本发明涉及气象技术领域，特别是涉及一种雷电预测方法、装置、计算机设备和计算机可读存储介质。
背景技术：
在全球气候变暖的大环境下，雷电出现的频率和造成的危害均呈现逐年增加的趋势，严重危害着人们的生产生活和生命财产安全。因此，做好雷电活动的有效监测和预测，对于减轻雷电带来的危害，具有十分重要的现实意义。
雷电的本质是大气中的电荷释放，传统技术中，通过大气电场仪实时监测云对地面电场强度的变化信息，利用闪电定位仪捕捉雷电发生的时间和位置，再由人工分析大气电场仪和闪电定位仪获取到的数据，从而对雷电天气进行预测和预警。
但是，大气电场仪和闪电定位仪在应用时需要单独部署，部署成本高；且基于人工分析的雷电预测方法，预测准确度低。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够降低雷电预测成本、提升雷电预测准确度的雷电预测方法、装置、计算机设备和计算机可读存储介质。
第一方面，本申请实施例提供了一种雷电预测方法，所述雷电预测方法包括：
获取目标区域在目标时刻的气象观测数据；
从所述气象观测数据中提取气象要素值；
根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果。
在其中一个实施例中，所述雷电预测模型包括多个雷电预测子模型，所述根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果，包括：
将所述气象要素值分别输入至各所述雷电预测子模型中，得到各所述雷电预测子模型分别输出的雷电预测结果；不同的雷电预测子模型用于输出不同预报时间段的雷电预测结果。
在其中一个实施例中，所述气象要素值包括所述目标区域在所述目标时刻的地面气压信息、地面气温信息、相对湿度信息和风速信息中的至少一个。
在其中一个实施例中，所述雷电预测子模型的训练过程包括：
获取所述目标区域在历史时刻的样本气象要素值；
获取所述目标区域的样本雷电观测数据；所述样本雷电观测数据包括所述历史时刻之后的至少一个预设时间段内、所述目标区域的雷电发生次数；所述预设时间段与所述预报时间段的时间长度相等；
根据所述样本气象要素值和所述样本雷电观测数据，训练初始网络模型，得到所述雷电预测子模型。
在其中一个实施例中，所述预设时间段包括第一目标时间段、第二目标时间段和第三目标时间段，所述根据所述样本气象要素值和所述样本雷电观测数据，训练初始网络模型，得到所述雷电预测子模型，包括：
根据所述样本气象要素值和所述第一目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第一雷电预测子模型；
根据所述样本气象要素值和所述第二目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第二雷电预测子模型；
根据所述样本气象要素值和所述第三目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第三雷电预测子模型。
在其中一个实施例中，所述初始网络模型为参数初始化的极端梯度提升xgboost模型。
在其中一个实施例中，所述方法还包括：
按照预设的时间周期，获取更新的样本气象要素值和更新的样本雷电观测数据；
根据所述更新的样本气象要素值和所述更新的样本雷电观测数据，对所述雷电预测子模型的参数进行调整。
第二方面，本申请实施例提供一种雷电预测装置，所述装置包括：
第一获取模块，用于获取目标区域在目标时刻的气象观测数据；
提取模块，用于从所述气象观测数据中提取气象要素值；
预测模块，用于根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过获取目标区域在目标时刻的气象观测数据；从所述气象观测数据中提取气象要素值；根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果；由此，根据气象要素值和雷电预测模型获取多个不同预报时间段对应的雷电预测结果，避免了传统技术中，由人工分析大气电场仪和闪电定位仪获取到的数据，对雷电天气进行预测，造成的雷电预测准确度低的问题。本申请计算机设备可以从气象站或其它气象数据系统中获取目标区域的气象观测数据，再从气象观测数据中提取气象要素值，避免了传统技术中，通过大气电场仪实时监测云对地面电场强度的变化信息，利用闪电定位仪捕捉雷电发生的时间和位置，由于大气电场仪和闪电定位仪在应用时需要单独部署，造成的部署成本高的问题；本申请可以降低雷电预测成本，并提升雷电预测准确度。
附图说明
图1为一个实施例提供的雷电预测方法的应用环境图；
图2为一个实施例提供的雷电预测方法的流程示意图；
图3为一个实施例提供的雷电预测方法的流程示意图；
图4为一个实施例提供的雷电预测子模型训练过程的流程示意图；
图5为图4中步骤s430的细化步骤示意图；
图6为一个实施例提供的雷电预测子模型训练过程的流程示意图；
图7为一个实施例提供的雷电预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的雷电预测方法，可以应用于如图1所示的计算机设备，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存雷电预测方法的数据。
本申请实施例提供的雷电预测方法、装置、计算机设备和计算机可读存储介质，旨在解决传统技术中，基于大气电场仪和闪电定位仪的雷电预测方法，预测成本高且预测准确度低的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体地实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
需要说明的是，本申请实施例提供的雷电预测方法，其执行主体可以是雷电预测装置，该雷电预测装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
请参考图2，其示出了本申请实施例提供的一种雷电预测方法的流程示意图，如图2所示，本实施例雷电预测方法可以包括以下步骤：
步骤s100，获取目标区域在目标时刻的气象观测数据。
雷电是自然界中一种破坏性极强的放电现象。雷电一般产生于对流发展旺盛的积雨云中，具有很强的局地性和突发性，持续时间短，常伴有强烈的阵风和暴雨，有时还伴有冰雹和龙卷风，严重危害着人们的生产生活和生命财产安全。传统技术中，若要预测目标区域的雷电，通常是预先在目标区域部署大气电场仪和闪电定位仪，通过大气电场仪实时监测云对地面电场强度的变化信息，利用闪电定位仪捕捉雷电发生的时间和位置，从而对雷电天气进行预测和预警。但是大气电场仪和闪电定位仪的部署成本高，且需要单独部署，增加工作量。
本实施例中，不需要在目标区域部署大气电场仪和闪电定位仪，计算机设备从本地气象站获取目标区域在目标时刻的气象观测数据，并基于该气象观测数据进行雷电预测。目标区域可以是气象站周围的预设范围，例如，将气象站周围30千米内作为目标区域。
在其它实施例中，计算机设备也可以从其它气象数据系统中获取目标区域在目标时刻的气象观测数据，在此不做具体限制。
步骤s200，从气象观测数据中提取气象要素值。
气象站是现有的地面气象观测站，用于实时监测覆盖区域的气象数据和环境数据。计算机设备从气象站中获取到目标区域在目标时刻的全部气象观测数据后，从气象观测数据中提取气象要素值。
本实施例中，气象要素值包括目标区域在目标时刻的地面气压信息、地面气温信息、相对湿度信息和风速信息。在其它实施例中，气象要素值还可以包括目标区域在目标时刻的地面气压信息、地面气温信息、相对湿度信息和风速信息中的一个或者多个，在此不做具体限制。
步骤s300，根据气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果。
计算机设备将提取的气象要素值输入至预先训练的雷电预测模型中，得到多个不同预报时间段对应的雷电预测结果。
本实施例中，雷电预测模型可以是模型组，用于预测不同预报时间段对应的雷电预测结果，雷电预测结果是对应预报时间段内的雷电发生概率。预报时间段是目标时刻之后的时间段，例如，目标时刻为9:00，预报时间段则可以是9:00-9:10、9:10-9:20、9:20-9:30；目标时刻为9:10，预报时间段则可以是9:10-9:20、9:20-9:30、9:30-9:40，等等。
本实施例通过获取目标区域在目标时刻的气象观测数据；从气象观测数据中提取气象要素值；根据气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果；由此，根据气象要素值和雷电预测模型获取多个不同预报时间段对应的雷电预测结果，避免了传统技术中，由人工分析大气电场仪和闪电定位仪获取到的数据，对雷电天气进行预测，造成的雷电预测准确度低的问题；本实施例计算机设备从气象站获取目标区域的气象观测数据，再从气象观测数据中提取气象要素值，避免了传统技术中，通过大气电场仪实时监测云对地面电场强度的变化信息，利用闪电定位仪捕捉雷电发生的时间和位置，由于大气电场仪和闪电定位仪在应用时需要单独部署，造成的部署成本高的问题。本实施例降低了雷电预测成本，且基于雷电预测模型的雷电预测方法提升了雷电预测准确度。
图3为另一个实施例提供的雷电预测方法的流程示意图。在上述图2所示实施例的基础上，本实施例雷电预测模型包括多个雷电预测子模型。如图3所示，本实施例中，步骤s300包括步骤s310，具体地：
步骤s310，将气象要素值分别输入至各雷电预测子模型中，得到各雷电预测子模型分别输出的雷电预测结果。
不同的雷电预测子模型用于输出不同预报时间段的雷电预测结果。
本实施例中，作为一种实施方式，雷电预测模型具体包括第一雷电预测子模型、第二雷电预测子模型和第三雷电预测子模型。各雷电预测子模型用于输出不同预报时间段的雷电预测结果。不同预报时间段可以相邻，也可以不相邻，在其它实施例中，雷电预测模型还可以包括更多或者更少的雷电预测子模型，在此不做具体限制。
本实施例中，例如，目标时刻为9:00，计算机设备将目标区域在9:00的气象要素值分别输入至第一雷电预测子模型、第二雷电预测子模型和第三雷电预测子模型中，第一雷电预测子模型输出该目标区域在9:00-9:10的雷电发生概率，第二雷电预测子模型输出该目标区域在9:10-9:20的雷电发生概率，第三雷电预测子模型输出该目标区域在9:20-9:30的雷电发生概率，由此，实现了目标时刻之后0-10分钟、10-20分钟和20-30分钟的雷电临近预报。在其它实施例中，各雷电预测子模型对应的预报时间段不局限于上述举例，还可以存在其它的实施方式。
本实施例通过获取目标区域在目标时刻的气象观测数据，从气象观测数据中提取气象要素值，将气象要素值分别输入至各雷电预测子模型中，得到各雷电预测子模型分别输出的雷电预测结果；由此，实现了不同预报时间段的雷电临近预报，雷电预测方法简单易行，无需部署大气电场仪和闪电定位仪等设备，便于使用和推广。
在上述图3所示实施例的基础上，参见图4，图4为另一个实施例提供的雷电预测方法中，雷电预测子模型训练过程的流程示意图。如图4所示，雷电预测子模型的训练过程包括步骤s410、步骤s420和步骤s430，具体地：
步骤s410，获取目标区域在历史时刻的样本气象要素值。
计算机设备获取目标区域在历史时刻的样本气象要素值。本实施例中，历史时刻可以是多个，计算机设备获取各历史时刻的样本气象观测数据，从样本气象观测数据中提取各历史时刻的样本气象要素值。
每个历史时刻的样本气象要素值包括目标区域在该历史时刻的地面气压信息、地面气温信息、相对湿度信息和风速信息。
步骤s420，获取目标区域的样本雷电观测数据。
样本雷电观测数据包括历史时刻之后的至少一个预设时间段内、目标区域的雷电发生次数；预设时间段与预报时间段的时间长度相等。
本实施例中，具体地，样本雷电观测数据是历史时刻之后多个预设时间段内，目标区域的雷电发生次数。预设时间段可以是多个不同时间段，例如，预设时间段可以是历史时刻之后0-10分钟的时间段、10-20分钟的时间段、20-30分钟的时间段，等等。
各历史时刻的样本气象要素值和各历史时刻之后目标时间段内的样本雷电观测数据形成一套训练数据集，每套训练数据集用于训练一个雷电预测子模型。例如，各历史时刻的样本气象要素值和各历史时刻之后0-10分钟时间段内的样本雷电观测数据形成一套训练数据集，该数据集用于训练预报未来0-10分钟内雷电的雷电预测子模型；各历史时刻的样本气象要素值和各历史时刻之后10-20分钟时间段内的样本雷电观测数据形成一套训练数据集，该数据集用于训练预报未来10-20分钟内雷电的雷电预测子模型；各历史时刻的样本气象要素值和各历史时刻之后20-30分钟时间段内的样本雷电观测数据形成一套训练数据集，该数据集用于训练预报未来20-30分钟内雷电的雷电预测子模型，等等。
步骤s430，根据样本气象要素值和样本雷电观测数据，训练初始网络模型，得到雷电预测子模型。
计算机设备根据各历史时刻的样本气象要素值和各历史时刻之后多个预设时间段内的样本雷电观测数据，分别训练初始网络模型，即，计算机设备根据一套训练数据集训练初始网络模型，得到一个雷电预测子模型，则根据多套训练数据集训练初始网络模型后，得到多个雷电预测子模型。
可以理解的是，训练数据集中，目标时间段的时间长度和基于该训练数据集训练的雷电预测子模型的预报时间段的时间长度相等且对应。例如，若训练数据集中，目标时间段为历史时刻之后0-10分钟的时间段，则基于该训练数据集训练的雷电预测子模型在使用时，预报时间段为目标时刻之后0-10分钟的时间段，等等。
本实施例通过获取目标区域在历史时刻的样本气象要素值；获取目标区域的样本雷电观测数据；根据样本气象要素值和样本雷电观测数据，训练初始网络模型，得到雷电预测子模型；由此，训练得到雷电预测子模型来预测目标区域在预报时间段对应的雷电发生概率，提升了雷电预测准确度。
在上述图4所示实施例的基础上，参见图5，图5为另一个实施例提供的雷电预测方法中，雷电预测子模型训练过程步骤s430的细化步骤示意图。如图5所示，步骤s430包括步骤s431、步骤s432和步骤s433，具体地：
步骤s431，根据样本气象要素值和第一目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第一雷电预测子模型。
本实施例中，具体地，预设时间段包括第一目标时间段、第二目标时间段和第三目标时间段。
计算机设备获取目标区域在历史时刻的样本气象要素值，获取目标区域在历史时刻之后第一目标时间段内，目标区域的雷电发生次数作为第一目标时间段对应的样本雷电观测数据。
计算机设备根据样本气象要素值和第一目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第一雷电预测子模型。第一雷电预测子模型用于预测目标区域在目标时刻之后，与第一目标时间段对应的预报时间段内的雷电发生概率。
步骤s432，根据样本气象要素值和第二目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第二雷电预测子模型。
计算机设备获取目标区域在历史时刻之后第二目标时间段内，目标区域的雷电发生次数作为第二目标时间段对应的样本雷电观测数据。
计算机设备根据目标区域在历史时刻的样本气象要素值，和第二目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第二雷电预测子模型。第二雷电预测子模型用于预测目标区域在目标时刻之后，与第二目标时间段对应的预报时间段内的雷电发生概率。
步骤s433，根据样本气象要素值和第三目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第三雷电预测子模型。
计算机设备获取目标区域在历史时刻之后第三目标时间段内，目标区域的雷电发生次数作为第三目标时间段对应的样本雷电观测数据。
计算机设备根据目标区域在历史时刻的样本气象要素值，和第三目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第三雷电预测子模型。第三雷电预测子模型用于预测目标区域在目标时刻之后，与第三目标时间段对应的预报时间段内的雷电发生概率。
本实施例中，初始网络模型为参数初始化的极端梯度提升xgboost模型，提升方法boosting是一种常用的统计学习方法，在模型训练过程中，通过改变训练样本的权重，学习多个分类器，最终获得最优分类器，xgboost是boosting算法中的一种。在训练过程中，以各历史时刻的样本气象要素值作为特征向量，不同目标时间段对应的雷电发生次数作为目标向量，以线性回归函数为目标函数，使用hyperopt算法对迭代次数、树的个数、树的深度等超参数进行贝叶斯调参，训练得到的第一雷电预测子模型、第二雷电预测子模型和第三雷电预测子模型，用于分别预测目标时刻之后，对应的未来预报时间段内的雷电发生概率，由此，分段预测目标区域在未来的雷电发生概率，提升了雷电预测准确度。
在上述图4所示实施例的基础上，参见图6，图6为另一个实施例提供的雷电预测方法中，雷电预测子模型的训练过程示意图。如图6所示，雷电预测子模型的训练过程还包括步骤s440和步骤s450，具体地：
步骤s440，按照预设的时间周期，获取更新的样本气象要素值和更新的样本雷电观测数据。
步骤s450，根据更新的样本气象要素值和更新的样本雷电观测数据，对雷电预测子模型的参数进行调整。
本实施例中，计算机设备定期获取更新的样本气象要素值和更新的样本雷电观测数据，采用更新的样本气象要素值和更新的样本雷电观测数据对雷电预测子模型进行训练，以调整雷电预测子模型的参数，提升雷电预测子模型的预测准确度。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种雷电预测装置，包括：
第一获取模块10，用于获取目标区域在目标时刻的气象观测数据；
提取模块20，用于从所述气象观测数据中提取气象要素值；
预测模块30，用于根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果。
可选地，所述雷电预测模型包括多个雷电预测子模型，所述预测模块30，包括：
预测子模块，用于将所述气象要素值分别输入至各所述雷电预测子模型中，得到各所述雷电预测子模型分别输出的雷电预测结果；不同的雷电预测子模型用于输出不同预报时间段的雷电预测结果。
可选地，所述气象要素值包括所述目标区域在所述目标时刻的地面气压信息、地面气温信息、相对湿度信息和风速信息中的至少一个。
可选地，所述装置还包括：
第二获取模块，用于获取所述目标区域在历史时刻的样本气象要素值；
第三获取模块，用于获取所述目标区域的样本雷电观测数据；所述样本雷电观测数据包括所述历史时刻之后的至少一个预设时间段内、所述目标区域的雷电发生次数；所述预设时间段与所述预报时间段的时间长度相等；
训练模块，用于根据所述样本气象要素值和所述样本雷电观测数据，训练初始网络模型，得到所述雷电预测子模型。
可选地，所述预设时间段包括第一目标时间段、第二目标时间段和第三目标时间段，所述训练模块，包括：
第一训练子模块，用于根据所述样本气象要素值和所述第一目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第一雷电预测子模型；
第二训练子模块，用于根据所述样本气象要素值和所述第二目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第二雷电预测子模型；
第三训练子模块，用于根据所述样本气象要素值和所述第三目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第三雷电预测子模型。
可选地，所述初始网络模型为参数初始化的极端梯度提升xgboost模型。
可选地，所述装置还包括：
第四获取模块，用于按照预设的时间周期，获取更新的样本气象要素值和更新的样本雷电观测数据；
更新模块，用于根据所述更新的样本气象要素值和所述更新的样本雷电观测数据，对所述雷电预测子模型的参数进行调整。
本实施例提供的雷电预测装置，可以执行上述雷电预测方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于雷电预测装置的具体限定可以参见上文中对于雷电预测方法的限定，在此不再赘述。上述雷电预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，还提供了一种如图1所示的计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储雷电预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种雷电预测方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体地计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标区域在目标时刻的气象观测数据；从所述气象观测数据中提取气象要素值；根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果。
在一个实施例中，所述雷电预测模型包括多个雷电预测子模型，处理器执行计算机程序时还实现以下步骤：
将所述气象要素值分别输入至各所述雷电预测子模型中，得到各所述雷电预测子模型分别输出的雷电预测结果；不同的雷电预测子模型用于输出不同预报时间段的雷电预测结果。
在一个实施例中，所述气象要素值包括所述目标区域在所述目标时刻的地面气压信息、地面气温信息、相对湿度信息和风速信息中的至少一个。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述目标区域在历史时刻的样本气象要素值；获取所述目标区域的样本雷电观测数据；所述样本雷电观测数据包括所述历史时刻之后的至少一个预设时间段内、所述目标区域的雷电发生次数；所述预设时间段与所述预报时间段的时间长度相等；根据所述样本气象要素值和所述样本雷电观测数据，训练初始网络模型，得到所述雷电预测子模型。
在一个实施例中，所述预设时间段包括第一目标时间段、第二目标时间段和第三目标时间段，处理器执行计算机程序时还实现以下步骤：
根据所述样本气象要素值和所述第一目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第一雷电预测子模型；根据所述样本气象要素值和所述第二目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第二雷电预测子模型；根据所述样本气象要素值和所述第三目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第三雷电预测子模型。
在一个实施例中，所述初始网络模型为参数初始化的极端梯度提升xgboost模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
按照预设的时间周期，获取更新的样本气象要素值和更新的样本雷电观测数据；根据所述更新的样本气象要素值和所述更新的样本雷电观测数据，对所述雷电预测子模型的参数进行调整。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(ramb微秒)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标区域在目标时刻的气象观测数据；从所述气象观测数据中提取气象要素值；根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果。
在一个实施例中，所述雷电预测模型包括多个雷电预测子模型，计算机程序被处理器执行时实现以下步骤：
将所述气象要素值分别输入至各所述雷电预测子模型中，得到各所述雷电预测子模型分别输出的雷电预测结果；不同的雷电预测子模型用于输出不同预报时间段的雷电预测结果。
在一个实施例中，所述气象要素值包括所述目标区域在所述目标时刻的地面气压信息、地面气温信息、相对湿度信息和风速信息中的至少一个。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
获取所述目标区域在历史时刻的样本气象要素值；获取所述目标区域的样本雷电观测数据；所述样本雷电观测数据包括所述历史时刻之后的至少一个预设时间段内、所述目标区域的雷电发生次数；所述预设时间段与所述预报时间段的时间长度相等；根据所述样本气象要素值和所述样本雷电观测数据，训练初始网络模型，得到所述雷电预测子模型。
在一个实施例中，所述预设时间段包括第一目标时间段、第二目标时间段和第三目标时间段，计算机程序被处理器执行时实现以下步骤：
根据所述样本气象要素值和所述第一目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第一雷电预测子模型；根据所述样本气象要素值和所述第二目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第二雷电预测子模型；根据所述样本气象要素值和所述第三目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第三雷电预测子模型。
在一个实施例中，所述初始网络模型为参数初始化的极端梯度提升xgboost模型。
在一个实施例中，计算机程序被处理器执行时实现以下步骤：
按照预设的时间周期，获取更新的样本气象要素值和更新的样本雷电观测数据；根据所述更新的样本气象要素值和所述更新的样本雷电观测数据，对所述雷电预测子模型的参数进行调整。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
1.一种雷电预测方法，其特征在于，所述方法包括：
获取目标区域在目标时刻的气象观测数据；
从所述气象观测数据中提取气象要素值；
根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果。
2.根据权利要求1所述的方法，其特征在于，所述雷电预测模型包括多个雷电预测子模型，所述根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果，包括：
将所述气象要素值分别输入至各所述雷电预测子模型中，得到各所述雷电预测子模型分别输出的雷电预测结果；不同的雷电预测子模型用于输出不同预报时间段的雷电预测结果。
3.根据权利要求1或2所述的方法，其特征在于，所述气象要素值包括所述目标区域在所述目标时刻的地面气压信息、地面气温信息、相对湿度信息和风速信息中的至少一个。
4.根据权利要求2所述的方法，其特征在于，所述雷电预测子模型的训练过程包括：
获取所述目标区域在历史时刻的样本气象要素值；
获取所述目标区域的样本雷电观测数据；所述样本雷电观测数据包括所述历史时刻之后的至少一个预设时间段内、所述目标区域的雷电发生次数；所述预设时间段与所述预报时间段的时间长度相等；
根据所述样本气象要素值和所述样本雷电观测数据，训练初始网络模型，得到所述雷电预测子模型。
5.根据权利要求4所述的方法，其特征在于，所述预设时间段包括第一目标时间段、第二目标时间段和第三目标时间段，所述根据所述样本气象要素值和所述样本雷电观测数据，训练初始网络模型，得到所述雷电预测子模型，包括：
根据所述样本气象要素值和所述第一目标时间段对应的样本雷电观测数据，训练初始网络模型，得到第一雷电预测子模型；
根据所述样本气象要素值和所述第二目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第二雷电预测子模型；
根据所述样本气象要素值和所述第三目标时间段对应的样本雷电观测数据，训练所述初始网络模型，得到第三雷电预测子模型。
6.根据权利要求5所述的方法，其特征在于，所述初始网络模型为参数初始化的极端梯度提升xgboost模型。
7.根据权利要求4-6任一项所述的方法，其特征在于，所述方法还包括：
按照预设的时间周期，获取更新的样本气象要素值和更新的样本雷电观测数据；
根据所述更新的样本气象要素值和所述更新的样本雷电观测数据，对所述雷电预测子模型的参数进行调整。
8.一种雷电预测装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标区域在目标时刻的气象观测数据；
提取模块，用于从所述气象观测数据中提取气象要素值；
预测模块，用于根据所述气象要素值和雷电预测模型，获取多个不同预报时间段对应的雷电预测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
技术总结