本发明涉及气象雷达技术领域，特别是涉及一种气象雷达回波图预测方法、装置、计算机设备和存储介质。
背景技术：
气象雷达回波，是由雷达发射、经大气及其悬浮物散射而返回的被雷达天线所接收的电磁波。由这些电磁波转换的信号所对应的图像称为气象雷达回波图。分析气象雷达回波图，可及时发现台风、雷暴、暴雨、冰雹、龙卷风等灾害性天气的强度、位置及其移动变化情况。
传统技术中，采用持续性预报法或交叉相关法预报雷暴体的演变和运动。持续性预报法中，假设所有气象雷达回波的大小和强度在预报期间内保持不变，且以固定速度平移；交叉相关法是选取连续两个时刻的气象雷达回波图，将图像区域划分为32×32像素的图像子集，采用交叉相关法计算两幅图像的最佳匹配区域，根据前后图像匹配区域的位置和时间间隔，确定出每个图像子集的移动矢量，根据图像移动矢量集，利用后向轨迹方法对图像作短时外推预测。
但是，上述持续性预报法和交叉相关法，均存在风暴体识别的准确度低的情况，使得强天气临近预报的准确度降低。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够提升基于气象雷达回波图的强天气临近预报的准确度的气象雷达回波图预测方法、装置、计算机设备和存储介质。
第一方面，本申请实施例提供了一种气象雷达回波图预测方法，所述气象雷达回波图预测方法包括：
获取目标区域在多个连续历史时刻的历史气象雷达回波图；
根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；
将所述连续动态信息和所述内容信息进行融合，并将融合后的信息输入至生成网络，获取所述目标区域在多个连续预测时刻的预测气象雷达回波图；所述生成网络是基于梯度惩罚的训练方式训练得到的。
在其中一个实施例中，所述根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，包括：
将所述多个连续历史时刻的历史气象雷达回波图输入至多层卷积递归神经网络中，得到所述连续动态信息。
在其中一个实施例中，所述根据目标历史气象雷达回波图获取内容信息，包括：
从所述多个连续历史时刻的历史气象雷达回波图中确定目标历史气象雷达回波图；所述目标历史气象雷达回波图对应的时刻与当前时刻的时间间隔最小；
将所述目标历史气象雷达回波图输入至内容提取卷积神经网络中，得到所述目标历史气象雷达回波图的内容信息。
在其中一个实施例中，所述根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息之前，还包括：
根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪。
在其中一个实施例中，所述将所述连续动态信息和所述内容信息进行融合，包括：
将所述连续动态信息和所述内容信息输入至融合卷积神经网络中，得到融合后的信息。
在其中一个实施例中，所述生成网络的训练过程包括：
获取多个样本气象雷达回波图；
根据所述多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到所述生成网络；所述初始鉴别器网络的损失函数包括梯度惩罚损失项。
在其中一个实施例中，所述根据所述多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到所述生成网络，包括：
将所述多个样本气象雷达回波图输入至所述初始生成器网络，得到多个预测图像；
将所述多个预测图像和各所述预测图像对应的真实图像输入至初始鉴别器网络，根据输出结果和所述损失函数获取第一梯度惩罚损失值，并根据所述第一梯度惩罚损失值，对所述初始鉴别器网络的参数进行调整；
将所述多个预测图像输入至参数调整后的鉴别器网络，根据输出结果和所述损失函数获取第二梯度惩罚损失值，并将各所述预测图像和对应的真实图像进行比较，得到图像损失值；
根据所述第二梯度惩罚损失值和所述图像损失值的和，对所述初始生成器网络的参数进行调整，直至所述第二梯度惩罚损失值和所述图像损失值的和小于预设阈值时，得到所述生成网络。
第二方面，本申请实施例提供一种气象雷达回波图预测装置，所述装置包括：
第一获取模块，用于获取目标区域在多个连续历史时刻的历史气象雷达回波图；
第二获取模块，用于根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；
预测模块，用于将所述连续动态信息和所述内容信息进行融合，并将融合后的信息输入至生成网络，获取所述目标区域在多个连续预测时刻的预测气象雷达回波图；所述生成网络是基于梯度惩罚的训练方式训练得到的。
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多个连续历史时刻的历史气象雷达回波图；根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；将所述连续动态信息和所述内容信息进行融合，并将融合后的信息输入至生成网络，获取所述目标区域在多个连续预测时刻的预测气象雷达回波图；所述生成网络是基于梯度惩罚的训练方式训练得到的；由此，将从多个连续历史时刻的历史气象雷达回波图中提取的连续动态信息和内容信息进行融合，并将融合后的信息输入至生成网络，即可得到目标区域在多个连续预测时刻的预测气象雷达回波图；避免了传统技术中，采用持续性预报法或交叉相关法预报雷暴体的演变和运动，造成的风暴体识别准确度低、强天气临近预报的准确度的问题；本申请基于生成网络来预测气象雷达回波图，能够提升气象雷达回波图的预测准确度，进而提升了基于气象雷达回波图的强天气临近预报的准确度；本申请生成网络是基于梯度惩罚的训练方式训练得到的，避免了生成网络在训练过程中由于梯度消失或梯度爆炸造成的训练不稳定的问题，提升了生成网络的训练速度及模型稳定性。
附图说明
图1为一个实施例提供的气象雷达回波图预测方法的流程示意图；
图2为一个实施例提供的气象雷达回波图预测方法的流程示意图；
图3为一个实施例提供的气象雷达回波图预测方法的流程示意图；
图4为一个实施例提供的气象雷达回波图预测方法的流程示意图；
图5为一个实施例提供的气象雷达回波图预测方法的流程示意图；
图6为一个实施例提供的生成网络训练过程的流程示意图；
图7为一个实施例提供的生成网络训练过程中步骤s520的细化步骤示意图；
图8为一个实施例提供的气象雷达回波图预测装置的结构框图；
图9为一个实施例提供的计算机设备的内部结构图。
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。
本申请实施例提供的气象雷达回波图预测方法、装置、计算机设备和存储介质，旨在解决传统技术中，基于持续性预报法和交叉相关法的强天气临近预报的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气象雷达回波图预测方法，其执行主体可以是气象雷达回波图预测装置，该气象雷达回波图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，计算机设备可以是服务器；可以理解的是，下述方法实施例提供的气象雷达回波图预测方法，也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。
请参考图1，其示出了本申请实施例提供的一种气象雷达回波图预测方法的流程示意图。如图1所示，本实施例气象雷达回波图预测方法可以包括以下步骤：
步骤s100，获取目标区域在多个连续历史时刻的历史气象雷达回波图。
计算机设备获取多个连续历史时刻，目标区域的历史气象雷达回波图。具体地，计算机设备可以通过雷达装置，获取目标区域在每个历史时刻的雷达气象数据，对雷达气象数据进行处理，得到每个历史时刻的历史气象雷达回波图。
雷达装置每隔一定时长生成一次雷达气象数据，例如，雷达装置每5分钟生成一次雷达气象数据，则多个连续历史时刻中，相邻历史时刻之间的时间间隔为5分钟。
本实施例中，计算机设备获取当前时刻之前，10个连续历史时刻的历史气象雷达回波图，相邻历史时刻之间的时间间隔均为5分钟，则计算机设备获取到10张历史气象雷达回波图。
步骤s200，根据多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息。
本实施例中，计算机设备根据多个连续历史时刻的历史气象雷达回波图获取连续动态信息，该连续动态信息为多个连续历史时刻分别对应的多个历史气象雷达回波图的时序特征信息。
作为一种实施方式，计算机设备通过卷积神经网络分别提取每个历史气象雷达回波图的时序特征信息，多个历史气象雷达回波图的时序特征信息形成连续动态信息。
计算机设备根据目标历史气象雷达回波图获取内容信息。目标历史气象雷达回波图是多个连续历史时刻分别对应的多个历史气象雷达回波图中的一个。目标历史气象雷达回波图对应的历史时刻，是该多个连续历史时刻中与当前时刻的时间间隔最小的历史时刻。内容信息为计算机设备通过卷积神经网络提取的目标历史气象雷达回波图的结构特征信息。
步骤s300，将连续动态信息和内容信息进行融合，并将融合后的信息输入至生成网络，获取目标区域在多个连续预测时刻的预测气象雷达回波图。
生成网络是基于梯度惩罚的训练方式训练得到的。
计算机设备将连续动态信息和内容信息进行融合，并将融合后的信息输入至生成网络，得到生成网络输出的目标区域在多个连续预测时刻的预测气象雷达回波图。
作为一种实施方式，计算机设备基于gan(generativeadversarialnetwork，生成对抗网络)机器学习框架，通过生成器网络和鉴别器网络在训练过程中的互相对抗来达到更好的生成效果，训练得到生成网络。
进一步地，训练过程中，由于生成器网络是根据鉴别器网络回传的损失值，即梯度进行参数调整的，本实施例为了避免训练过程中，因为鉴别器网络训练的过好或过差，所以回传的梯度过于小或者过于大，所导致的生成器网络的梯度消失或者梯度爆炸的问题，计算机设备在开始训练时，即对鉴别器网络的损失函数设置不依赖于鉴别器网络的梯度惩罚损失项，也就是对初始鉴别器网络的损失函数设置梯度惩罚损失项，由此，提升了生成网络的训练速度和训练稳定性。
计算机设备将连续动态信息和内容信息进行融合，可以通过卷积神经网络来进行融合，得到融合后的信息；计算机设备将融合后的信息输入至训练的生成网络，得到生成网络输出的目标区域在多个连续预测时刻的预测气象雷达回波图。
进一步地，作为一种实施方式，计算机设备获取目标区域在多个连续预测时刻的预测气象雷达回波图后，将多个预测气象雷达回波图整理、可视化显示，方便对目标区域进行强天气临近预报。
本实施例通过获取目标区域在多个连续历史时刻的历史气象雷达回波图；根据多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；将连续动态信息和内容信息进行融合，并将融合后的信息输入至生成网络，获取目标区域在多个连续预测时刻的预测气象雷达回波图；生成网络是基于梯度惩罚的训练方式训练得到的；由此，将从多个连续历史时刻的历史气象雷达回波图中提取的连续动态信息和内容信息进行融合，并将融合后的信息输入至生成网络，即可得到目标区域在多个连续预测时刻的预测气象雷达回波图；避免了传统技术中，采用持续性预报法或交叉相关法预报雷暴体的演变和运动，造成的风暴体识别准确度低、强天气临近预报的准确度的问题；本实施例基于生成网络来预测气象雷达回波图，能够提升气象雷达回波图的预测准确度，进而提升了基于气象雷达回波图的强天气临近预报的准确度；本实施例生成网络是基于梯度惩罚的训练方式训练得到的，避免了生成网络在训练过程中由于梯度消失或梯度爆炸造成的训练不稳定的问题，提升了生成网络的训练速度及模型稳定性。
图2为另一个实施例提供的气象雷达回波图预测方法的流程示意图。在上述图1所示实施例的基础上，如图2所示，本实施例中，步骤s200包括步骤s210和步骤s220，具体地：
步骤s210，将多个连续历史时刻的历史气象雷达回波图输入至多层卷积递归神经网络中，得到连续动态信息。
本实施例中，具体地，计算机设备通过多层卷积递归神经网络获取该连续动态信息。作为一种实施方式，多层卷积递归神经网络可以是conv-lstm(卷积长短时记忆网络，convolutional-longshorttermmemorynetwork)。
计算机设备将多个连续历史时刻分别对应的多个历史气象雷达回波图依次输入至该多层卷积递归神经网络中，通过该多层卷积递归神经网络分别提取每个历史气象雷达回波图的时序特征信息，多个历史气象雷达回波图的时序特征信息形成连续动态信息。
步骤s220，根据目标历史气象雷达回波图获取内容信息。
内容信息为计算机设备通过卷积神经网络提取的目标历史气象雷达回波图的结构特征信息。
本实施例通过获取目标区域在多个连续历史时刻的历史气象雷达回波图；将多个连续历史时刻的历史气象雷达回波图输入至多层卷积递归神经网络中，得到连续动态信息；根据目标历史气象雷达回波图获取内容信息；将连续动态信息和内容信息进行融合，并将融合后的信息输入至生成网络，获取目标区域在多个连续预测时刻的预测气象雷达回波图；由此，在预测过程中，融合后的信息均来自先前输入网络对多个连续历史时刻分别对应的多个历史气象雷达回波图的提取，避免了信息丢失，提升了基于梯度惩罚的生成网络所生成的多个连续预测时刻的预测气象雷达回波图的质量及准确度。
图3为另一个实施例提供的气象雷达回波图预测方法的流程示意图。在上述图1所示实施例的基础上，如图3所示，本实施例中，步骤s200包括步骤s230、步骤s240和步骤s250，具体地：
步骤s230，根据多个连续历史时刻的历史气象雷达回波图获取连续动态信息。
本实施例中，计算机设备可以将多个连续历史时刻分别对应的多个历史气象雷达回波图依次输入至conv-lstm中，通过conv-lstm分别提取每个历史气象雷达回波图的时序特征信息，得到连续动态信息。
步骤s240，从多个连续历史时刻的历史气象雷达回波图中确定目标历史气象雷达回波图。
目标历史气象雷达回波图对应的时刻与当前时刻的时间间隔最小。
计算机设备从多个连续历史时刻的历史气象雷达回波图中确定目标历史气象雷达回波图。多个连续历史时刻分别对应的历史气象雷达回波图中，目标历史气象雷达回波图对应的时刻与当前时刻的时间间隔最小，由此，计算机设备确定出目标历史气象雷达回波图。
步骤s250，将目标历史气象雷达回波图输入至内容提取卷积神经网络中，得到目标历史气象雷达回波图的内容信息。
计算机设备将目标历史气象雷达回波图输入至内容提取卷积神经网络中，得到目标历史气象雷达回波图的内容信息。内容卷积神经网络可以是内容编码器网络，计算机设备通过内容卷积神经网络提取目标历史气象雷达回波图的结构特征信息，即为目标历史气象雷达回波图的内容信息。
目标历史气象雷达回波图是与当前时刻最接近的历史气象雷达回波图，从目标历史气象雷达回波图中提取内容信息，即结构特征信息，可以更好的反映当前时刻及当前时刻之后的气象雷达回波图的结构特征，提升了预测准确度。
本实施例通过获取目标区域在多个连续历史时刻的历史气象雷达回波图；根据多个连续历史时刻的历史气象雷达回波图获取连续动态信息；从多个连续历史时刻的历史气象雷达回波图中确定目标历史气象雷达回波图；将目标历史气象雷达回波图输入至内容提取卷积神经网络中，得到目标历史气象雷达回波图的内容信息；将连续动态信息和内容信息进行融合，并将融合后的信息输入至生成网络，获取目标区域在多个连续预测时刻的预测气象雷达回波图；由此，在预测过程中，融合后的信息均来自先前输入网络对多个连续历史时刻分别对应的多个历史气象雷达回波图的提取，避免了信息丢失，提升了基于梯度惩罚的生成网络，生成的多个连续预测时刻的预测气象雷达回波图的准确度及质量。
图4为另一个实施例提供的气象雷达回波图预测方法的流程示意图。在上述图1所示实施例的基础上，如图4所示，本实施例中，步骤s200之前还包括步骤s400，具体地：
步骤s400，根据预设尺寸对各历史气象雷达回波图分别进行裁剪。
计算机设备获取目标区域在多个连续历史时刻的历史气象雷达回波图，并根据预设尺寸对各历史气象雷达回波图分别进行裁剪；计算机设备根据裁剪后的多个历史气象雷达回波图获取连续动态信息，并从多个裁剪后的历史气象雷达回波图中确定目标历史气象雷达回波图，再根据目标历史气象雷达回波图获取内容信息；计算机设备将连续动态信息和内容信息进行融合，并将融合后的信息输入至生成网络，得到目标区域在多个连续预测时刻的预测气象雷达回波图；由此，计算机设备对各历史气象雷达回波图分别进行裁剪，缩小图像尺寸，去除冗余信息，再进行连续动态信息和内容信息的提取，减小了连续动态信息和内容信息提取的工作量，节约了计算资源，去除冗余信息也提升了本实施例的预测准确度。
图5为另一个实施例提供的气象雷达回波图预测方法的流程示意图。在上述图1所示实施例的基础上，如图5所示，本实施例中，步骤s300包括步骤s310和步骤s320，具体地：
步骤s310，将连续动态信息和内容信息输入至融合卷积神经网络中，得到融合后的信息。
本实施例中，计算机设备将连续动态信息和内容信息输入至融合卷积神经网络中，得到融合后的信息。融合卷积神经网络用于将连续动态信息和内容信息充分融合，融合后的信息包括多个连续历史时刻的历史气象雷达回波图的连续动态信息和目标历史气象雷达回波图的内容信息，提升了特征信息的丰富性，进而提升了预测气象雷达回波图的预测准确度。
步骤s320，将融合后的信息输入至生成网络，获取目标区域在多个连续预测时刻的预测气象雷达回波图。
计算机设备将融合后的信息输入至训练的生成网络，得到生成网络输出的目标区域在多个连续预测时刻的预测气象雷达回波图。计算机设备将多个预测气象雷达回波图整理、可视化显示，方便对目标区域进行强天气临近预报。
本实施例通过获取目标区域在多个连续历史时刻的历史气象雷达回波图；根据多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；将连续动态信息和内容信息输入至融合卷积神经网络中，得到融合后的信息；将融合后的信息输入至生成网络，获取目标区域在多个连续预测时刻的预测气象雷达回波图；由此，提升了气象雷达回波图的预测准确度，进而提升了基于气象雷达回波图的强天气临近预报的准确度，生成网络是基于梯度惩罚的训练方式训练得到的，避免了生成网络在训练过程中由于梯度消失或梯度爆炸造成的训练不稳定的问题，提升了生成网络的训练速度及模型稳定性。
在上述图1所示实施例的基础上，参见图6，图6为生成网络训练过程的流程示意图。如图6所示，本实施例生成网络的训练过程包括步骤s510和步骤s520，具体地：
步骤s510，获取多个样本气象雷达回波图。
计算机设备获取目标区域对应的多个样本气象雷达回波图，多个样本气象雷达回波图可以是目标区域在各历史时刻的多个气象雷达回波图。
步骤s520，根据多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到生成网络。
初始鉴别器网络的损失函数包括梯度惩罚损失项。
计算机设备根据多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到生成网络。通过初始生成器网络和初始鉴别器网络在训练过程中的互相对抗来达到更好的生成效果，训练得到生成网络。
在训练过程中，由于生成器网络是根据鉴别器网络回传的损失值，即梯度，进行参数调整的，本实施例为了避免训练过程中，鉴别器网络训练的过好或过差，即回传的梯度过于小或者过于大，所导致的生成器网络的梯度消失或者梯度爆炸的问题，计算机设备在开始训练时，则对初始鉴别器网络的损失函数设置不依赖于该鉴别器网络的梯度惩罚损失项，由此，提升了生成网络的训练速度和训练稳定性。
本实施例中，作为一种实施方式，参见图7，图7为另一个实施例中步骤s520的细化步骤示意图。如图7所示，步骤s520包括步骤s521、步骤s522、步骤s523和步骤s524，具体地：
步骤s521，将多个样本气象雷达回波图输入至初始生成器网络，得到多个预测图像。
在迭代训练过程中，计算机设备将多个样本气象雷达回波图输入至初始生成器网络，得到多个预测图像。
初始生成器网络为参数初始化的生成网络。
步骤s522，将多个预测图像和各预测图像对应的真实图像输入至初始鉴别器网络，根据输出结果和损失函数获取第一梯度惩罚损失值，并根据第一梯度惩罚损失值，对初始鉴别器网络的参数进行调整。
本实施例中，计算机设备将多个预测图像和每个预测图像对应的真实图像输入至初始鉴别器网络。初始鉴别器网络对每张图像进行判别，对于每个预测图像或真实图像，初始鉴别器网络都会输出标签0或者1。
本实施例中，初始鉴别器网络d的损失函数l(d)表达式如公式1所示：
其中，pr为真样本集，即每个预测图像对应的真实图像构成的样本集，pg为假样本集，即初始生成器网络生成的多个预测图像构成的样本集，ex～pr[d(x)]为真样本对应的分值，ex～pg[d(x)]为假样本对应的分值；
计算机设备根据初始鉴别器网络对每张图像的判别结果，对初始鉴别器网络给出的标签结果，通过初始鉴别器网络的损失函数计算交叉熵损失函数得到对应梯度，即第一梯度惩罚损失值，再通过反向传播技术对初始鉴别器网络的参数进行调整，从而使初始鉴别器网络得到训练。
进一步地，作为一种实施方式，初始鉴别器网络包括初始视频鉴别器网络和初始图像鉴别器网络。计算机设备将多个预测图像和各预测图像对应的真实图像，输入至初始视频鉴别器网络和初始图像鉴别器网络，训练初始视频鉴别器网络和初始图像鉴别器网络。本实施例采用双鉴别器的方式，可以进一步提高预测图像的动态效果和真实性，并加速网络模型的学习速度。
步骤s523，将多个预测图像输入至参数调整后的鉴别器网络，根据输出结果和损失函数获取第二梯度惩罚损失值，并将各预测图像和对应的真实图像进行比较，得到图像损失值。
计算机设备将多个预测图像输入至参数调整后的鉴别器网络，根据输出结果和初始鉴别器网络的损失函数计算得到对应交叉熵损失，即第二梯度惩罚损失值。
计算机设备将各预测图像和对应的真实图像进行比较，计算各预测图像和其对应的真实图像的均方值误差，得到图像损失值。
步骤s524，根据第二梯度惩罚损失值和图像损失值的和，对初始生成器网络的参数进行调整，直至第二梯度惩罚损失值和图像损失值的和小于预设阈值时，得到生成网络。
计算机设备将第二梯度惩罚损失值和图像损失值的和作为梯度，通过反向传播技术对初始生成器网络的参数进行调整，使得初始生成器网络得到训练。
初始生成器网络和初始鉴别器网络在多次迭代过程中，通过相互博弈，参数不断优化，直至第二梯度惩罚损失值和图像损失值的和小于预设阈值，预设阈值例如为0.1，则确定模型收敛；此时的生成器网络的参数则确定为生成网络的参数，得到生成网络。
计算机设备将多个连续历史时刻的历史气象雷达回波图输入至生成网络，即可得到生成网络输出的多个预测结果图像。
本实施例中，作为一种实施方式，计算机设备获取多个预测结果图像分别对应的真实图像对生成网络的效果进行验证，可以理解的是，训练过程中，采用的均为历史数据，多个预测结果图像对应的时刻均有真实的气象雷达回波图，计算机设备将多个预测结果图像与其对应的真实图像进行比较，对生成网络进行验证，提升了生成网络的预测准确度。
应该理解的是，虽然上述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，上述流程图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8所示，提供了一种气象雷达回波图预测装置，包括：
第一获取模块10，用于获取目标区域在多个连续历史时刻的历史气象雷达回波图；
第二获取模块20，用于根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；
预测模块30，用于将所述连续动态信息和所述内容信息进行融合，并将融合后的信息输入至生成网络，获取所述目标区域在多个连续预测时刻的预测气象雷达回波图；所述生成网络是基于梯度惩罚的训练方式训练得到的。
可选地，所述第二获取模块20，包括：
连续动态信息提取子模块，将所述多个连续历史时刻的历史气象雷达回波图输入至多层卷积递归神经网络中，得到所述连续动态信息。
可选地，所述第二获取模块20，包括：
确定子模块，用于从所述多个连续历史时刻的历史气象雷达回波图中确定目标历史气象雷达回波图；所述目标历史气象雷达回波图对应的时刻与当前时刻的时间间隔最小；
内容信息提取子模块，用于将所述目标历史气象雷达回波图输入至内容提取卷积神经网络中，得到所述目标历史气象雷达回波图的内容信息。
可选地，所述装置还包括：
裁剪模块，用于根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪。
可选地，所述预测模块30。包括：
融合子模块，用于将所述连续动态信息和所述内容信息输入至融合卷积神经网络中，得到融合后的信息。
可选地，所述装置还包括：
第三获取模块，用于获取多个样本气象雷达回波图；
训练模块，用于根据所述多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到所述生成网络；所述初始鉴别器网络的损失函数包括梯度惩罚损失项。
可选地，所述训练模块，包括：
获取子模块，用于将所述多个样本气象雷达回波图输入至所述初始生成器网络，得到多个预测图像；
第一训练子模块，用于将所述多个预测图像和各所述预测图像对应的真实图像输入至初始鉴别器网络，根据输出结果和所述损失函数获取第一梯度惩罚损失值，并根据所述第一梯度惩罚损失值，对所述初始鉴别器网络的参数进行调整；
第二训练子模块，用于将所述多个预测图像输入至参数调整后的鉴别器网络，根据输出结果和所述损失函数获取第二梯度惩罚损失值，并将各所述预测图像和对应的真实图像进行比较，得到图像损失值；
第三训练子模块，用于根据所述第二梯度惩罚损失值和所述图像损失值的和，对所述初始生成器网络的参数进行调整，直至所述第二梯度惩罚损失值和所述图像损失值的和小于预设阈值时，得到所述生成网络。
本实施例提供的气象雷达回波图预测装置，可以执行上述气象雷达回波图预测方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于气象雷达回波图预测装置的具体限定可以参见上文中对于气象雷达回波图预测方法的限定，在此不再赘述。上述气象雷达回波图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9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气象雷达回波图预测数据。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气象雷达回波图预测方法。
本领域技术人员可以理解，图9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：
获取目标区域在多个连续历史时刻的历史气象雷达回波图；根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；将所述连续动态信息和所述内容信息进行融合，并将融合后的信息输入至生成网络，获取所述目标区域在多个连续预测时刻的预测气象雷达回波图；所述生成网络是基于梯度惩罚的训练方式训练得到的。
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：
将所述多个连续历史时刻的历史气象雷达回波图输入至多层卷积递归神经网络中，得到所述连续动态信息。
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：
从所述多个连续历史时刻的历史气象雷达回波图中确定目标历史气象雷达回波图；所述目标历史气象雷达回波图对应的时刻与当前时刻的时间间隔最小；将所述目标历史气象雷达回波图输入至内容提取卷积神经网络中，得到所述目标历史气象雷达回波图的内容信息。
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：
根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪。
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：
将所述连续动态信息和所述内容信息输入至融合卷积神经网络中，得到融合后的信息。
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：
获取多个样本气象雷达回波图；根据所述多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到所述生成网络；所述初始鉴别器网络的损失函数包括梯度惩罚损失项。
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：
将所述多个样本气象雷达回波图输入至所述初始生成器网络，得到多个预测图像；将所述多个预测图像和各所述预测图像对应的真实图像输入至初始鉴别器网络，根据输出结果和所述损失函数获取第一梯度惩罚损失值，并根据所述第一梯度惩罚损失值，对所述初始鉴别器网络的参数进行调整；将所述多个预测图像输入至参数调整后的鉴别器网络，根据输出结果和所述损失函数获取第二梯度惩罚损失值，并将各所述预测图像和对应的真实图像进行比较，得到图像损失值；根据所述第二梯度惩罚损失值和所述图像损失值的和，对所述初始生成器网络的参数进行调整，直至所述第二梯度惩罚损失值和所述图像损失值的和小于预设阈值时，得到所述生成网络。
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：
获取目标区域在多个连续历史时刻的历史气象雷达回波图；根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；将所述连续动态信息和所述内容信息进行融合，并将融合后的信息输入至生成网络，获取所述目标区域在多个连续预测时刻的预测气象雷达回波图；所述生成网络是基于梯度惩罚的训练方式训练得到的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述多个连续历史时刻的历史气象雷达回波图输入至多层卷积递归神经网络中，得到所述连续动态信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从所述多个连续历史时刻的历史气象雷达回波图中确定目标历史气象雷达回波图；所述目标历史气象雷达回波图对应的时刻与当前时刻的时间间隔最小；将所述目标历史气象雷达回波图输入至内容提取卷积神经网络中，得到所述目标历史气象雷达回波图的内容信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述连续动态信息和所述内容信息输入至融合卷积神经网络中，得到融合后的信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多个样本气象雷达回波图；根据所述多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到所述生成网络；所述初始鉴别器网络的损失函数包括梯度惩罚损失项。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述多个样本气象雷达回波图输入至所述初始生成器网络，得到多个预测图像；将所述多个预测图像和各所述预测图像对应的真实图像输入至初始鉴别器网络，根据输出结果和所述损失函数获取第一梯度惩罚损失值，并根据所述第一梯度惩罚损失值，对所述初始鉴别器网络的参数进行调整；将所述多个预测图像输入至参数调整后的鉴别器网络，根据输出结果和所述损失函数获取第二梯度惩罚损失值，并将各所述预测图像和对应的真实图像进行比较，得到图像损失值；根据所述第二梯度惩罚损失值和所述图像损失值的和，对所述初始生成器网络的参数进行调整，直至所述第二梯度惩罚损失值和所述图像损失值的和小于预设阈值时，得到所述生成网络。
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。
1.一种气象雷达回波图预测方法，其特征在于，所述方法包括：
获取目标区域在多个连续历史时刻的历史气象雷达回波图；
根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；
将所述连续动态信息和所述内容信息进行融合，并将融合后的信息输入至生成网络，获取所述目标区域在多个连续预测时刻的预测气象雷达回波图；所述生成网络是基于梯度惩罚的训练方式训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，包括：
将所述多个连续历史时刻的历史气象雷达回波图输入至多层卷积递归神经网络中，得到所述连续动态信息。
3.根据权利要求1所述的方法，其特征在于，所述根据目标历史气象雷达回波图获取内容信息，包括：
从所述多个连续历史时刻的历史气象雷达回波图中确定目标历史气象雷达回波图；所述目标历史气象雷达回波图对应的时刻与当前时刻的时间间隔最小；
将所述目标历史气象雷达回波图输入至内容提取卷积神经网络中，得到所述目标历史气象雷达回波图的内容信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息之前，还包括：
根据预设尺寸对各所述历史气象雷达回波图分别进行裁剪。
5.根据权利要求1所述的方法，其特征在于，所述将所述连续动态信息和所述内容信息进行融合，包括：
将所述连续动态信息和所述内容信息输入至融合卷积神经网络中，得到融合后的信息。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述生成网络的训练过程包括：
获取多个样本气象雷达回波图；
根据所述多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到所述生成网络；所述初始鉴别器网络的损失函数包括梯度惩罚损失项。
7.根据权利要求6所述的方法，其特征在于，所述根据所述多个样本气象雷达回波图和初始鉴别器网络，训练初始生成器网络，得到所述生成网络，包括：
将所述多个样本气象雷达回波图输入至所述初始生成器网络，得到多个预测图像；
将所述多个预测图像和各所述预测图像对应的真实图像输入至初始鉴别器网络，根据输出结果和所述损失函数获取第一梯度惩罚损失值，并根据所述第一梯度惩罚损失值，对所述初始鉴别器网络的参数进行调整；
将所述多个预测图像输入至参数调整后的鉴别器网络，根据输出结果和所述损失函数获取第二梯度惩罚损失值，并将各所述预测图像和对应的真实图像进行比较，得到图像损失值；
根据所述第二梯度惩罚损失值和所述图像损失值的和，对所述初始生成器网络的参数进行调整，直至所述第二梯度惩罚损失值和所述图像损失值的和小于预设阈值时，得到所述生成网络。
8.一种气象雷达回波图预测装置，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多个连续历史时刻的历史气象雷达回波图；
第二获取模块，用于根据所述多个连续历史时刻的历史气象雷达回波图获取连续动态信息，并根据目标历史气象雷达回波图获取内容信息；
预测模块，用于将所述连续动态信息和所述内容信息进行融合，并将融合后的信息输入至生成网络，获取所述目标区域在多个连续预测时刻的预测气象雷达回波图；所述生成网络是基于梯度惩罚的训练方式训练得到的。
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