种基于量子经典混合神经网络的图像识别方法及装置
CN113850389B (zh) 一种量子线路的构建方法及装置
CN116011682B (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN116187548A (zh) 一种光伏发电功率预测方法、装置、存储介质及电子装置
CN114764619B (zh) 一种基于量子线路的卷积操作方法及装置
CN116011681A (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN114358317A (zh) 基于机器学习框架的数据分类方法及相关设备
CN116431807B (zh) 一种文本分类方法、装置、存储介质及电子装置
CN116400430B (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN114372539B (zh) 基于机器学习框架的分类方法及相关设备
CN116403657A (zh) 一种药物反应预测方法、装置、存储介质及电子装置
CN117151231A (zh) 利用变分量子线路求解线性系统的方法、装置及介质
CN116306952B (zh) 一种分子性质预测方法、装置、存储介质及电子装置
CN115131120A (zh) 基于最小二乘法的量子期权估算方法及相关装置
CN118504721A (zh) 一种气象数据预测方法、装置、存储介质及电子装置
CN115829037B (zh) 一种费米子系统的量子模拟方法、装置、电子设备及介质
CN115829038B (zh) 费米子系统到量子比特系统的变换确定方法及变换框架
CN115829039B (zh) 一种费米子系统的宇称分层方法、装置、电子设备及介质
CN116499466B (zh) 一种智能体导航方法、装置、存储介质及电子装置
CN114819171B (zh) 一种量子卷积操作的实现方法及装置
CN114821147B (zh) 一种量子图像识别的显示方法及装置
CN116167407B (zh) 一种基于量子循环神经网络的数据预测方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant