CN110083918A - 一种车载局部短临预警发布方法 - Google Patents
一种车载局部短临预警发布方法 Download PDFInfo
- Publication number
- CN110083918A CN110083918A CN201910323863.5A CN201910323863A CN110083918A CN 110083918 A CN110083918 A CN 110083918A CN 201910323863 A CN201910323863 A CN 201910323863A CN 110083918 A CN110083918 A CN 110083918A
- Authority
- CN
- China
- Prior art keywords
- data
- gate layer
- early warning
- prediction
- vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 208000036119 Frailty Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 206010003549 asthenia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Environmental Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车载局部短临预警发布方法，该方法将待预测区域平均划分为若干小区域，每个小区域中心设置一个搭载有基于LSTM网络的小型工作站移动气象台，通过移动气象台获取现场观测数据，小型工作站对历史观测数据及现场观测数据进行预处理，根据预处理后的历史观测数据训练预测模型，利用预测模型对预处理后的现场观测数据进行分析，得到局部地区未来时刻的预测数据。本发明可以实现分层管理与控制，直观易用；解决了数据获取存在误差以及数据本身大量冗余的问题，实现评估精细化，提高了预警的准确性。
Description
技术领域
本发明涉及一种气象预测方法，尤其涉及一种车载局部短临预警发布方法。
背景技术
中国人口众多，气候多变，地形复杂，生态环境脆弱，是世界上自然灾害最严重的国家之一，多发的自然灾害屡次考验着整个社会的公共安全体系和社会保障能力。气象灾害预警信息发布作为政府防灾减灾工作的重要组成部分以及基础工作，已经引起了广泛的重视。目前，作为一个有效的气象灾害预警信息发布方法，能否及时发布灾害信息，并且为灾害管理决策提供准确的评估结果至关重要。
气象灾害具有种类多、范围广、突发性强等特点，给气象灾害的预警带来了巨大的问题和挑战。气象灾害发生的时间不固定，若仅仅依靠长期数值天气预报模型进行天气预测，无法准确和实时地预测地区在较短时间内的气象情况，时效性难以保证；同时，特殊的地理位置和地形地貌使得灾害性天气海陆差异明显，气候变化也使得灾害性天气的分布不均匀特征更趋明显，若以整个区域的预报结果发布预警信息，则会造成某些小地区的空报或者漏报，精确度难以保证。
发明内容
发明目的：本发明的目的是提供一种可以准确和实时预测局部地区气象预测的方法，为现场应急处理和后方指挥调度提供有力支持。
技术方案：为实现本发明的目的，本发明所述的一种车载局部短临预警发布方法，包括以下步骤：
(1)将待预测区域平均划分为若干小区域，每个小区域中心设置一个移动气象台，所述移动气象台搭载有基于LSTM网络的小型工作站。
进一步地，所述步骤(1)具体包括：
(11)选定格网系统类型：将待预测区域平均划分为多个小区域：
进一步地，所述网格系统类型一般选定正多边形，主要分为以下几类：正三角形、正四边形、正六边形。
优选地，所述格网系统类型选定为正六边形，即格网单元形状为正六边形，因此待测区域将被平均划分为若干正六边形小区域。
(12)建立扩充格网络坐标系：
(121)以第一移动气象台所处位置为原点，地图的水平方向为X轴，垂直方向为Y轴建立辅助的直角坐标系，所述第一移动气象台所处位置用于标记初始小区域的中心位置，其他小区域毗邻分布；
(122)在直角坐标系中，记格网单元为正n边形，定义格网单元的外接圆半径是R，在格网坐标(i，j)的任一单元的n+1个节点中，中心节点用(i，j)标识，n个边界节点从右上角按逆时针方向依次标识。
(13)确定格网的有效控制边界条件：
进一步地，所述边界条件为：
其中，R为小区域网格外接圆半径，Rs，Rc分别为移动气象台传感节点的感知半径和通信半径。
(14)计算不同格网单元节点坐标；
(15)在地图上显示划分后的区域信息，包括区域编号、灾害类别、预测的灾害等级。
(2)移动气象台获取现场观测数据，通过小型工作站对历史观测数据及现场观测数据进行预处理。
进一步地，所述数据包括待区域定位信息、气象参数、环境分布信息；其中，所述环境分布信息包括该区域内的河流、山地信息。
进一步地，所述预处理为利用一致性分析方法对历史观测数据及现场观测数据进行质量控制，包括内部一致性监测、时间一致性检查、持续性检查及水平一致性计算。
进一步地，所述水平一致性计算为，对同一要素，按照如下公式计算其在某一待预测区域内要素的标准观测值以判断该要素的观测值是否正常：
Tt＝(Xt-Qt,2/4)/(Qt,3/4-Qt,1/4)
其中，Tt为要素的标准观测值，Xt为t时刻某一要素的观测值，Qt,1/4、Qt,2/4及Qt,3/4为邻近移动气象台t时刻对要素观测值按由小到大逆向排序后的四分位值；当Tt超过统计阈值时，则去除该Xt数据。
(3)小型工作站根据预处理后的历史观测数据训练预测模型，利用预测模型对预处理后的现场观测数据进行分析，得到局部地区未来时刻的预测数据。
进一步地，所述训练预测模型为构建LSTM循环网络架构，所述网络架构包括一个用于对输入数据进行预处理的输入层、若干堆叠连接的处理器及一个用于输出的结果层；每个处理器包括输入门、遗忘门、输出门及tanh层。
步骤(3)具体包括以下步骤:
(31)在LSTM模型的输入层中，根据如下公式对数据进行预处理，得到模型预测优劣的判断依据：
xin＝(fis,fid,fit)
yout＝(fos,fod,fot)
ye＝(fes,fed,fet)
其中，xin、yout、ye分别为历史观测数据、LSTM模型输出数据、期望数据，每组数据的向量元素从左至右依次对应同一时刻的降水量、湿度及温度值。
进一步地，所述历史观测数据即训练时输入的历史观测时刻的数据，是相对于期望数据进行讨论的。在给定相同时间间隔后确认下一时刻，所述下一时刻的观测数据即期望数据。
进一步地，所述LSTM模型输出数据为根据历史观测数据预测的下一时刻的数据。
(32)在LSTM模型的交互层的遗忘门层中，对数据进行筛选。根据LSTM网络能够在组合之间传递信息的特点，过滤与预测结果关联性小的信息，保留关联大、较重要的信息。通过网络训练，利用权重参数进行优化，使预测结果更加合理。
输出信息预测权重gt，如下公式所示：
gt＝σ[wf(ht-1，xt)+bf]，
其中，gt的取值为0～1之间，0表示为完全舍弃该信息，1表示完全保留该信息，其中，t为当前时刻，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层的输入，wf和bf为遗忘门层对应权重和偏置；
(33)在LSTM模型的交互层的输入门层中，根据如下公式进行数据保留和更新：
it＝σ[wi(ht-1，xt)+bi]
其中，t为当前时刻，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层输入，wi和bi为输入门层对应权重和偏置；
(34)在LSTM模型的交互层的tanh层中，根据如下公式创建一个可以被添加到处理器状态中的新候选值：
其中，所述处理器为三层交互层，t为当前时刻，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层输入，wc和bc为对应权重和偏置，函数tanh把数值规范化至-1到1区间；
(35)根据如下公式，根据步骤(32)输出的信息预测权重gt及步骤(33)中的it，将携带记忆信息的旧处理器状态Ct-1与包含新信息的候选值结合，更新处理器:
(36)在LSTM模型的输出门层中，根据如下公式基于更新后的处理器状态生成LSTM的输出值：
ht＝σ[Wo(ht-1,xt)+bo]tanhCt
其中，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层输入，wo和bo为输出门层对应权重和偏置；
(37)将LSTM模型的输出结果按照时间序列进行数据预测，并对比期望数据，并利用BPTT算法实现网络参数更新，得到预测模型；其中，所述参数包括权重、偏置；
(38)将现场观测数据输入预测模型，输出预测数据的等级，并在地图上相应的小区域内显示灾害等级。
有益效果：本发明具有以下优点：
1、空间精细化，对气象预警局部地区进行区域划分，利用车载小型工作站对收集到的多种数据进行短临预报，弥补了后台长期预报精度低的缺点，提高了预报的准确性和实效性；
2、分析高速化，以质量控制与一致性分析为保障，利用气象要素中的时间空间变化规律及各要素间相互联系的规律为线索进行分析，对获取到的包括卫星资料、移动气象台资料或北斗气象单兵等在内的历史观测数据与现场观测数据进行预处理，减少数据冗余，保障数据质量以大大提高后续数据分析的速度；
3、时间精细化，采用长短期记忆网络(LSTM)对局部灾害的等级进行预测，从序列数据中提取信息的特性，同时保留了较远步骤中的具有长期相关性的信息，解决了神经循环网络在实际应用中因记忆窗口过长而产生的梯度弥散或梯度爆炸等问题，提高了预测的时间分辨率与精度。
附图说明
图1是本发明流程图；
图2是本发明区域划分的执行流程示意图；
图3是本发明LSTM模型的结构示意图；
图4是本发明实施例三示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
实施例一
请参见图1，其示出了一种车载局部短临预警发布方法的方法流程图，该方法包括以下步骤：
(1)将待预测区域平均划分为若干小区域，每个小区域中心设置一个移动气象台，所述移动气象台搭载有基于LSTM网络的小型工作站。
请参见图2，其示出了本发明区域划分的执行流程示意图。针对预警范围过大，预报不够精确的问题，在各个街道设置移动气象台并且在车上搭载小型工作站，将大区域平均划分成多个小区域，包括以下步骤：
(11)选定格网系统类型为正三角形；
(12)以第一移动气象台所处位置为原点，地图的水平方向为X轴，垂直方向为Y轴建立辅助的直角坐标系，所述第一移动气象台所处位置用于标记初始小区域的中心位置；
(13)在直角坐标系中，定义格网单元的外接圆半径是R，在格网坐标(i，j)的任一单元的n+1个节点中，(i，j)为中心节点，
A(i，R+j)，分别为正三角形的3个边界点；
(14)根据如下公式确定格网的有效控制边界条件：
其中，R为小区域网格外接圆半径，Rs，Rc分别为移动气象台传感节点的感知半径和通信半径；
(15)计算不同格网单元节点坐标；
(16)在确定第一个正三角形小区域后，利用“简单单元复制”原则，依次复制相同的正三角形，使其毗邻分布；
(17)在地图上显示划分后的区域信息，包括区域编号、灾害类别、预测的灾害等级。
(2)移动气象台获取现场观测数据，通过小型工作站对历史观测数据及现场观测数据进行预处理，所述数据包括待预测区域定位信息、气象参数、环境分布信息；其中，所述环境分布信息包括该区域内的河流、山地信息。
对获取到的包括卫星资料，移动气象台资料或北斗气象单兵等在内的现场观测数据以及历史数据进行质量控制，根据一致性分析方法判断气象资料是否合理。依据气象学、天气学、气候学原理，以气象要素中的时间空间变化规律及各要素间相互联系的规律为线索进行分析。所述一致性分析方法包括，内部检测一致性，时间一致性，持续性一致性及水平一致性等检查方法，其具体作用如下：
1)内部一致性监测。依据气象学原理，对观测资料中某些物理特向相关联的要素之间是否符合一定规律的检查。基本算法是基于两观测要素的气象学相关性，检查是否存在矛盾现象。例如风向风速一致性检查，气温湿度一致性检查等。
2)时间一致性检查。判断观测资料在时间上是相对应的，目的是检测观测资料的时间变化率，识别出不理想的时间变化率。例如观测区域内规定6小时内气压值相差不超过18hpa。
3)持续性检查。在一定时间内，观测诸多气象要素随时间，地域变化所出现的波动，若某气象要素没有发生变化则对应观测仪器或传输设备出现故障。例如，风向摇摆方向始终固定，则可判断机器出现故障。
4)水平一致性计算。利用气象要素自然分布具有连续性和均匀性的特点，将某一被检测的观测资料与其周围其他邻近观测站资料进行比较扥洗，从而判断该要素是否正常，其具体计算公式如下：
Tt＝(Xt-Qt,2/4)/(Qt,3/4-Qt,1/4)
其中，Tt为要素的标准观测值，Xt为t时刻某一要素的观测值，Qt,1/4、Qt,2/4及Qt,3/4为邻近移动气象台t时刻对要素观测值按由小到大逆向排序后的四分位值；当Tt超过统计阈值时，则去除该Xt数据。
针对每小时的降雨量不同，预先将降雨划分为十二个等级，每小时降雨量为0～20毫升时为一级，20～40毫升时为二级，40～60毫升时为三级，60～80毫升时为四级，80～100毫升时为五级，100～120毫升时为六级，120～140毫升时为七级，140～180毫升时为八级，180～200毫升时为九级，200～220毫升时为十级，220～240毫升时为十一级，240～260毫升时为十二级。并且按照降雨等级划分四条警戒线，包括蓝色警戒线(1-3级)，黄色预警线(3-5级)，橙色预警线(5-10级)和红色预警线(10-12级)。
(3)小型工作站根据预处理后的历史观测数据训练预测模型，利用预测模型对预处理后的现场观测数据进行分析，得到局部地区未来某时刻的预测数据。
请参见图3，其示出了LSTM模型结构示意图。图中A即为一个处理器，包括输入门层、遗忘门层、输出门层及tanh层，很多个处理器组合堆叠构成LSTM网络。LSTM网络构建过程主要可分为三个部分：输入层数据预处理，交互层数据计算，输出层结果输出。
(31)输入层数据预处理：
以暴雨为例，本发明所选的输入数据包括降水量，湿度及温度。首先，对降水量及湿度数据进行采样，采样间隔为5s，采样数量为200个，并以向量的形式进行表述，温度则根据具体情况而定，暂定为25度。本发明数据可以分为采集数据(历史采集数据和现场采集数据)，期望数据以及LSTM模型输出数据，其中历史采集数据和期望数据实现对网络的训练及优化，现场采集数据实现对训练完成网络的应用，以预测雨水等级。LSTM模型输出数据则为实验结果作为算法优劣判断依据，其各项数据如下所示：
xin＝(fis,fid,fit)
yout＝(fos,fod,fot)
ye＝(fes,fed,fet)
其中，xin，yout，ye分别对应输入数据即采集数据，LSTM模型输出数据，期望数据，其括号内向量分别为降水量，湿度及温度在不同时刻所对应的数值。
(32)交互层数据计算：
交互层数据计算是对3个门层和一个tanh层的参数训练过程，三级LSTM网络预测模型的核心结构。
1)遗忘门层，即第一个交互层，它决定了当前步骤应该舍弃哪些信息。这一层的输出gt是一个取值为0～1之间的数字，它决定了在上一步处理过程中处理器状态有哪些需要被继续传递，其公式如下所示：
gt＝σ[wf(ht-1，xt)+bf]
其中，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层输入，wf和bf为对应权重和偏置。
2)输入门层，即第二个交互层，该层决定了哪些信息应被添加至处理器状态中。这一层的输出决定第三个交互层tanh层中哪些信息将被保留并更新，其公式如下所示：
it＝σ[wi(ht-1，xt)+bi]
3)tanh层，即第三个交互层，其作用是创建一个可以被添加到处理器状态中的新候选值，其公式如下所示：
经过3层计算之后，携带记忆信息的旧处理器状态Ct-1与包含新信息的候选值结合，其具体公式如下所示：
4)输出门层，用于基于更新后的处理器状态生成LSTM的输出值，具体如下公式所示：
ht＝σ[Wo(ht-1,xt)+bo]tanhCt
(33)将LSTM模型的输出结果按照时间序列，进行数据预测，并对比期望数据，并利用BPTT算法实现网络参数更新，得到预测模型；其中，所述参数包括权重、偏置；
(34)将现场观测数据输入预测模型，输出预测数据的等级，并在地图上相应的小区域内显示灾害等级。
实施例二：
本实施例提供的一种车载局部短临预警发布方法，该方法除步骤(1)的具体操作不同外，其他步骤均与实施例一中给出的方法步骤相同，因此只对不同部分进行描述。
(11)选定格网系统类型为正四边形；
(12)以第一移动气象台所处位置为原点，地图的水平方向为X轴，垂直方向为Y轴建立辅助的直角坐标系，所述第一移动气象台所处位置用于标记初始小区域的中心位置；
(13)在直角坐标系中，定义格网单元的外接圆半径是R，在格网坐标(i，j)的任一单元的n+1个节点中，(i，j)为中心节点，正四边形的4个边界点分别为：
(14)根据如下公式确定格网的有效控制边界条件：
其中，R为小区域网格外接圆半径，Rs，Rc分别为移动气象台传感节点的感知半径和通信半径；
(15)计算不同格网单元节点坐标；
(16)在确定第一个正四边形小区域后，利用“简单单元复制”原则，依次复制相同的正四边形，使其毗邻分布；
(17)在地图上显示划分后的区域信息，包括区域编号、灾害类别、预测的灾害等级。
实施例三：
本实施例提供的一种车载局部短临预警发布方法，该方法除步骤(1)的具体操作不同外，其他步骤均与实施例一中给出的方法步骤相同，因此只对不同部分进行描述。如图4所示，利用实施例三给出的区域划分流程，可实现检测区域重复覆盖面积最少，因此作为本发明执行流程的优选步骤。
(11)选定格网系统类型为正六边形；
(12)以第一移动气象台所处位置为原点，地图的水平方向为X轴，垂直方向为Y轴建立辅助的直角坐标系，所述第一移动气象台所处位置用于标记初始小区域的中心位置，其他小区域毗邻分布；
(13)在直角坐标系中，定义格网单元的外接圆半径是R，在格网坐标(i，j)的任一单元的n+1个节点中，(i，j)为中心节点，正六边形的6个边界点分别为：
(14)根据如下公式确定格网的有效控制边界条件：
其中，R为小区域网格外接圆半径，Rs，Rc分别为移动气象台传感节点的感知半径和通信半径；
(15)计算不同格网单元节点坐标；
(16)在确定第一个正六边形小区域后，利用“简单单元复制”原则，依次复制相同的正六边形，使其毗邻分布；
(17)在地图上显示划分后的区域信息，包括区域编号、灾害类别、预测的灾害等级。
Claims (9)
1.一种车载局部短临预警发布方法，其特征在于，包括以下步骤：
(1)将待预测区域平均划分为若干小区域，每个小区域中心设置一个移动气象台，所述移动气象台搭载有基于LSTM网络的小型工作站；
(2)移动气象台获取现场观测数据，通过小型工作站对历史观测数据及现场观测数据进行预处理；
(3)小型工作站根据预处理后的历史观测数据训练预测模型，利用预测模型对预处理后的现场观测数据进行分析，得到局部地区未来时刻的预测数据。
2.根据权利要求1所述的车载局部短临预警发布方法，其特征在于：所述数据包括要素：区域定位信息、气象参数、环境分布信息；其中，所述环境分布信息包括区域内的河流、山地信息。
3.根据权利要求1所述的车载局部短临预警发布方法，其特征在于，所述步骤(1)具体包括：
(11)选定格网系统类型，将待预测区域平均划分为多个小区域；
(12)建立扩充格网坐标系；
(13)确定格网的有效控制边界条件；
(14)计算不同格网单元节点坐标；
(15)在地图上显示划分后的区域信息，包括区域编号、灾害类别、预测的灾害等级。
4.根据权利要求1或3所述的车载局部短临预警发布方法，其特征在于：所述小区域的形状为正六边形。
5.根据权利要求3所述的车载局部短临预警发布方法，其特征在于，所述步骤(12)具体包括：
(121)以格网坐标系原点为第一移动气象台所处位置，地图的水平方向为X轴，垂直方向为Y轴建立辅助的直角坐标系，所述第一移动气象台所处位置用于标记初始小区域的中心位置，其他小区域毗邻分布；
(122)在直角坐标系中，记格网单元为正n边形，定义格网单元的外接圆半径是R，在格网坐标(i，j)的任一单元的n+1个节点中，中心节点用(i，j)标识，n个边界节点从右上角按逆时针方向依次标识。
6.根据权利要求3所述的车载局部短临预警发布方法，其特征在于，步骤(13)中，所述边界条件为：
其中，R为小区域格网外接圆半径，Rs、Rc分别为移动气象台传感节点的感知半径和通信半径。
7.根据权利要求1所述的车载局部短临预警发布方法，其特征在于，步骤(2)中，所述预处理为：利用一致性分析方法对历史观测数据及现场观测数据进行质量控制，包括内部一致性监测、时间一致性检查、持续性检查及水平一致性计算。
8.根据权利要求7所述的车载局部短临预警发布方法，其特征在于，所述水平一致性计算为：对同一要素，按照如下公式计算其在某一待预测区域内要素的标准观测值以判断该要素的观测值是否正常：
Tt＝(Xt-Qt,2/4)/(Qt,3/4-Qt,1/4)
其中，Tt为要素的标准观测值，Xt为t时刻某一要素的观测值，Qt,1/4、Qt,2/4及Qt,3/4为邻近移动气象台t时刻对要素观测值按由小到大逆向排序后的四分位值；当Tt超过统计阈值时，则去除该Xt数据。
9.根据权利要求1所述的车载局部短临预警发布方法，其特征在于，步骤(3)具体包括以下步骤:
(31)在LSTM模型的输入层中，根据如下公式对数据进行预处理，得到模型预测优劣的判断依据：
xin＝(fis,fid,fit)
yout＝(fos,fod,fot)
ye＝(fes,fed,fet)
其中，xin、yout、ye分别为历史观测数据、LSTM模型输出数据、期望数据，每组数据的向量元素从左至右依次对应同一时刻的降水量、湿度及温度值；所述LSTM模型输出数据为根据历史观测数据预测的下一时刻的数据；所述期望数据为下一时刻的观测数据；
(32)在LSTM模型的交互层的遗忘门层中，根据如下公式对数据进行筛选，输出信息预测权重gt，gt＝σ[wf(ht-1，xt)+bf]，其取值为0～1之间，0表示为完全舍弃该信息，1表示完全保留该信息，其中，t为当前时刻，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层的输入，wf和bf为遗忘门层对应权重和偏置；
(33)在LSTM模型的交互层的输入门层中，根据如下公式进行数据保留和更新：
it＝σ[wi(ht-1，xt)+bi]
其中，t为当前时刻，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层输入，wi和bi为输入门层对应权重和偏置；
(34)在LSTM模型的交互层的tanh层中，根据如下公式创建一个可以被添加到处理器状态中的新候选值：
其中，所述处理器包括输入门层、遗忘门层、输出门层及tanh层，t为当前时刻，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层输入，wc和bc为对应权重和偏置，函数tanh把数值规范化至-1到1区间；
(35)根据如下公式，根据步骤(32)输出的信息预测权重gt及步骤(33)中的it，将携带记忆信息的旧处理器状态Ct-1与包含新信息的候选值结合，更新处理器:
(36)在LSTM模型的输出门层中，根据如下公式基于更新后的处理器状态生成LSTM的输出值：
ht＝σ[Wo(ht-1,xt)+bo]tanhCt
其中，ht-1为上一时刻输出门层的输出，xt为当前时刻遗忘门层输入，wo和bo为输出门层对应权重和偏置；
(37)将LSTM模型的输出结果按照时间序列进行数据预测，并对比期望数据，利用BPTT算法实现网络参数更新，得到预测模型；其中，所述参数包括权重、偏置；
(38)将现场观测数据输入预测模型，输出预测数据的等级，并在地图上相应的小区域内显示灾害等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910323863.5A CN110083918A (zh) | 2019-04-22 | 2019-04-22 | 一种车载局部短临预警发布方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910323863.5A CN110083918A (zh) | 2019-04-22 | 2019-04-22 | 一种车载局部短临预警发布方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110083918A true CN110083918A (zh) | 2019-08-02 |
Family
ID=67416099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910323863.5A Pending CN110083918A (zh) | 2019-04-22 | 2019-04-22 | 一种车载局部短临预警发布方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110083918A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
| CN113486481A (zh) * | 2021-06-25 | 2021-10-08 | 同济大学 | 一种环境感知网络的优化设置方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105388538A (zh) * | 2015-11-23 | 2016-03-09 | 四川长虹电器股份有限公司 | 微型气象预测装置及其气象预测方法 |
| CN106371153A (zh) * | 2016-08-16 | 2017-02-01 | 合肥东上多媒体科技有限公司 | 无人值守小型自动气象台 |
| CN109240264A (zh) * | 2018-09-14 | 2019-01-18 | 浙江大学 | 一种基于lstm神经网络的制浆过程能耗预测方法 |
| CN109660290A (zh) * | 2018-11-23 | 2019-04-19 | 南京信息工程大学 | 一种基于多卫星多频段的多架构应急保障系统 |
-
2019
- 2019-04-22 CN CN201910323863.5A patent/CN110083918A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105388538A (zh) * | 2015-11-23 | 2016-03-09 | 四川长虹电器股份有限公司 | 微型气象预测装置及其气象预测方法 |
| CN106371153A (zh) * | 2016-08-16 | 2017-02-01 | 合肥东上多媒体科技有限公司 | 无人值守小型自动气象台 |
| CN109240264A (zh) * | 2018-09-14 | 2019-01-18 | 浙江大学 | 一种基于lstm神经网络的制浆过程能耗预测方法 |
| CN109660290A (zh) * | 2018-11-23 | 2019-04-19 | 南京信息工程大学 | 一种基于多卫星多频段的多架构应急保障系统 |
Non-Patent Citations (1)
| Title |
|---|
| 贺佳佳等: "一种多时间尺度SVM局部短时临近降雨预测方法", 《气象》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489525A (zh) * | 2020-03-30 | 2020-08-04 | 南京信息工程大学 | 多数据融合的气象预测预警方法 |
| CN113486481A (zh) * | 2021-06-25 | 2021-10-08 | 同济大学 | 一种环境感知网络的优化设置方法 |
| CN113486481B (zh) * | 2021-06-25 | 2022-08-09 | 同济大学 | 一种环境感知网络的优化设置方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11295214B2 (en) | Analysis system and hydrology management for basin rivers | |
| CN111047099B (zh) | 一种区域性山洪风险预测方法及系统 | |
| US20220157149A1 (en) | Water environment risk prediction and early warning method | |
| CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
| Du et al. | Optimal sensor placement and measurement of wind for water quality studies in urban reservoirs | |
| CN104899437A (zh) | 强降雨型滑坡灾害预警方法 | |
| CN113327022B (zh) | 一种防雷安全风险管理系统及方法 | |
| Huang et al. | A new air quality forecasting model using data mining and artificial neural network | |
| CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
| CN113554345B (zh) | 地震滑坡灾害区域及灾害链风险评估方法 | |
| CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
| CN107515842A (zh) | 一种城市人口密度动态预测方法及系统 | |
| CN110020469B (zh) | 基于泊松回归和空间滤值的洪水预警分析方法及系统 | |
| CN110083918A (zh) | 一种车载局部短临预警发布方法 | |
| CN112233381B (zh) | 一种基于机理和机器学习耦合的泥石流预警方法与系统 | |
| Zhang et al. | Spatial patterns and controlling factors of the evolution process of karst depressions in Guizhou province, China | |
| CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
| CN116771425A (zh) | 一种煤矿巷道瓦斯浓度空间分布的检测方法及系统 | |
| CN113505948B (zh) | 基于贝叶斯网络的未来生态安全格局预测和优化方法 | |
| Yang et al. | Effect of observation network design on meteorological forecasts of Asian dust events | |
| Hadipour et al. | Genetic programming for downscaling extreme rainfall events | |
| CN118211481A (zh) | 一种基于区域流域的水文信息预测方法及系统 | |
| Yıldız et al. | Application of improved visuvalization to the trend assessment of precipitation in the eastren Black sea basin, Turkey | |
| Liu et al. | Research on geological hazard risk assessment based on machine learning | |
| Gu et al. | Developing a vine copula model to simulate and predict long serial lake water levels |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
| RJ01 | Rejection of invention patent application after publication |