一种降雨数据预测方法、装置、电子设备和存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及人工智能技术领域，提供一种降雨数据预测方法、装置、电子设备和存储介质。


背景技术：

2.城市的排水防涝往往十分重要，而城市排水的前提是要对城市降雨的情况和规律有清楚的认识和研究，计算出适合本地区降雨规律的暴雨强度公式，暴雨强度公式的正确性关系到城市防涝排水系统的科学性，是城市防涝排水系统规划与设计的重要依据。
3.在相关暴雨强度公式的研究中，首先需要获取当地的降雨数据并选取合适的频率分布模型，根据降雨数据人工手动调整模型参数，以获取最契合降雨数据的频率分布模型的参数，之后根据频率分布模型中所反映的降雨量与重现期的关系，再人工计算暴雨强度公式中的参数，该过程需要耗费大量人力，且人工计算误差较大，容易出错，最终得出的暴雨强度公式在用于后续的降雨预测时可能存在偏差较大的问题。
4.综上，如何提高降雨预测的准确性是亟待解决的。


技术实现要素：

5.本技术实施例提供一种降雨数据预测方法、装置、电子设备和存储介质，用以提高降雨预测的准确性。
6.本技术实施例提供的一种降雨数据预测方法，包括：
7.分别对每个降雨历时对应的历史降雨数据集进行拟合，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图；所述目标降雨特征图表示对应降雨历时下第一降雨量与重现期之间的关系；
8.基于各个目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本；每个降雨预测样本包括一个降雨历时与一个重现期，且每个降雨预测样本的样本标签为所述目标降雨特征图中，与所述重现期对应的第一降雨量；
9.将所述降雨预测样本输入待训练的降雨量预测模型，并基于所述降雨量预测模型预测的第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型进行参数调整，获得目标降雨量预测模型；
10.基于目标降雨量预测模型，对目标区域的降雨数据进行预测。
11.本技术实施例提供的一种降雨数据预测装置，包括：
12.获取单元，用于分别基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图；所述目标降雨特征图表示对应降雨历时下第一降雨量与重现期之间的关系；
13.第一构建单元，用于基于各个目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本；每个降雨预测样本包括一个降雨历时与一个重现期，且每个降雨预测样本的样本标签为所述目标降雨特征图中，与所述重现期对应的第一降雨量；
14.调整单元，用于将所述降雨预测样本输入待训练的降雨量预测模型，并基于所述降雨量预测模型预测的第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型进行参数调整，获得目标降雨量预测模型；
15.预测单元，用于基于所述目标降雨量预测模型，对目标区域的降雨数据进行预测。
16.可选的，所述获取单元具体用于：
17.对于每个降雨历时，分别执行以下操作：
18.分别基于不同的重现期分布模型，对所述降雨历时对应的历史降雨数据集进行拟合，获取每个重现期分布模型下，所述降雨历时对应的候选降雨特征图；
19.将各个重现期分布模型中，拟合准确度位于指定次序的目标重现期分布模型下的候选降雨特征图，作为所述降雨历时对应的目标降雨特征图。
20.可选的，所述降雨量预测模型包含暴雨强度公式；所述暴雨强度公式由降雨历时变量、重现期变量、降雨量变量与多个降雨参数组成；
21.则所述调整单元具体用于：
22.将所述降雨预测样本分批次输入所述待训练的降雨量预测模型，对所述降雨量预测模型进行至少一次迭代训练；其中，每次迭代训练执行以下过程：
23.基于所述降雨量预测模型中暴雨强度公式的降雨参数，与所述降雨预测样本中的降雨历时与重现期，获取降雨量预测模型预测的第二降雨量；
24.基于所述第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型中，暴雨强度公式的降雨参数进行调整。
25.可选的，所述降雨参数的调整方式为梯度调整，所述调整单元具体用于：
26.基于所述第二降雨量与所述样本标签之间的差异，构建损失函数；
27.基于所述损失函数与所述降雨参数的偏导，对所述降雨参数进行调整。
28.可选的，所述降雨参数的调整方式为递推调整，所述调整单元具体用于：
29.基于所述第二降雨量与所述样本标签之间的差异，对所述降雨参数进行至少一次递推调整；其中，每次递推调整都执行以下操作：
30.确定本次递推调整的降雨参数与上次递推调整的降雨参数之间的差值；
31.若所述差值小于预设差值，则基于本次递推调整的降雨参数对所述降雨参数进行调整。
32.可选的，所述降雨参数的调整方式为最小二乘调整，所述迭代训练次数为一次，所述调整单元具体用于：
33.基于所述第二降雨量与所述样本标签之间的平方差之和，对所述降雨量预测模型中，暴雨强度公式的降雨参数进行调整。
34.可选的，所述获取单元具体用于：
35.分别基于不同的重现期分布模型，以及每个降雨历时对应的历史降雨数据集，获取每个重现期分布模型的目标分布参数；
36.基于所述目标分布参数，对每个降雨历时对应的历史降雨数据集进行拟合，获得每个重现期分布模型下，各个降雨历时对应的候选降雨特征图。
37.可选的，每个重现期分布模型为指数分布模型、皮尔逊分布模型与耿贝尔分布模型中的一种；所述获取单元具体用于：
38.将每个降雨历时对应的历史降雨数据集中，各历史降雨数据的重现期分别带入所述不同的重现期分布模型；
39.基于各个重现期分布模型的分布参数，获得各个重现期分布模型下，所述各历史降雨数据的重现期对应的拟合降雨量；
40.对于每个重现期分布模型，基于各自的拟合降雨量与历史降雨数据集中，各历史降雨数据的重现期对应的第一降雨量之间的差异，对各自的分布参数进行调整，得到各自的目标分布参数。
41.可选的，所述不同的重现期分布模型包括皮尔逊分布模型时，所述获取单元具体用于：
42.基于每个降雨历时对应的历史降雨数据集中，各第一降雨量的均值与均方差，获取所述皮尔逊分布模型的目标分布参数。
43.可选的，所述不同的重现期分布模型包括耿贝尔分布模型时，所述获取单元具体用于：
44.基于每个降雨历时对应的历史降雨数据集中，各历史降雨数据的重现期，获得各历史降雨数据的重现期对应的参考降雨量；
45.基于所述参考降雨量与对应的第一降雨量，获取所述耿贝尔分布模型的目标分布参数。
46.可选的，所述装置还包括：
47.第二构建单元，用于在所述分别对每个降雨历时对应的历史降雨数据集进行拟合之前，获取各降雨历时下每个预设时间段对应的至少一个第一降雨量；
48.对于每个第一降雨量，分别执行以下操作：获取所述第一降雨量对应的降雨历时下，不小于所述第一降雨量的其他第一降雨量的出现概率；基于所述其他第一降雨量的出现概率以及所述第一降雨量的出现概率，获取所述第一降雨量对应的重现期；
49.基于每个第一降雨量以及每个第一降雨量各自对应的重现期，构建每个降雨历时对应的历史降雨数据集。
50.可选的，所述第二构建单元具体用于：
51.将所述其他第一降雨量的出现概率以及所述第一降雨量的出现概率之和的倒数，作为所述第一降雨量对应的重现期。
52.本技术实施例提供的一种电子设备，包括处理器和存储器，其中，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行上述任意一种降雨数据预测方法的步骤。
53.本技术实施例提供一种计算机可读存储介质，其包括计算机程序，当所述计算机程序在电子设备上运行时，所述计算机程序用于使所述电子设备执行上述任意一种降雨数据预测方法的步骤。
54.本技术实施例提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从计算机可读存储介质读取所述计算机程序时，所述处理器执行所述计算机程序，使得所述电子设备执行上述任意一种降雨数据预测方法的步骤。
55.本技术有益效果如下：
56.本技术实施例提供了一种降雨数据预测方法、装置、电子设备和存储介质，由于本技术基于目标重现期分布模型，分别对每个降雨历时对应的历史降雨数据进行拟合，以使用有限的数据得到各个降雨历时下的目标降雨特征图，利用目标降雨特征图反映第一降雨量与重现期之间的关系；之后根据目标降雨特征图中第一降雨量与重现期之间的关系构建各个降雨历时各自对应的降雨预测样本；本技术利用降雨预测样本对待训练的降雨量预测模型进行训练，根据模型预测出的降雨量与实际降雨量之间的差异来进行参数调整，获得目标降雨量预测模型，整个过程通过机器学习自主完成，而不需要人工干预甚至人工拟合，计算调整参数，因此得到的参数与历史降雨数据更相符，最后将训练好的目标降雨量预测模型用于对目标区域的降雨数据进行预测，所预测出的降雨数据也更为准确。
57.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
58.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
59.图1为本技术实施例提供的一种降雨数据预测方法的应用场景示意图；
60.图2为本技术实施例提供的一种降雨数据预测方法的整体流程图；
61.图3为本技术实施例提供的一种指数分布函数曲线示意图；
62.图4为本技术实施例提供的一种相关技术中拟合皮尔逊分布函数曲线的示意图；
63.图5为本技术实施例提供的一种三联表示意图；
64.图6为本技术实施例提供的另一种降雨数据预测方法的整体流程图；
65.图7为本技术实施例提供的一种应用系统基本操作界面示意图；
66.图8为本技术实施例提供的一种文件数据排列格式示意图；
67.图9为本技术实施例提供的一种应用系统中展示目标降雨特征图的示意图；
68.图10为本技术实施例提供的一种高斯牛顿法对应的计算结果展示界面图；
69.图11为本技术实施例提供的一种暴雨强度表示意图；
70.图12为本技术实施例提供的一种降雨数据预测装置的组成结构示意图；
71.图13为本技术实施例提供的一种电子设备的一个硬件组成结构示意图；
72.图14为应用本技术实施例提供的另一种电子设备的一个硬件组成结构示意图。
具体实施方式
73.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术技术方案的一部分实施例，而不是全部的实施例。基于本技术文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术技术方案保护的范围。
74.下面对本技术实施例中涉及的部分概念进行介绍。
75.降雨历时：降雨过程中的任意连续时段，由人为设定，可以为一场降雨的全部时
长，或其中个别的连续时段，本技术中的降雨历时主要指降雨过程中的个别连续时段，可以分为5分钟、10分钟、15分钟、20分钟、30分钟、45分钟、60分钟、90分钟、120分钟、150分钟与180分钟。
76.重现期：在一定长的雨量观测统计期间内，等于或大于某暴雨强度(降雨量)的降雨出现一次的平均间隔时间。
77.降雨特征图：反映某降雨历时下，重现期与降雨量之间的关系的特征图，本技术中主要分为候选降雨特征图与目标降雨特征图，候选降雨特征图是每个重现期分布模型下的各个降雨历时对应的降雨特征图，目标降雨特征图是在某个降雨历时对应的候选降雨特征图中选择出的拟合准确度位于指定次序的降雨特征图。
78.降雨参数：暴雨强度公式当中的未知参数，主要包括单一周期公式的降雨参数，区间公式的降雨参数以及暴雨强度总公式的降雨参数。
79.分布参数：重现期分布模型所对应的分布函数曲线中的未知参数。
80.拟合降雨量：将历史降雨数据集输入重现期分布模型后，重现期分布模型基于分布参数所计算出的各历史降雨数据的重现期对应的降雨量。
81.以下结合说明书附图对本技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术，并不用于限定本技术，并且在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
82.如图1所示，其为本技术实施例的应用场景示意图。该应用场景图中包括两个终端设备110和一个服务器120。
83.在本技术实施例中，终端设备110包括但不限于手机、平板电脑、笔记本电脑、台式电脑、电子书阅读器、智能语音交互设备、智能家电、车载终端等设备；终端设备上可以安装有降雨数据预测相关的客户端，该客户端可以是软件(例如浏览器、降雨预测软件等)，也可以是网页、小程序等，服务器120则是与软件或是网页、小程序等相对应的后台服务器，或者是专门用于进行降雨数据预测的服务器，本技术不做具体限定。服务器120可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
84.需要说明的是，本技术各实施例中的降雨数据预测方法可以由电子设备执行，该电子设备可以为终端设备110或者服务器120，即，该方法可以由终端设备110或者服务器120单独执行，也可以由终端设备110和服务器120共同执行。比如服务器120为执行主体时，现有d地区需要对当地降雨情况进行预测，则服务器120获取每个降雨历时对应的历史降雨数据集，并基于目标重现期分布模型对数据进行拟合，得到可以反映，各个降雨历时下第一降雨量与重现期之间的关系的各目标降雨特征图，之后，服务器120基于各个目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本；并将样本中的降雨历时与重现期输入到待训练的降雨量预测模型中，使模型输出预测的第二降雨量；服务器120将模型预测的第二降雨量与样本的样本标签，也即目标降雨特征图中，与重现期对应的真实的第一降雨量进行对比，基于两者之间的差异做参数调整，获得目标降雨量预测模型。之后可以将d地区在某个降雨历时下的降雨量输入目标降雨量预测模型，模型给出对应的重现期；或者将降雨
历时与重现期输入目标降雨量预测模型，模型给出对应的降雨量。
85.在一种可选的实施方式中，终端设备110与服务器120之间可以通过通信网络进行通信。
86.在一种可选的实施方式中，通信网络是有线网络或无线网络。
87.需要说明的是，图1所示只是举例说明，实际上终端设备和服务器的数量不受限制，在本技术实施例中不做具体限定。
88.此外，本技术实施例可应用于各种场景，不仅包括降雨预测场景，还包括但不限于云技术、人工智能、智慧交通、辅助驾驶等场景。
89.下面结合上述描述的应用场景，参考附图来描述本技术示例性实施方式提供的降雨数据预测方法，需要注意的是，上述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。
90.参阅图2所示，为本技术实施例提供的一种降雨数据预测方法的实施流程图，该方法的具体实施流程如下：
91.s201：服务器分别基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图。
92.上述中，目标降雨特征图表示对应降雨历时下第一降雨量与重现期之间的关系。
93.历史降雨数据集则是过去一定时间段内基于各降雨历时所收集到的降雨量，经过一定处理得到的，一种可选的实施方式为，服务器获取各降雨历时下每个预设时间段对应的至少一个第一降雨量；并对于每个第一降雨量，获取第一降雨量对应的降雨历时下，不小于第一降雨量的其他第一降雨量的出现概率；将其他第一降雨量的出现概率以及目标第一降雨量的出现概率之和的倒数，作为目标第一降雨量对应的重现期；最后，服务器基于每个第一降雨量以及每个第一降雨量各自对应的重现期，构建每个降雨历时对应的历史降雨数据集。
94.例如，服务器获取d地区过去100年内的降雨量，假设该100年内，d地区共计降雨700次，记为r1、r2、
……
、r700，降雨历时分为5分钟、10分钟、15分钟、20分钟、30分钟、45分钟、60分钟、90分钟、120分钟、150分钟与180分钟。以5分钟为例，假设r1降雨共8分钟，则基于r1可以获取的降雨数据为，自r1降雨开始至降雨5分钟内的降雨量，自r1降雨1分钟开始至降雨6分钟内的降雨量，自r1降雨2分钟开始至降雨7分钟内的降雨量，以及自r1降雨3分钟开始至降雨8分钟内的降雨量。由此可获得降雨r1在降雨历时5分钟下的降雨量，以此类推，获取降雨r1至r700在各个降雨历时下的降雨量，即得到d地区过去100年在各个降雨历时下的降雨量。
95.历史降雨数据集的构建分为最大值法与多样本法，最大值法为在100年中，每年仅挑选每个降雨历时下的最大降雨量，也即每年仅挑选5、10、15、20、30、45、60、90、120、150、180分钟各自对应的一个最大降雨量，每年共11个数据；多样本法则是对每年的每个降雨历时下的降雨量由大到小排序，每年挑选每个降雨历时下的前k个降雨量，也即每年挑选5、10、15、20、30、45、60、90、120、150、180分钟各自对应的前k个降雨量，每年共11k个数据。
96.之后服务器对100年内，各个降雨历时下的降雨量数据进行排序，以5分钟的降雨历时为例，服务器将降雨历时为5分钟时，获取到的100年内的降雨量进行排序，假设为由大到小进行排序，将排序第一位的降雨量记为r1，第二位记为r2，第三位记为r3
……
以此类
推。也即d地区过去100年内，5分钟降雨历时下最大的降雨量为r1，其次为r2等。若采取最大值法，则每个降雨历时下共有100个降雨量数据，所有降雨历时下共有1100个降雨量数据，若为多样本法，则每个降雨历时下共有100k个降雨量数据，所有降雨历时下共有1100k个降雨量数据。
97.进一步的，需要计算降雨量对应的频率和重现期，如果采取多样本法，每个降雨历时下，每年选取了k个降雨量数据，假定共有n年，则一个降雨历时下共有k
×
n个降雨量数据，按降序排列，大于等于第z项降雨量的数值的计算公式为：也即大于等于第z项降雨量的出现的频率，可以记为次频率，重现期为
98.当上述中的k取1时，本质上就成了通过最大值法构建历史降雨数据集，相应的频率就变为可以记为年频率，重现期则为：
99.将上述d地区的数据带入，即n为100年，假设k＝1(最大值法)，降雨历时以及以5分钟为例，由上式可得，降雨量≥r1(排序第一位，也即第一项，z＝1)在该100年内出现的频率为1/101，对应的，其重现期约为100；降雨量≥r2(排序第二位，也即第二项，z＝2)在该100年内出现的频率为2/101，对应的，其重现期约为50；降雨量≥r3(排序第三位，也即第三项，z＝3)在该100年内出现的频率为3/101，对应的，其重现期约为33
……
100.结合以上数据，可以得到d地区100年内，降雨历时为5分钟时的历史降雨数据集，降雨数据集中包括，降雨量r1对应重现期100，降雨量r2对应重现期50，降雨量r3对应重现期33.3等，r1、r2、r3
……
即为第一降雨量。降雨量对应的频率也可以参与历史降雨数据集的构成。
101.上述中，频率公式中分母+1的目的是为了避免出现频率为1的情况，在后续进行重现期分布模型拟合时，若密度函数结果为1，则无法进行计算。
102.通过上述方式，服务器可以获得d地区过去100年内，降雨历时分为5分钟、10分钟、15分钟、20分钟、30分钟、45分钟、60分钟、90分钟、120分钟、150分钟与180分钟下各自对应的历史降雨数据集。
103.上述历史降雨数据集中的数据均基于真实数据直接获得，但也存在一定的局限性。例如5分钟降雨历时下，仅能直接观测到降雨量r1、降雨量r2、降雨量r3等以及其各自对应的重现期，但对于r1与r2之间的降雨量以及对应的重现期却不可窥探。因此，服务器需要对各历史降雨数据集进行拟合，得到各降雨历时下，完整的降雨量与重现期的对应关系。
104.一种可选的实施方式为，对于每个降雨历时，服务器分别基于不同的重现期分布模型，对降雨历时对应的历史降雨数据集进行拟合，获取每个重现期分布模型下，降雨历时对应的候选降雨特征图；将各个重现期分布模型中，拟合准确度位于指定次序的目标重现期分布模型下的候选降雨特征图，作为降雨历时对应的目标降雨特征图。也即基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图。
105.上述中的目标重现期分布模型可以是降雨观测人员根据经验预先人为选定的，也可以由服务器在多种重现期分布模型中，根据拟合的准确度自行选择的。若为后者，则服务器需要先分别基于不同的重现期分布模型，以及每个降雨历时对应的历史降雨数据集，获
取每个重现期分布模型的目标分布参数；并基于目标分布参数，对每个降雨历时对应的历史降雨数据集进行拟合，获得每个重现期分布模型下，各个降雨历时对应的候选降雨特征图。
106.重现期分布模型可以为指数分布模型、皮尔逊分布模型与耿贝尔分布模型，重现期分布模型的本质可以看做为一种函数曲线，例如指数分布模型可以看做指数函数曲线，其大致的走向趋势已经确定，但其目标分布参数需要通过历史降雨数据集来获得，分布参数决定了函数曲线的高矮、胖瘦或变化快慢等，分布参数一旦确定，函数曲线的形状即被固定，目标分布参数的确定过程需使历史降雨数据集中的数据尽可能多的落在函数曲线上，尽量不偏离曲线，也即拟合的准确度尽可能的更高。
107.上述三种模型均可以基于机器学习进行自动回归计算，得出各自的目标分布参数，一种可选的实施方式为，服务器将每个降雨历时对应的历史降雨数据集中，各历史降雨数据的重现期分别带入不同的重现期分布模型；基于各个重现期分布模型的分布参数，获得各个重现期分布模型下，各历史降雨数据的重现期对应的拟合降雨量；对于每个重现期分布模型，基于各自的拟合降雨量与历史降雨数据集中，各历史降雨数据的重现期对应的第一降雨量之间的差异，对各自的分布参数进行调整，得到各自的目标分布参数。
108.也即，对于每个重现期分布模型，将不同降雨历时对应的历史降雨数据集中的重现期输入模型，模型根据初始的分布参数以及输入的重现期计算对应的拟合降雨量，而输入模型的重现期在历史降雨数据集有其真实对应的第一降雨量，模型可以根据拟合降雨量与对应的第一降雨量之间的差异反过来对分布参数调整，例如，根据拟合降雨量与对应的第一降雨量之间的差异构建损失函数，并基于损失函数调整分布参数，该过程可以迭代多次，最终得到最合适的目标分布参数，也即可以达到最佳拟合准确度的分布参数。之后，再基于各个模型的拟合准确度进行横向比较，选取拟合准确度最高的模型与对应的目标分布参数。
109.以指数分布为例，指数分布的概率密度和分布函数分别为：
110.f(x)＝ae-a(x-β)
[0111][0112]
式中x为降雨量，也即上述中得降雨量r1、降雨量r2、降雨量r3等，a表示指数分布函数曲线离散程度，β表示分布曲线的下限。对于给定的p(x)表示降雨量≥x的情况下对应的出现频率(若为最大值法则为年频率，若为多样本法则为次频率)，有：
[0113]
p(x)＝1-f(x)＝e-a(x-β)
[0114]
对上式两边求对数，得：
[0115][0116]
令则
[0117]
[0118]a·
与β即为指数分布模型的分布参数，而则为降雨量x对应的重现期。
[0119]
采用机器学习中的线性回归对上述公式进行拟合，即，可以对a
·
与β指定一个值或进行随机初始化，之后将不同降雨历时下的重现期分别带入其中，例如，将5分钟降雨历时对应的历史降雨数据集中的重现期带入模型，得到模型输出的拟合降雨量，根据对应的真实的降雨量，也即第一降雨量与拟合降雨量之间的差异，对分布参数进行调整。最终得到5分钟降雨历时对应的最佳分布参数，也即目标分布参数，目标分布参数下的指数分布函数曲线可以覆盖较多的历史降雨数据集中的数据，未能覆盖的数据也不会偏离曲线太远。
[0120]
同理，可以通过上述方法，获得10分钟、15分钟、20分钟、30分钟、45分钟、60分钟、90分钟、120分钟、150分钟与180分钟下各自对应的目标分布参数，以及目标分布参数下的指数分布函数曲线。如图3所示，为本技术实施例提供的一种指数分布函数曲线示意图，图中展示了15分钟的降雨历时下，降雨量与重现期之间的关系。
[0121]
皮尔逊分布模型全称为皮尔逊ⅲ分布模型，具有广泛的概括和模拟能力。其概率密度函数和分布函数分别为：
[0122][0123][0124]
其中参数x0是随机变量x所能取得最小值，α为形状参数，β为尺度参数，γ(α)为α的伽马函数。x0、α、β均为分布参数，p(x≥xz)表示降雨量≥xz的情况出现的频率，该模型的拟合同样可以采用机器学习中的线性回归来进行，其过程与指数分布模型一致，在此不再赘述。
[0125]
除了通过机器学习中的线性回归来确定皮尔逊分布模型的目标分布参数外，还可以通过直接计算得到其目标分布参数。
[0126]
一种可选的实施方式为，服务器基于每个降雨历时对应的历史降雨数据集中，各第一降雨量的均值与均方差，获取皮尔逊分布模型的目标分布参数。
[0127]
具体如下：
[0128][0129]
式中，m表示为数学期望计算，σ为均方差，cs为偏态系数，cv为变差系数(相对均方差)。
[0130]
相关技术中，目标分布参数均是依靠相关工作人员基于自身经验手动调整上述中的偏态系数与变差系数，来进行皮尔逊分布函数曲线的拟合，如图4所示，为本技术实施例提供的一种相关技术中拟合皮尔逊分布函数曲线的示意图，可以看出，在显示界面有历史降雨数据集中各个数据构成的数据点，以及皮尔逊分布函数曲线，工作人员可以手动在下
方的输入框中调整偏态系数与变差系数的数值，调整过后，上方的皮尔逊分布函数曲线会根据调整的数值，在形态上发生一定变化，直到某次调整后，人为观测到皮尔逊分布函数曲线尽量覆盖了更多的数据点，则确定出偏态系数与变差系数，进一步可以根据偏态系数与变差系数得到x0、α与β的值。
[0131]
而本技术不同于上述过程，本技术是通过机器学习或直接计算的方式进行拟合，机器学习的方式已经介绍过，接下来介绍直接计算的方式。
[0132]
对于上述中提到的m、σ、cs与cv，这些数字特征的估计量分别为：
[0133][0134][0135][0136][0137]
上述公式中，n表示每个降雨历时下降雨量数据的个数，xz表示第z个降雨量数据，将上式中的m’、σ’、c
v’、c
s’计算出后，带入x0、α、β的计算公式中的m、σ、cs与cv，即可得到x0、α、β的值，也即得到皮尔逊分布模型的目标分布参数。
[0138]
由于采用矩法进行参数估计会使得误差较大，特别是考虑到c
s’的计算公式中存在三次方的计算，这样更容易将误差扩大，为了提高估计精度，参数c
s’可以采用其它方法如极大似然法、最佳参数求解法来估计。例如，一种可选的实施方式为：
[0139][0140][0141][0142][0143]
上述中，是正态概率分布密度函数。
[0144]
耿贝尔分布模型也被称为极值ⅰ型(gumbe1)分布模型，其分布函数为：
[0145]
p(x)＝exp(-exp(-a(x-u)))，(a＞0，-∞＜u＜∞)
[0146]
公式中a为分布的尺度参数，u为分布的位置参数，p(xz)为降雨量≥xz的概率。
[0147]
同样的，耿贝尔分布模型也可以通过机器学习中的线性回归来确定目标分布参数外，或者通过直接计算得到其目标分布参数。一种可选的实施方式为，服务器基于每个降雨历时对应的历史降雨数据集中，各历史降雨数据的重现期，获得各历史降雨数据的重现期对应的参考降雨量；基于参考降雨量与对应的第一降雨量，获取耿贝尔分布模型的目标分布参数。
[0148]
具体地，对上述p(x)公式进行转换，得到：
[0149]-a(x-u)＝yz＝-ln(-ln(p(xz)))，z＝1、2、3、
……
、n
[0150]
n表示每个降雨历时下降雨量数据的个数。
[0151]
进一步的，可以得到：
[0152][0153][0154]
上述公式中，σ表示标准差计算，e表示期望计算。
[0155]
每个降雨历时在三种重现期分布模型下都有各自对应的目标分布参数，将目标分布参数带入对应的分布函数曲线中即可得到每个降雨历时在三种重现期分布模型下的三个候选降雨特征图，每个降雨历时均可以通过拟合准确度最高的目标分布参数以及对应的重现期分布模型来获取最终的目标降雨特征图，也即选择拟合准确度最高的候选降雨特征图作为目标降雨特征图。不同降雨历时选择的重现期分布模型可以相同可以不同。例如，5分钟降雨历时下，各候选降雨特征图中，指数分布模型对应的候选降雨特征图的拟合准确度最高，则可以将对应的目标分布参数下的指数分布函数曲线作为5分钟降雨历时对应的目标降雨特征图，10分钟降雨历时下，皮尔逊分布模型拟合准确度最高，则可以将对应的目标分布参数下的皮尔逊分布函数曲线作为10分钟降雨历时对应的目标降雨特征图。
[0156]
得到目标降雨特征图后，即可以得到各个降雨历时中，任一降水量以及其各自对应的频率与重现期。或者说，由于分布函数曲线中的分布参数数值已确定，则将任何给定的重现期代入分布函数曲线，即可以计算出各重现期各自对应的降雨量。
[0157]
针对每个降雨历时分别进行上述计算，可构成降雨量～降雨历时～重现期三联表，也是推求暴雨强度公式的基本资料。
[0158]
若目标重现期分布模型是降雨观测人员根据经验预先人为选定的，则服务器可以直接通过上述方式(线性回归或直接计算)，针对目标重现期分布模型进行目标分布参数的确定，本技术在此不再赘述。
[0159]
以实际应用场景为例，假设获取到c城市过去5年，也即n－4至n年的降雨情况，并将降雨历时分为10分钟、30分钟与60分钟，采用最大值法构建各降雨历时对应的历史降雨数据集。
[0160]
n年个降雨历时下最大降雨量分别为：33.1、54.3、61.2。
[0161]
n-1年个降雨历时下最大降雨量分别为：130.3、174.3、178.2。
[0162]
n-2年个降雨历时下最大降雨量分别为：62.6、87.4、103.2。
[0163]
n-3年个降雨历时下最大降雨量分别为：73.9、120.3、184.6。
[0164]
n-4年个降雨历时下最大降雨量分别为：62.8、72.4、99。
[0165]
对于降雨历时为10分钟时，5年中的降雨量由大到小排序为130.3、73.9、62.8、62.6、33.1，根据重现期可得，其各自对应的重现期分别为6/1、6/2、6/3、6/4和6/5；对于降雨历时为30分钟时，5年中的降雨量由大到小排序为174.3、120.3、87.4、72.4、54.3，其各自对应的重现期分别为6/1、6/2、6/3、6/4和6/5；对于降雨历时为60分钟时，5年中的降雨量由大到小排序为184.6、178.2、103.2、99、61.2，其各自对应的重现期分别为6/1、6/2、6/3、6/4和6/5。以上即为各降雨历时对应的历史降雨数据集。
[0166]
进一步的，根据上述数据各降雨历时对应的历史降雨数据集，假设目标重现期分布模型为指数分布模型，服务器基于机器学习进行自动回归计算，得出各降雨历时对应的目标分布参数，进一步将目标分布参数带入指数分布函数曲线中，得到降雨历时分为10分钟、30分钟与60分钟各自对应的目标降雨特征图。
[0167]
s202：服务器基于各个目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本。
[0168]
上述中，每个降雨预测样本包括一个降雨历时与一个重现期，且每个降雨预测样本的样本标签为目标降雨特征图中，与重现期对应的第一降雨量。将降雨历时与重现期带入各个目标降雨特征图中，即可得到对应的降雨量。
[0169]
降雨预测样本反映的是降雨量-降雨历时-重现期之间的关系，而降雨量-降雨历时-重现期之间的关系还可以通过降雨量-降雨历时-重现期三联表的形式直观体现，如图5所示，为本技术实施例提供的一种三联表示意图，在该三联表中，降雨历时可以分为5分钟、10分钟、15分钟、20分钟、30分钟、45分钟、60分钟、90分钟、120分钟，而重现期则可以取1年、2年、3年、5年、10年、20年、50年、100年。中间即为某一降雨历时下某重现期对应的降雨量，如5分钟降雨历时下，重现期为1年对应的降雨量为2.3854。
[0170]
沿用s201中的假设，得到降雨历时分为10分钟、30分钟与60分钟各自对应的目标降雨特征图后，基于目标降雨特征图中所反映的降雨量-降雨历时-重现期的关系，获取数据构建降雨预测样本，例如获取重现期为1年、3年、5年时，各降雨历时下对应的降雨量；将重现期与降雨历时作为样本所包含的数据，对应降雨量作为样本标签。
[0171]
s203：服务器将降雨预测样本输入待训练的降雨量预测模型，并基于降雨量预测模型预测的第二降雨量与样本标签之间的差异，对降雨量预测模型进行参数调整，获得目标降雨量预测模型。
[0172]
上述中的降雨量预测模型包含暴雨强度公式，其本质上是为了对暴雨强度公式中的参数进行确定，暴雨强度公式由降雨历时变量、重现期变量、降雨量变量与多个降雨参数组成；一般有单一周期公式、区间公式与暴雨强度总公式三种。
[0173]
单一周期公式是针对一个固定的重现期进行计算的，其反映的是某一重现期下，降雨量与降雨历时之间的关系，公式如下：
[0174][0175]
上述两个公式中，i与q为降雨量的不同表现形式，也可以称为暴雨强度，t为降雨历时，a、b、h为需要确定的降雨参数。具体地，a为雨力参数，表示不同重现期下的1min的累计降雨量，b为降雨历时修正参数，h为暴雨衰减指数。上述两种公式择一即可。
[0176]
若需要计算单一周期公式的降雨参数，则需要将某一重现期对应的降雨预测样本输入待训练的降雨量预测模型，如s202中所述，可选择的重现期包括1年、2年、3年、5年、10年、20年、50年、100年，例如需要重现期为5年对应的单一周期公式，则仅将重现期为5年的降雨预测样本分批次输入降雨量预测模型。对降雨量预测模型进行至少一次迭代训练；其中，每次迭代训练执行以下过程：基于公式中的降雨参数，与降雨预测样本中降雨历时，获取降雨量预测模型根据单一周期公式预测的第二降雨量；之后基于第二降雨量与样本标签之间的差异，对单一周期公式的降雨参数进行调整。
[0177]
通过上述方法，可以分别求得重现期为1年、2年、3年、5年、10年、20年、50年、100年各自对应的单一周期公式，而根据单一周期公式，将降雨历时入可以求得上述重现期下的降雨量，但两个单一周期之间的降雨量还无法求得，例如降雨历时为8年的降雨量则无法计算，通过引入区间公式，可以顺利解决这个问题。
[0178]
首先把100年分为1至10年和10至100年两个区间，采用以下公式计算区间公式的降雨参数：
[0179]
a＝a1+a2ln(t+ca)；b＝b1+b2(t+cb)；h＝h1+h2(t+ch)。
[0180]
上面三式中a、b、h和t是已知的降雨参数，以1至10年为例，其具体有5组参数，分别为单一周期公式下，t＝1、2、3、5、10时，对应的a、b与h，a1、a2、ca、b1、b2、cb及h1、h2、ch都是未知数。
[0181]
ca、cb、ch的取值存在限制，当计算1至10年的区间公式的降雨参数时，其限定在(-1，0)区间；当计算10至100年的区间公式的降雨参数时，其限定在(-10，0)区间，该限定的目的是为了使ln中的数值保持大于0而又不会使得重现期数值增加。
[0182]
之后，采用机器学习对3个公式进行计算，a1、a2、ca、b1、b2、cb及h1、h2、ch的初始数值可以为指定数值或随机初始化的某个数值。以1至10年为例，将重现期t＝1输入模型中，模型可以根据上述3个公式，以及a1、a2、ca、b1、b2、cb及h1、h2、ch的初始数值，输出一个模型所计算得到的重现期为1年时的降雨参数a、b、h的值，将模型输出的降雨参数，与重现期为一年对应的单一周期公式中，降雨参数a、b、h的真实数值作比较，最后，基于模型输出值与真实值之间的差异对a1、a2、ca、b1、b2、cb及h1、h2、ch进行调整。
[0183]
同理，将重现期t＝2、3、5、10输入模型中，重复上述步骤。
[0184]
上述中，可以对模型的输出值与真实值采用数值逼近法，直至两者的平均绝对误差为最小，此时的a1、a2、ca、b1、b2、cb及h1、h2、ch的值，即为最终的降雨参数，之后，将t在相应区间内随意取值带入，例如带入t＝4，即可得到重现期t＝4对应的降雨参数a、b、h。将a、b、n值代入公式可得重现期t＝4对应的单一周期公式，其它重现期同理。
[0185]
暴雨强度总公式则可以反映各降雨历时下重现期与降雨量之间的关系，服务器降
雨预测样本分批次输入降雨量预测模型。对降雨量预测模型进行至少一次迭代训练；其中，每次迭代训练执行以下过程：基于降雨量预测模型中暴雨强度公式的降雨参数，与降雨预测样本中的降雨历时与重现期，获取降雨量预测模型预测的第二降雨量；
[0186]
基于第二降雨量与样本标签之间的差异，对降雨量预测模型中，暴雨强度公式的降雨参数进行调整。
[0187]
暴雨强度总公式具体为：
[0188][0189]
其中，aa、c、b、h为需要确定的降雨参数，aa为雨力参数，表示重现期为1年时，1min的累计降雨量(毫米)，c为雨力变动参数，b为降雨历时修正参数，h为暴雨衰减指数。上述两种公式择一即可。
[0190]
上述中的降雨参数在最开始可以是指定一个值或通过随机初始化得到，之后经过模型多次迭代训练，对其进行调整，确定拟合准确度最高的降雨参数的数值，得到目标降雨量预测模型。
[0191]
综上，区间公式的降雨参数需要通过单一周期公式求得，而单一周期公式的降雨参数与暴雨强度总公式的降雨参数可以直接通过机器学习的方式，通过降雨预测样本求得。
[0192]
降雨参数的调整方式分为多种，具体包括梯度调整、递推调整与最小二乘调整。
[0193]
当降雨参数的调整方式为梯度调整时，也即采用动量梯度下降法进行调整，服务器可以基于第二降雨量与样本标签之间的差异，构建损失函数；并基于损失函数与降雨参数的偏导，对降雨参数进行调整。
[0194]
具体地，一种可以选择的损失函数为：(x
z-暴雨强度公式)2，xz为样本标签，动量梯度下降法就是在梯度下降法中，迭代点的更新方向由当前的负梯度方向和上一次的迭代更新方向加权组合形成，其公式如下：
[0195]
vdw＝β
×
vdw+(1-β)
×
dw；
[0196]
变换后为w＝w-α
×
vdw。
[0197]
上述中的α与β为人为设定的参数，v为动量，w为暴雨强度公式中的参数，例如a1、a、c、b、h，dw为损失函数向暴雨强度公式中的各个降雨参数求偏导。
[0198]
这样的操作目的一方面是加快下降：因为在下降的方向上不断累积动量，使得下降的速度变快，同时使梯度的更新过程更加稳定。另一方面，这样的方式可以使迭代跳出驻点，鞍点和部分较浅的局部极小值点，更有可能找到全局极小值。
[0199]
当降雨参数的调整方式为递推调整时，也即采用高斯牛顿法进行调整，服务器可以基于第二降雨量与样本标签之间的差异，对降雨参数进行至少一次递推调整；其中，每次递推调整都执行以下操作：确定本次递推调整的降雨参数与上次递推调整的降雨参数之间的差值；若差值小于预设差值，则基于本次递推调整的降雨参数对降雨参数进行调整。
[0200]
具体地，服务器首先定义未知变量，也即降雨参数：
[0201]
θ＝(θ1、θ2、
……
、θ
p
)
[0202]
其中，θ即为单一周期公式、区间公式或暴雨强度总公式中的各个未知参数，例如，
当为单一周期公式时，p＝3，θ1、θ2、θ3可以分别代表雨力参数a，降雨历时修正参数b，暴雨衰减指数h。
[0203]
之后，服务器定义参数递推公式为：
[0204]
θ
(k+1)
＝θ
(k)
+[j
′
(θ
(k)
)j(θ
(k)
)]-1j′
(θ
(k)
)[y-f(θ
(k)
)]
[0205][0206]
其中，y表示样本标签，k为递推次数，f(θ
(k)
)表示第k次地推中，降雨量模型根据暴雨强度公式中的降雨参数所得出的一组第二降雨量，假设一组降雨预测样本中共有s个样本，则f(θ
(k)
)＝[f1(θ
(k)
),f2(θ
(k)
),
……
,fs(θ
(k)
),]上述中的降雨参数在最开始同样可以是指定的一个值或通过随机初始化得到的值。j(θ
(k)
)矩阵中的第一项表示第1个样本对第1个降雨参数的偏导。
[0207]
该方法从k＝0开始一步步递推，直到θ
(k)
收敛稳定，|θ
(k+1)-θ
(k)
|的值小于或等于预先指定的小正数，也即小于上述中提到的预设差值，从而得到各个降雨参数θ的最终确定值，应用最终确定的降雨参数得到目标降雨量预测模型。
[0208]
当降雨参数的调整方式为最小二乘调整时，也即采用最小二乘法进行调整，服务器基于第二降雨量与样本标签之间的平方差之和，对降雨量预测模型中，暴雨强度公式的降雨参数进行调整。
[0209]
具体地，服务器可以为降雨参数指定一个值或进行随机初始化，之后将降雨预测样本带入模型，得到模型输出的第二降雨量，根据第二降雨量与样本标签之间的平方差之和，对降雨参数进行调整。使得第二降雨量与样本标签之间的平方差之和尽可能的小，例如小于预先设定的某个数值后，将本次所应用的降雨参数作为最终的降雨参数。应用最终的降雨参数得到目标降雨量预测模型。
[0210]
沿用s202中的假设，将重现期为1年、3年、5年对应的降雨预测样本分别输入待训练的降雨量预测模型后，模型可以根据单一周期公式，以及样本中的重现期以及降雨历时，输出第二降雨量，假设采用梯度调整的方法，服务器利用第二降雨量与样本标签之间的差异构建损失函数；并基于损失函数对单一周期公式的降雨参数进行调整，当损失函数达到最小，即获得了各重现期(1年、3年、5年)对应的单一周期公式最终的降雨参数。
[0211]
将各降雨预测样本分批次输入待训练的降雨量预测模型后，模型可以根据暴雨强度总公式，以及样本中的重现期以及降雨历时，输出第二降雨量，假设采用梯度调整的方法，服务器利用第二降雨量与样本标签之间的差异构建损失函数；并基于损失函数对暴雨强度总公式的降雨参数进行调整，当损失函数达到最小，即获得了暴雨强度总公式最终的降雨参数。应用最终的降雨参数得到目标降雨量预测模型。
[0212]
s204：服务器基于目标降雨量预测模型，对目标区域的降雨数据进行预测。
[0213]
在得到目标降雨量预测模型后，输入降雨历时、降雨量、重现期中的任意两个数据，即可以得到另外一个数据。
[0214]
沿用s203中的假设，当前c城市正在降雨，测得5分钟的降雨量为x，则将降雨量x以及降雨历时5分钟输入目标降雨量预测模型，即可得到对应的重现期。
[0215]
一种可选的实施方式为，可以按照如图6所示的流程图实施s201-s204，包括以下步骤：
[0216]
s601：服务器获取过去一定时间段内基于各降雨历时所收集到的降雨量。
[0217]
s602：服务器基于获取到的降雨量构建各个降雨历时对应的历史降雨数据集。
[0218]
上述中，历史降雨数据集的构建可以采用最大值法或多样本法，将每个降雨历时下的降雨量数据进行降序排序，之后计算降雨量对应的频率和重现期。每个降雨历时下的历史降雨数据集即由降雨量与对应的重现期构成。
[0219]
s603：服务器基于各降雨历时对应的历史降雨数据集，与各重现期分布模型，获得各重现期分布模型下，各个降雨历时各自对应的候选降雨特征图。
[0220]
重现期分布模型可以为指数分布模型、皮尔逊分布模型与耿贝尔分布模型，拟合的过程是为了确定各重现期分布模型参数，或者说是为了确定各分布函数曲线的目标分布参数，使得历史降雨数据集中的数据尽可能多的落在分布函数曲线上，尽量不偏离曲线，也即拟合的准确度尽可能的更高，目标分布参数下的分布函数曲线可以作为候选降雨特征图。
[0221]
s604：对每个降雨历时，服务器选取拟合准确度最高的候选降雨特征图作为该降雨历时对应的目标降雨特征图。
[0222]
s605：服务器基于各个降雨历时各自对应的目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本。
[0223]
s606：服务器基于降雨预测样本对降雨量预测模型进行训练，获取暴雨强度公式由的降雨参数，得到目标降雨量预测模型。
[0224]
降雨量预测模型包含暴雨强度公式，模型训练的目的是为了对暴雨强度公式中的降雨参数进行确定，暴雨强度公式有单一周期公式。区间公式以及暴雨强度总公式三种，均可通过机器学习的方式确定降雨参数。在降雨参数的调整方式上主要有动量梯度下降、高斯牛顿和最小二乘法等方式，可以指定一种，或三种同时进行调整，之后横向比较，选择效果最好的一种。
[0225]
s607：服务器基于目标降雨量预测模型对降雨数据进行预测。
[0226]
接下来介绍一种基于本技术的应用系统，如图7所示，为本技术实施例提供的一种应用系统基本操作界面示意图，总的来说，基本操作主要有3个步骤：
[0227]
第一步，上传数据。
[0228]
首先点击界面中的“选择站点”按钮，选择需要计算的站点，也即选择地区，图中选择的是c城市。本步骤的可以保存本站的数据，下次选择该站点的时候，就直接会使用上次计算的数据。
[0229]
之后，选择构建数据所使用的方法，分为“最大值法”和“多样本法”。“最大值法”是指每一年的每个降雨历时下仅选择一个数据，即该降雨历时下降雨量最大的数据，若降雨历时共有11个，则每年的一组数据就有11个，但年份的长短可根据需要自行选择，例如10
年、50年、100年等；“多样本法”是指每一年的每个降雨历时下可选择多个数据，即该降雨历时下降雨量排在前k个最大的数据，年份长短仍可根据需要自行选择。若某年某降雨历时下的降雨量数据不足k个，则选取该年该降雨历时下的全部降雨量数据。
[0230]
再之后，点击“选择文件”按钮，将上述数据上传。上传的文件格式不固定，只要是文本都可以。但是文件里的数据排列有固定的格式，如图8所示，为本技术实施例提供的一种文件数据排列格式示意图，上半部分为最大值法所选取的数据，下半部分为多样本法所选取的数据，不管哪一种，其中每年的数据都是以“年份，11个降雨历时各自对应的降雨量数据”的方式排列的。
[0231]
第二步，方法选择。
[0232]
选择“频率分布拟合”方式，包括“皮尔逊
‑ⅲ
型”、“指数分布”、“耿贝尔分布”三种类型，频率分布拟合的方式可以人为指定，也可由系统分别通过三种方式进行频率分布拟合，最后由系统选择拟合准确度最高的一种；图7中所展示的是人为选定了指数分布。
[0233]
该步骤是用于获取各降雨历时对应的目标降雨特征图。目标降雨特征图可也在界面中展示，如图9所示，为本技术实施例提供的一种应用系统中展示目标降雨特征图的示意图，可以选择“按年”和“按分钟”进行展示。上半部分为“按分钟”展示，也即基于不同降雨历时进行展示，图中显示了降雨历时为5分钟、15分钟、45分钟、180分钟对应的目标降雨特征图，下半部分为“按年”展示，也即基于不同重现期进行展示，图中显示了降雨历时为2年、5年、10年、100年对应的目标降雨特征图。
[0234]
选择“暴雨强度公式拟合”方法，分为“机器学习法”、“高斯牛顿法”、“最小二乘法”，其中“机器学习法”采用的是动量梯度下降。同样的，暴雨强度公式拟合的方式可以人为指定，也可由系统分别通过三种方式进行暴雨强度公式拟合，最后由系统选择拟合准确度最高的一种；图7中所展示的是人为选定了最小二乘法。
[0235]
之后点击“计算”，可以计算相对应的单一周期公式、区间公式和暴雨强度总公式的降雨参数，还可以计算相对应的误差。如图中的平均绝对标准差与平均相对标准差。
[0236]
第三步，结果展示。
[0237]
对于选择“机器学习法”或“最小二乘法”进行暴雨强度公式拟合的情况，如图7在界面中展示单一周期公式表、区间公式表和暴雨强度总公式，其中的降雨参数已全部计算出，表中还列出了对应的重现期。在最下方还显示了平均绝对标准差与平均相对标准差。
[0238]
如图10所示，为本技术实施例提供的一种高斯牛顿法对应的计算结果展示界面图。对于选择“高斯牛顿法”进行暴雨强度公式拟合的情况，在界面中展示暴雨强度总公式、单一周期公式表以及平均绝对标准差与平均相对标准差。
[0239]
点击左下方的“选择年份”按钮，选择需要的年份，可以下载对应年份的暴雨强度表。图11所示，为本技术实施例提供的一种暴雨强度表示意图，当选择的年份为1时，也即t＝1时，输出一张表格，其中、奇数列表示降雨历时，单位为分钟，偶数列表时对应的降雨量。
[0240]
基于相同的发明构思，本技术实施例还提供一种降雨数据预测装置。如图12所示，其为降雨数据预测装置的结构示意图，可以包括：
[0241]
获取单元1201，用于分别基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图；目标降雨特征图表示对应降雨历时下第一降雨量与重现期之间的关系；
[0242]
第一构建单元1202，用于基于各个目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本；每个降雨预测样本包括一个降雨历时与一个重现期，且每个降雨预测样本的样本标签为目标降雨特征图中，与重现期对应的第一降雨量；
[0243]
调整单元1203，用于将降雨预测样本输入待训练的降雨量预测模型，并基于降雨量预测模型预测的第二降雨量与样本标签之间的差异，对降雨量预测模型进行参数调整，获得目标降雨量预测模型；
[0244]
预测单元1204，用于基于目标降雨量预测模型，对目标区域的降雨数据进行预测。
[0245]
可选的，获取单元1201具体用于：
[0246]
对于每个降雨历时，分别执行以下操作：
[0247]
分别基于不同的重现期分布模型，对降雨历时对应的历史降雨数据集进行拟合，获取每个重现期分布模型下，降雨历时对应的候选降雨特征图；
[0248]
将各个重现期分布模型中，拟合准确度位于指定次序的目标重现期分布模型下的候选降雨特征图，作为降雨历时对应的目标降雨特征图。
[0249]
可选的，降雨量预测模型包含暴雨强度公式；暴雨强度公式由降雨历时变量、重现期变量、降雨量变量与多个降雨参数组成；
[0250]
则调整单元1203具体用于：
[0251]
将降雨预测样本分批次输入待训练的降雨量预测模型，对降雨量预测模型进行至少一次迭代训练；其中，每次迭代训练执行以下过程：
[0252]
基于降雨量预测模型中暴雨强度公式的降雨参数，与降雨预测样本中的降雨历时与重现期，获取降雨量预测模型预测的第二降雨量；
[0253]
基于第二降雨量与样本标签之间的差异，对降雨量预测模型中，暴雨强度公式的降雨参数进行调整。
[0254]
可选的，降雨参数的调整方式为梯度调整，调整单元1203具体用于：
[0255]
基于第二降雨量与样本标签之间的差异，构建损失函数；
[0256]
基于损失函数与降雨参数的偏导，对降雨参数进行调整。
[0257]
可选的，降雨参数的调整方式为递推调整，调整单元1203具体用于：
[0258]
基于第二降雨量与样本标签之间的差异，对降雨参数进行至少一次递推调整；其中，每次递推调整都执行以下操作：
[0259]
确定本次递推调整的降雨参数与上次递推调整的降雨参数之间的差值；
[0260]
若差值小于预设差值，则基于本次递推调整的降雨参数对降雨参数进行调整。
[0261]
可选的，降雨参数的调整方式为最小二乘调整，迭代训练次数为一次，调整单元1203具体用于：
[0262]
基于第二降雨量与样本标签之间的平方差之和，对降雨量预测模型中，暴雨强度公式的降雨参数进行调整。
[0263]
可选的，获取单元1201具体用于：
[0264]
分别基于不同的重现期分布模型，以及每个降雨历时对应的历史降雨数据集，获取每个重现期分布模型的目标分布参数；
[0265]
基于目标分布参数，对每个降雨历时对应的历史降雨数据集进行拟合，获得每个重现期分布模型下，各个降雨历时对应的候选降雨特征图。
[0266]
可选的，每个重现期分布模型为指数分布模型、皮尔逊分布模型与耿贝尔分布模型中的一种；获取单元1201具体用于：
[0267]
将每个降雨历时对应的历史降雨数据集中，各历史降雨数据的重现期分别带入不同的重现期分布模型；
[0268]
基于各个重现期分布模型的分布参数，获得各个重现期分布模型下，各历史降雨数据的重现期对应的拟合降雨量；
[0269]
对于每个重现期分布模型，基于各自的拟合降雨量与历史降雨数据集中，各历史降雨数据的重现期对应的第一降雨量之间的差异，对各自的分布参数进行调整，得到各自的目标分布参数。
[0270]
可选的，不同的重现期分布模型包括皮尔逊分布模型时，获取单元1201具体用于：
[0271]
基于每个降雨历时对应的历史降雨数据集中，各第一降雨量的均值与均方差，获取皮尔逊分布模型的目标分布参数。
[0272]
可选的，不同的重现期分布模型包括耿贝尔分布模型时，获取单元1201具体用于：
[0273]
基于每个降雨历时对应的历史降雨数据集中，各历史降雨数据的重现期，获得各历史降雨数据的重现期对应的参考降雨量；
[0274]
基于参考降雨量与对应的第一降雨量，获取耿贝尔分布模型的目标分布参数。
[0275]
可选的，装置还包括：
[0276]
第二构建单元1205，用于在分别对每个降雨历时对应的历史降雨数据集进行拟合之前，获取各降雨历时下每个预设时间段对应的至少一个第一降雨量；
[0277]
对于每个第一降雨量，分别执行以下操作：获取第一降雨量对应的降雨历时下，不小于第一降雨量的其他第一降雨量的出现概率；基于其他第一降雨量的出现概率以及第一降雨量的出现概率，获取第一降雨量对应的重现期；
[0278]
基于每个第一降雨量以及每个第一降雨量各自对应的重现期，构建每个降雨历时对应的历史降雨数据集。
[0279]
可选的，第二构建单元1205具体用于：
[0280]
将其他第一降雨量的出现概率以及第一降雨量的出现概率之和的倒数，作为第一降雨量对应的重现期。
[0281]
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本技术时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
[0282]
在介绍了本技术示例性实施方式的降雨数据预测方法和装置之后，接下来，介绍根据本技术的另一示例性实施方式的电子设备。
[0283]
所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0284]
与上述方法实施例基于同一发明构思，本技术实施例中还提供了一种电子设备。在一种实施例中，该电子设备可以是服务器，如图1所示的服务器120。在该实施例中，电子设备的结构可以如图13所示，包括存储器1301，通讯模块1303以及一个或多个处理器1302。
[0285]
存储器1301，用于存储处理器1302执行的计算机程序。存储器1301可主要包括存
储程序区和存储数据区，其中，存储程序区可存储操作系统，以及运行即时通讯功能所需的程序等；存储数据区可存储各种即时通讯信息和操作指令集等。
[0286]
存储器1301可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器1301也可以是非易失性存储器(non-volatile memory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；或者存储器1301是能够用于携带或存储具有指令或数据结构形式的期望的计算机程序并能够由计算机存取的任何其他介质，但不限于此。存储器1301可以是上述存储器的组合。
[0287]
处理器1302，可以包括一个或多个中央处理单元(central processing unit，cpu)或者为数字处理单元等等。处理器1302，用于调用存储器1301中存储的计算机程序时实现上述降雨数据预测方法。
[0288]
通讯模块1303用于与终端设备和其他服务器进行通信。
[0289]
本技术实施例中不限定上述存储器1301、通讯模块1303和处理器1302之间的具体连接介质。本技术实施例在图13中以存储器1301和处理器1302之间通过总线1304连接，总线1304在图13中以粗线描述，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1304可以分为地址总线、数据总线、控制总线等。为便于描述，图13中仅用一条粗线描述，但并不描述仅有一根总线或一种类型的总线。
[0290]
存储器1301中存储有计算机存储介质，计算机存储介质中存储有计算机可执行指令，计算机可执行指令用于实现本技术实施例的降雨数据预测方法。处理器1302用于执行上述的降雨数据预测方法，如图2所示。
[0291]
在另一种实施例中，电子设备也可以是其他电子设备，如图1所示的终端设备110。在该实施例中，电子设备的结构可以如图14所示，包括：通信组件1410、存储器1420、显示单元1430、摄像头1440、传感器1450、音频电路1460、蓝牙模块1470、处理器1480等部件。
[0292]
通信组件1410用于与服务器进行通信。在一些实施例中，可以包括电路无线保真(wireless fidelity，wifi)模块，wifi模块属于短距离无线传输技术，电子设备通过wifi模块可以帮助对象(如用户)收发信息。
[0293]
存储器1420可用于存储软件程序及数据。处理器1480通过运行存储在存储器1420的软件程序或数据，从而执行终端设备110的各种功能以及数据处理。存储器1420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器1420存储有使得终端设备110能运行的操作系统。本技术中存储器1420可以存储操作系统及各种应用程序，还可以存储执行本技术实施例降雨数据预测方法的计算机程序。
[0294]
显示单元1430还可用于显示由对象输入的信息或提供给对象的信息以及终端设备110的各种菜单的图形对象界面(graphical user interface，gui)。具体地，显示单元1430可以包括设置在终端设备110正面的显示屏1432。其中，显示屏1432可以采用液晶显示器、发光二极管等形式来配置。显示单元1430可以用于显示本技术实施例中的降雨数据预测界面等。
[0295]
显示单元1430还可用于接收输入的数字或字符信息，产生与终端设备110的对象设置以及功能控制有关的信号输入，具体地，显示单元1430可以包括设置在终端设备110正
面的触控屏1431，可收集对象在其上或附近的触摸操作，例如点击按钮，拖动滚动框等。
[0296]
其中，触控屏1431可以覆盖在显示屏1432之上，也可以将触控屏1431与显示屏1432集成而实现终端设备110的输入和输出功能，集成后可以简称触摸显示屏。本技术中显示单元1430可以显示应用程序以及对应的操作步骤。
[0297]
摄像头1440可用于捕获静态图像，对象可以将摄像头1440拍摄的图像通过应用发布。摄像头1440可以是一个，也可以是多个。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device，ccd)或互补金属氧化物半导体(complementary metal-oxide-semiconductor，cmos)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给处理器1480转换成数字图像信号。
[0298]
终端设备还可以包括至少一种传感器1450，比如加速度传感器1451、距离传感器1452、指纹传感器1453、温度传感器1454。终端设备还可配置有陀螺仪、气压计、湿度计、温度计、红外线传感器、光传感器、运动传感器等其他传感器。
[0299]
音频电路1460、扬声器1461、传声器1462可提供对象与终端设备110之间的音频接口。音频电路1460可将接收到的音频数据转换后的电信号，传输到扬声器1461，由扬声器1461转换为声音信号输出。终端设备110还可配置音量按钮，用于调节声音信号的音量。另一方面，传声器1462将收集的声音信号转换为电信号，由音频电路1460接收后转换为音频数据，再将音频数据输出至通信组件1410以发送给比如另一终端设备110，或者将音频数据输出至存储器1420以便进一步处理。
[0300]
蓝牙模块1470用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如，终端设备可以通过蓝牙模块1470与同样具备蓝牙模块的可穿戴电子设备(例如智能手表)建立蓝牙连接，从而进行数据交互。
[0301]
处理器1480是终端设备的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器1420内的软件程序，以及调用存储在存储器1420内的数据，执行终端设备的各种功能和处理数据。在一些实施例中，处理器1480可包括一个或多个处理单元；处理器1480还可以集成应用处理器和基带处理器，其中，应用处理器主要处理操作系统、对象界面和应用程序等，基带处理器主要处理无线通信。可以理解的是，上述基带处理器也可以不集成到处理器1480中。本技术中处理器1480可以运行操作系统、应用程序、对象界面显示及触控响应，以及本技术实施例的降雨数据预测方法。另外，处理器1480与显示单元1430耦接。
[0302]
在一些可能的实施方式中，本技术提供的降雨数据预测方法的各个方面还可以实现为一种程序产品的形式，其包括计算机程序，当程序产品在电子设备上运行时，计算机程序用于使电子设备执行本说明书上述描述的根据本技术各种示例性实施方式的降雨数据预测方法中的步骤，例如，电子设备可以执行如图2或图6中所示的步骤。
[0303]
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0304]
本技术的实施方式的程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括计算机程序，并可以在电子设备上运行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
[0305]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
[0306]
可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0307]
可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的计算机程序，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。计算机程序可以完全地在对象电子设备上执行、部分地在对象电子设备上执行、作为一个独立的软件包执行、部分在对象电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到对象电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
[0308]
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
[0309]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0310]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用计算机程序的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0311]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序命令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序命令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的命令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0312]
这些计算机程序命令也可存储在能引导计算机或其他可编程数据处理设备以特
定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的命令产生包括命令装置的制造品，该命令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0313]
这些计算机程序命令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的命令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0314]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0315]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种降雨数据预测方法，其特征在于，所述方法包括：分别基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图；所述目标降雨特征图表示对应降雨历时下第一降雨量与重现期之间的关系；基于各个目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本；每个降雨预测样本包括一个降雨历时与一个重现期，且每个降雨预测样本的样本标签为所述目标降雨特征图中，与所述重现期对应的第一降雨量；将所述降雨预测样本输入待训练的降雨量预测模型，并基于所述降雨量预测模型预测的第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型进行参数调整，获得目标降雨量预测模型；基于所述目标降雨量预测模型，对目标区域的降雨数据进行预测。2.如权利要求1所述的方法，其特征在于，所述分别基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图，包括：对于每个降雨历时，分别执行以下操作：分别基于不同的重现期分布模型，对所述降雨历时对应的历史降雨数据集进行拟合，获取每个重现期分布模型下，所述降雨历时对应的候选降雨特征图；将各个重现期分布模型中，拟合准确度位于指定次序的目标重现期分布模型下的候选降雨特征图，作为所述降雨历时对应的目标降雨特征图。3.如权利要求1所述的方法，其特征在于，所述降雨量预测模型包含暴雨强度公式；所述暴雨强度公式由降雨历时变量、重现期变量、降雨量变量与多个降雨参数组成；则所述将所述降雨预测样本输入待训练的降雨量预测模型，并基于所述降雨量预测模型预测的第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型进行参数调整，包括：将所述降雨预测样本分批次输入所述待训练的降雨量预测模型，对所述降雨量预测模型进行至少一次迭代训练；其中，每次迭代训练执行以下过程：基于所述降雨量预测模型中暴雨强度公式的降雨参数，与所述降雨预测样本中的降雨历时与重现期，获取降雨量预测模型预测的第二降雨量；基于所述第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型中，暴雨强度公式的降雨参数进行调整。4.如权利要求3所述的方法，其特征在于，所述降雨参数的调整方式为梯度调整，所述基于所述第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型中，暴雨强度公式的降雨参数进行调整，包括：基于所述第二降雨量与所述样本标签之间的差异，构建损失函数；基于所述损失函数与所述降雨参数的偏导，对所述降雨参数进行调整。5.如权利要求3所述的方法，其特征在于，所述降雨参数的调整方式为递推调整，所述基于所述第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型中，暴雨强度公式的降雨参数进行调整，包括：基于所述第二降雨量与所述样本标签之间的差异，对所述降雨参数进行至少一次递推调整；其中，每次递推调整都执行以下操作：
确定本次递推调整的降雨参数与上次递推调整的降雨参数之间的差值；若所述差值小于预设差值，则基于本次递推调整的降雨参数对所述降雨参数进行调整。6.如权利要求3所述的方法，其特征在于，所述降雨参数的调整方式为最小二乘调整，所述迭代训练次数为一次，所述基于所述第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型中，暴雨强度公式的降雨参数进行调整，包括：基于所述第二降雨量与所述样本标签之间的平方差之和，对所述降雨量预测模型中，暴雨强度公式的降雨参数进行调整。7.如权利要求2所述的方法，其特征在于，所述分别基于不同的重现期分布模型，对所述降雨历时对应的历史降雨数据集进行拟合，获取每个重现期分布模型下，所述降雨历时对应的候选降雨特征图，包括：分别基于不同的重现期分布模型，以及每个降雨历时对应的历史降雨数据集，获取每个重现期分布模型的目标分布参数；基于所述目标分布参数，对每个降雨历时对应的历史降雨数据集进行拟合，获得每个重现期分布模型下，各个降雨历时对应的候选降雨特征图。8.如权利要求7所述的方法，其特征在于，每个重现期分布模型为指数分布模型、皮尔逊分布模型与耿贝尔分布模型中的一种；所述分别基于不同的重现期分布模型，以及每个降雨历时对应的历史降雨数据集，获取每个重现期分布模型的目标分布参数，包括：将每个降雨历时对应的历史降雨数据集中，各历史降雨数据的重现期分别带入所述不同的重现期分布模型；基于各个重现期分布模型的分布参数，获得各个重现期分布模型下，所述各历史降雨数据的重现期对应的拟合降雨量；对于每个重现期分布模型，基于各自的拟合降雨量与历史降雨数据集中，各历史降雨数据的重现期对应的第一降雨量之间的差异，对各自的分布参数进行调整，得到各自的目标分布参数。9.如权利要求7所述的方法，其特征在于，所述不同的重现期分布模型包括皮尔逊分布模型时，所述分别基于不同的重现期分布模型，以及每个降雨历时对应的历史降雨数据集，获取每个重现期分布模型的目标分布参数，包括：基于每个降雨历时对应的历史降雨数据集中，各第一降雨量的均值与均方差，获取所述皮尔逊分布模型的目标分布参数。10.如权利要求7所述的方法，其特征在于，所述不同的重现期分布模型包括耿贝尔分布模型时，所述分别基于不同的重现期分布模型，以及每个降雨历时对应的历史降雨数据集，获取每个重现期分布模型的目标分布参数，包括：基于每个降雨历时对应的历史降雨数据集中，各历史降雨数据的重现期，获得各历史降雨数据的重现期对应的参考降雨量；基于所述参考降雨量与对应的第一降雨量，获取所述耿贝尔分布模型的目标分布参数。11.如权利要求1～10任一项所述的方法，其特征在于，在所述分别基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨
特征图之前，还包括：获取各降雨历时下每个预设时间段对应的至少一个第一降雨量；对于每个第一降雨量，分别执行以下操作：获取所述第一降雨量对应的降雨历时下，不小于所述第一降雨量的其他第一降雨量的出现概率；基于所述其他第一降雨量的出现概率以及所述第一降雨量的出现概率，获取所述第一降雨量对应的重现期；基于每个第一降雨量以及每个第一降雨量各自对应的重现期，构建每个降雨历时对应的历史降雨数据集。12.如权利要求11所述的方法，其特征在于，所述基于所述其他第一降雨量的出现概率以及所述第一降雨量的出现概率，获取所述第一降雨量对应的重现期，包括：将所述其他第一降雨量的出现概率以及所述第一降雨量的出现概率之和的倒数，作为所述第一降雨量对应的重现期。13.一种降雨数据预测装置，其特征在于，包括：获取单元，用于分别基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图；所述目标降雨特征图表示对应降雨历时下第一降雨量与重现期之间的关系；第一构建单元，用于基于各个目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本；每个降雨预测样本包括一个降雨历时与一个重现期，且每个降雨预测样本的样本标签为所述目标降雨特征图中，与所述重现期对应的第一降雨量；调整单元，用于将所述降雨预测样本输入待训练的降雨量预测模型，并基于所述降雨量预测模型预测的第二降雨量与所述样本标签之间的差异，对所述降雨量预测模型进行参数调整，获得目标降雨量预测模型；预测单元，用于基于所述目标降雨量预测模型，对目标区域的降雨数据进行预测。14.一种电子设备，其特征在于，其包括处理器和存储器，其中，所述存储器存储有计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～12中任一所述方法的步骤。15.一种计算机可读存储介质，其特征在于，其包括计算机程序，当所述计算机程序在电子设备上运行时，所述计算机程序用于使所述电子设备执行权利要求1～12中任一所述方法的步骤。16.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序存储在计算机可读存储介质中；当电子设备的处理器从所述计算机可读存储介质读取所述计算机程序时，所述处理器执行所述计算机程序，使得所述电子设备执行权利要求1～12中任一所述方法的步骤。

技术总结
本申请涉及计算机技术领域，尤其涉及人工智能技术领域，提供一种降雨数据预测方法、装置、电子设备和存储介质，用以提高降雨预测的准确性。方法包括：分别基于每个降雨历时对应的历史降雨数据集，获得目标重现期分布模型下，各个降雨历时各自对应的目标降雨特征图；基于各个目标降雨特征图，构建各个降雨历时各自对应的降雨预测样本；将降雨预测样本输入待训练的降雨量预测模型，并基于降雨量预测模型预测的第二降雨量与样本标签之间的差异，对降雨量预测模型进行参数调整，获得目标降雨量预测模型；基于目标降雨量预测模型，对目标区域的降雨数据进行预测。由于本申请通过降雨量预测模型对降雨数据进行预测，可以使得到的降雨数据更加精准。数据更加精准。数据更加精准。


技术研发人员：曾小团 谭肇 梁潇 陈伟斌 戚云枫
受保护的技术使用者：北京思湃德信息技术有限公司
技术研发日：2023.04.23
技术公布日：2023/10/15