CN107133636B - 一种获取相似台风的方法和系统 - Google Patents
一种获取相似台风的方法和系统 Download PDFInfo
- Publication number
- CN107133636B CN107133636B CN201710203945.7A CN201710203945A CN107133636B CN 107133636 B CN107133636 B CN 107133636B CN 201710203945 A CN201710203945 A CN 201710203945A CN 107133636 B CN107133636 B CN 107133636B
- Authority
- CN
- China
- Prior art keywords
- typhoon
- historical
- similarity
- typhoons
- characteristic
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Abstract
本发明提供一种获取相似台风的方法和系统,所述方法包括:获取待分析台风的特征因子,所述特征因子包括:第一特征因子、第二特征因子以及第三特征因子;通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风;通过预设的权重根据从所述多个历史台风中获取所述待分析台风的相似台风。本发明实施例,获取待分析台风的特征因子,通过预设的分析算法依次获取特征因子与数据库中保存的历史台风的特征因子的相似度,根据相似度获取多个历史台风,通过预设的权重从多个历史台风中获取待分析台风的相似台风,使得相似台风分析不再局限于路径分析,提高了获取相似台风的精确度。
Description
技术领域
本发明涉及台风预警领域,尤其涉及一种获取相似台风的方法和系统。
背景技术
长期以来,台风引起的洪灾、风灾严重影响我国东南沿海各省市。防汛防台部门常常根据实时台风及其预报信息在历史台风中搜索相似台风,以此作为依据之一指导防汛防台工作。
目前已有的台风路径相似算法仅使用台风信息中的一个因子(路径)进行相似分析,具有一定的片面性,容易对相似台风的判断造成偏差。
发明内容
有鉴于此,本发明提供一种获取相似台风的方法和系统,以解决现有技术判断相似台风不够精确的问题。
具体地,本发明是通过如下技术方案实现的:
本发明提供一种获取相似台风的方法,所述方法包括:
获取待分析台风的特征因子,所述特征因子包括:第一特征因子、第二特征因子以及第三特征因子;
通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风,包括:从所述历史台风中获取第一历史台风,从所述第一历史台风中获取第二历史台风,从所述第二历史台风中获取第三历史台风,所述第一历史台风为与所述待分析台风的第三特征因子相似度最高的多个历史台风,所述第二历史台风为与所述待分析台风的第二特征因子相似度最高的多个历史台风,所述第三历史台风为与所述待分析台风的第一特征因子相似度最高的多个历史台风;
通过预设的权重根据从所述多个历史台风中获取所述待分析台风的相似台风。
本发明还提供了一种获取相似台风的系统,所述系统包括:
特征因子获取单元,用于获取待分析台风的特征因子,所述特征因子包括:第一特征因子、第二特征因子以及第三特征因子;
历史台风获取单元,用于通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风,包括:从所述历史台风中获取第一历史台风,从所述第一历史台风中获取第二历史台风,从所述第二历史台风中获取第三历史台风,所述第一历史台风为与所述待分析台风的第三特征因子相似度最高的多个历史台风,所述第二历史台风为与所述待分析台风的第二特征因子相似度最高的多个历史台风,所述第三历史台风为与所述待分析台风的第一特征因子相似度最高的多个历史台风;
相似台风获取单元,用于通过预设的权重根据从所述多个历史台风中获取所述待分析台风的相似台风。
本发明实施例,获取待分析台风的特征因子,通过预设的分析算法依次获取特征因子与数据库中保存的历史台风的特征因子的相似度,根据相似度获取多个历史台风,通过预设的权重从多个历史台风中获取待分析台风的相似台风,使得相似台风分析不再局限于路径分析,提高了获取相似台风的精确度。
附图说明
图1是本发明一示例性实施例示出的一种获取相似台风的方法的流程图;
图2是本发明一示例性实施例示出的一种获取相似台风的系统的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示为本发明一示例性实施例示出的一种获取相似台风的方法的流程图,所述方法包括:
步骤S101,获取待分析台风的特征因子,所述特征因子包括:第一特征因子、第二特征因子以及第三特征因子。
在本发明实施例中,通过对台风的分析,可获取台风的多种特征因子,本发明将特征因子分为:第一特征因子、第二特征因子以及第三特征因子,具体的,第一特征因子包括:移动速度、风速、中心气压、七级风圈半径、发生月份;第二特征因子包括:发源地、登陆点;第三特征因子包括:台风路径。
步骤S102,通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风,包括:从所述历史台风中获取第一历史台风,从所述第一历史台风中获取第二历史台风,从所述第二历史台风中获取第三历史台风,所述第一历史台风为与所述待分析台风的第三特征因子相似度最高的多个历史台风,所述第二历史台风为与所述待分析台风的第二特征因子相似度最高的多个历史台风,所述第三历史台风为与所述待分析台风的第一特征因子相似度最高的多个历史台风。
在本发明实施例中,数据库中保存有多个的台风的特征因子,这些特征因子也被分为第一特征因子、第二特征因子以及第三特征因子,通过预设的分析算法的分析依次获取待分析台风的特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风,具体为:从所述历史台风中获取第一历史台风,从所述第一历史台风中获取第二历史台风,从所述第二历史台风中获取第三历史台风,所述第一历史台风为与所述待分析台风的第三特征因子相似度最高的多个历史台风,所述第二历史台风为与所述待分析台风的第二特征因子相似度最高的多个历史台风,所述第三历史台风为与所述待分析台风的第一特征因子相似度最高的多个历史台风。
所述通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,包括:
通过一维序列相似性分析算法获取第一特征因子的相似度,通过距离算法获取第二特征因子的相似度,通过加权廊道路径相似分析算法获取第三特征因子的相似度。
在本发明实施例,对于不同的特征因子使用不同的分析算法分析其相似度:
对于第一特征因子,除了发生月份,使用一维序列相似性分析算法获取相似度。以数据库中台风的第一特征因子序列中与待分析台风起始点距离最近的点作为第一特征因子起始点,从此作为起始点更新各场历史台风第一特征因子序列;将待分析台风与更新后的各场历史台风第一特征因子序列标准差作为相似特征值;根据特征值与相似度对应关系计算相似度。具体为:
提取待分析台风TPdfx的第一特征因子:等时距序列{t1,t2,t3…tmdfx};
提取分析列表ListN中历史台风数量N;
提取分析列表ListN中N场历史台风的第一特征因子:等时距序列{t1,t2,t3…tmi};
通过插值易得等时距序列{t1i,t2i,t3i…tmi}t对应站点位置{d1i,d2i,d3i…dmi},计算点系列{d1i,d2i,d3i…dmi}与待分析台风TPdfx起始点距离{jl1i,jl2i,jl3i…jlmi}。
通过排序算法获取距离最近点作为第一特征因子起始点。
从因子起始点开始更新各场历史台风第一特征因子序列{tqsi,t(qs+1)i…tmi},序列长度记为mqi;
根据公式相似特征值,其中,TZi为各场历史台风一维序列相似特征值,mit为分析序列长度,mit=min(mdfx,mqi),tk为待分析台风一维序列中第k个值,t(qs+k-1)i为第i场历史台风从因子起始点开始第k个值;
根据公式以及特征值与相似度的对应关系计算相似度,其中,XSDi为第i场历史台风一维序列因子相似度,TZi为各场历史台风一维序列相似特征值;mdfx为待分析台风TPdfx等距离点序列数据个数;tk为待分析台风一维序列中第k个值。
对于第二特征因子,将点的空间距离作为相似特征值,距离越近排名越靠前,根据空间距离与因子相似度的对应关系计算因子相似度。
对于第三特征因子,使用加权廊道路径相似分析算法获取相似度。加权廊道路径相似分析算法以待分析台风等距离点序列位置为圆心建立圆心范围,以该圆心范围作为待分析台风廊道;若有历史台风点进入某圆心范围,则对于此场历史台风该圆心对应点标记为相似点;以此为基础计算历史台风加权廊道相似特征值和相似度。具体为:
提取待分析台风TPdfx的第三特征因子:等距离点序列{d1,d2,d3…dmdfx};
提取分析列表List中历史台风数量n;
提取分析列表List中n场历史台风的第三特征因子:等距离点序列{d1i,d2i,d3i…dmi};
根据需求选择TPdfx路径点权重{Q1,Q2,Q3…Qmdfx},台风进入24小时警戒圈后的路径更受关注,推荐适当提高此段权重;
以等距点序列{d1,d2,d3…dmdfx}中各点为圆心、R为半径建立mdfx个圆心范围,作为待分析台风TPdfx廊道;
对于第i场历史台风,若根据拓扑分析有路径点位于待分析台风TPdfx第k个廊道圆内,则该廊道圆对应圆心点标记为对于第i场历史台风相似点,标记BJik=1,反之BJik=0;
根据公式计算历史台风加权廊道相似度特征值,其中,TZi为各场历史台风加权廊道相似特征值;mdfx为待分析台风TPdfx等距离点序列数据个数;Qk为待分析台风TPdfx等距离点序列中第k个点的权重;BJik为待分析台风TPdfx等距离点序列第k个点对于第i场历史台风是否为相似点的标记;
步骤S103,通过预设的权重根据从所述多个历史台风中获取所述待分析台风的相似台风。
在本发明实施例中,对不同的特征因子设置不同的权重,将该权重与各因子的相似度相结合,即可从多个历史台风中获取最终的相似台风。
需要指出的是,权重可以根据实际计算的需要进行设定,本发明不进行限定。
本发明实施例,获取待分析台风的特征因子,通过预设的分析算法依次获取特征因子与数据库中保存的历史台风的特征因子的相似度,根据相似度获取多个历史台风,通过预设的权重从多个历史台风中获取待分析台风的相似台风,使得相似台风分析不再局限于路径分析,提高了获取相似台风的精确度。
如图2所示为本发明一示例性实施例示出的一种获取相似台风的系统的结构图,所述系统包括:
特征因子获取单元201,用于获取待分析台风的特征因子,所述特征因子包括:第一特征因子、第二特征因子以及第三特征因子。
在本发明实施例中,通过对台风的分析,可获取台风的多种特征因子,本发明将特征因子分为:第一特征因子、第二特征因子以及第三特征因子,具体的,第一特征因子包括:移动速度、风速、中心气压、七级风圈半径、发生月份;第二特征因子包括:发源地、登陆点;第三特征因子包括:台风路径。
历史台风获取单元202,用于通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风,包括:从所述历史台风中获取第一历史台风,从所述第一历史台风中获取第二历史台风,从所述第二历史台风中获取第三历史台风,所述第一历史台风为与所述待分析台风的第三特征因子相似度最高的多个历史台风,所述第二历史台风为与所述待分析台风的第二特征因子相似度最高的多个历史台风,所述第三历史台风为与所述待分析台风的第一特征因子相似度最高的多个历史台风。
在本发明实施例中,数据库中保存有多个的台风的特征因子,这些特征因子也被分为第一特征因子、第二特征因子以及第三特征因子,通过预设的分析算法的分析依次获取待分析台风的特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风,具体为:从所述历史台风中获取第一历史台风,从所述第一历史台风中获取第二历史台风,从所述第二历史台风中获取第三历史台风,所述第一历史台风为与所述待分析台风的第三特征因子相似度最高的多个历史台风,所述第二历史台风为与所述待分析台风的第二特征因子相似度最高的多个历史台风,所述第三历史台风为与所述待分析台风的第一特征因子相似度最高的多个历史台风。
所述通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,包括:
通过一维序列相似性分析算法获取第一特征因子的相似度,通过距离算法获取第二特征因子的相似度,通过加权廊道路径相似分析算法获取第三特征因子的相似度。
在本发明实施例,对于不同的特征因子使用不同的分析算法分析其相似度:
对于第一特征因子,除了发生月份,使用一维序列相似性分析算法获取相似度。以数据库中台风的第一特征因子序列中与待分析台风起始点距离最近的点作为第一特征因子起始点,从此作为起始点更新各场历史台风第一特征因子序列;将待分析台风与更新后的各场历史台风第一特征因子序列标准差作为相似特征值;根据特征值与相似度对应关系计算相似度。具体为:
提取待分析台风TPdfx的第一特征因子:等时距序列{t1,t2,t3…tmdfx};
提取分析列表ListN中历史台风数量N;
提取分析列表ListN中N场历史台风的第一特征因子:等时距序列{t1,t2,t3…tmi};
通过插值易得等时距序列{t1i,t2i,t3i…tmi}t对应站点位置{d1i,d2i,d3i…dmi},计算点系列{d1i,d2i,d3i…dmi}与待分析台风TPdfx起始点距离{jl1i,jl2i,jl3i…jlmi}。
通过排序算法获取距离最近点作为第一特征因子起始点。
从因子起始点开始更新各场历史台风第一特征因子序列{tqsi,t(qs+1)i…tmi},序列长度记为mqi;
根据公式相似特征值,其中,TZi为各场历史台风一维序列相似特征值,mit为分析序列长度,mit=min(mdfx,mqi),tk为待分析台风一维序列中第k个值,t(qs+k-1)i为第i场历史台风从因子起始点开始第k个值;
根据公式以及特征值与相似度的对应关系计算相似度,其中,XSDi为第i场历史台风一维序列因子相似度,TZi为各场历史台风一维序列相似特征值;mdfx为待分析台风TPdfx等距离点序列数据个数;tk为待分析台风一维序列中第k个值。
对于第二特征因子,将点的空间距离作为相似特征值,距离越近排名越靠前,根据空间距离与因子相似度的对应关系计算因子相似度。
对于第三特征因子,使用加权廊道路径相似分析算法获取相似度。加权廊道路径相似分析算法以待分析台风等距离点序列位置为圆心建立圆心范围,以该圆心范围作为待分析台风廊道;若有历史台风点进入某圆心范围,则对于此场历史台风该圆心对应点标记为相似点;以此为基础计算历史台风加权廊道相似特征值和相似度。具体为:
提取待分析台风TPdfx的第三特征因子:等距离点序列{d1,d2,d3…dmdfx};
提取分析列表List中历史台风数量n;
提取分析列表List中n场历史台风的第三特征因子:等距离点序列{d1i,d2i,d3i…dmi};
根据需求选择TPdfx路径点权重{Q1,Q2,Q3…Qmdfx},台风进入24小时警戒圈后的路径更受关注,推荐适当提高此段权重;
以等距点序列{d1,d2,d3…dmdfx}中各点为圆心、R为半径建立mdfx个圆心范围,作为待分析台风TPdfx廊道;
对于第i场历史台风,若根据拓扑分析有路径点位于待分析台风TPdfx第k个廊道圆内,则该廊道圆对应圆心点标记为对于第i场历史台风相似点,标记BJik=1,反之BJik=0;
根据公式计算历史台风加权廊道相似度特征值,其中,TZi为各场历史台风加权廊道相似特征值;mdfx为待分析台风TPdfx等距离点序列数据个数;Qk为待分析台风TPdfx等距离点序列中第k个点的权重;BJik为待分析台风TPdfx等距离点序列第k个点对于第i场历史台风是否为相似点的标记;
相似台风获取单元203,用于通过预设的权重根据从所述多个历史台风中获取所述待分析台风的相似台风。
需要指出的是,权重可以根据实际计算的需要进行设定,本发明不进行限定。
在本发明实施例中,对不同的特征因子设置不同的权重,将该权重与各因子的相似度相结合,即可从多个历史台风中获取最终的相似台风。
本发明实施例,获取待分析台风的特征因子,通过预设的分析算法依次获取特征因子与数据库中保存的历史台风的特征因子的相似度,根据相似度获取多个历史台风,通过预设的权重从多个历史台风中获取待分析台风的相似台风,使得相似台风分析不再局限于路径分析,提高了获取相似台风的精确度。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (2)
1.一种获取相似台风的方法,其特征在于,所述方法包括:
获取待分析台风的特征因子,所述特征因子包括:第一特征因子、第二特征因子以及第三特征因子;
通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风,包括:从所述历史台风中获取第一历史台风,从所述第一历史台风中获取第二历史台风,从所述第二历史台风中获取第三历史台风,所述第一历史台风为与所述待分析台风的第三特征因子相似度最高的多个历史台风,所述第二历史台风为与所述待分析台风的第二特征因子相似度最高的多个历史台风,所述第三历史台风为与所述待分析台风的第一特征因子相似度最高的多个历史台风;
通过预设的权重根据从所述多个历史台风中获取所述待分析台风的相似台风;
移动速度、风速、中心气压、七级风圈半径、发生月份,所述第二特征因子包括:发源地、登陆点,所述第三特征因子包括:台风路径;
所述通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,包括:
通过一维序列相似性分析算法获取第一特征因子的相似度,通过距离算法获取第二特征因子的相似度,通过加权廊道路径相似分析算法获取第三特征因子的相似度。
2.一种获取相似台风的系统,其特征在于,所述系统包括:
特征因子获取单元,用于获取待分析台风的特征因子,所述特征因子包括:第一特征因子、第二特征因子以及第三特征因子;
历史台风获取单元,用于通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,并根据所述相似度获取多个历史台风,包括:从所述历史台风中获取第一历史台风,从所述第一历史台风中获取第二历史台风,从所述第二历史台风中获取第三历史台风,所述第一历史台风为与所述待分析台风的第三特征因子相似度最高的多个历史台风,所述第二历史台风为与所述待分析台风的第二特征因子相似度最高的多个历史台风,所述第三历史台风为与所述待分析台风的第一特征因子相似度最高的多个历史台风;
相似台风获取单元,用于通过预设的权重根据从所述多个历史台风中获取所述待分析台风的相似台风;
所述第一特征因子包括:移动速度、风速、中心气压、七级风圈半径、发生月份,所述第二特征因子包括:发源地、登陆点,所述第三特征因子包括:台风路径;
所述通过预设的分析算法依次获取所述特征因子与数据库中保存的历史台风的特征因子的相似度,包括:
通过一维序列相似性分析算法获取第一特征因子的相似度,通过距离算法获取第二特征因子的相似度,通过加权廊道路径相似分析算法获取第三特征因子的相似度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710203945.7A CN107133636B (zh) | 2017-03-30 | 2017-03-30 | 一种获取相似台风的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710203945.7A CN107133636B (zh) | 2017-03-30 | 2017-03-30 | 一种获取相似台风的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133636A CN107133636A (zh) | 2017-09-05 |
CN107133636B true CN107133636B (zh) | 2020-06-16 |
Family
ID=59715765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710203945.7A Active CN107133636B (zh) | 2017-03-30 | 2017-03-30 | 一种获取相似台风的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133636B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919384B (zh) * | 2018-03-26 | 2022-05-24 | 宁波市水利水电规划设计研究院有限公司 | 一种基于预估偏差的台风路径集合预报方法 |
CN109297470B (zh) * | 2018-10-19 | 2021-01-29 | 中国计量大学 | 一种基于动力因素与路径信息的相似台风匹配算法 |
CN116401474B (zh) * | 2023-06-08 | 2023-09-12 | 航天宏图信息技术股份有限公司 | 多指标相似台风的检索方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156308A (zh) * | 2011-03-09 | 2011-08-17 | 南京恩瑞特实业有限公司 | 台风路径判别方法 |
CN102799772A (zh) * | 2012-07-03 | 2012-11-28 | 中山大学 | 面向空气质量预报的样本优化方法 |
CN104992434A (zh) * | 2015-06-23 | 2015-10-21 | 国家卫星气象中心 | 根据历史卫星图像在当前卫星图像上进行台风定位的方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
CN105488594A (zh) * | 2015-12-08 | 2016-04-13 | 南京信息工程大学 | 一种台风路径预测方法 |
-
2017
- 2017-03-30 CN CN201710203945.7A patent/CN107133636B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156308A (zh) * | 2011-03-09 | 2011-08-17 | 南京恩瑞特实业有限公司 | 台风路径判别方法 |
CN102799772A (zh) * | 2012-07-03 | 2012-11-28 | 中山大学 | 面向空气质量预报的样本优化方法 |
CN104992434A (zh) * | 2015-06-23 | 2015-10-21 | 国家卫星气象中心 | 根据历史卫星图像在当前卫星图像上进行台风定位的方法 |
CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
CN105488594A (zh) * | 2015-12-08 | 2016-04-13 | 南京信息工程大学 | 一种台风路径预测方法 |
Non-Patent Citations (1)
Title |
---|
利用 GIS 空间分析进行台风相似路径筛选及预测;王喜娜 等;《测绘通报》;20141231(第5期);第115-118页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107133636A (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169426B (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
CN105409306B (zh) | 移动终端位置预测方法及装置 | |
CN104317681B (zh) | 针对计算机系统的行为异常自动检测方法及检测系统 | |
CN107133636B (zh) | 一种获取相似台风的方法和系统 | |
CN109800863B (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
CN110991690B (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
CN107948166A (zh) | 基于深度学习的流量异常检测方法及装置 | |
CN107133269A (zh) | 基于移动目标的频繁位置轨迹生成方法及装置 | |
JP6362808B1 (ja) | 情報処理装置および情報処理方法 | |
CN102999664B (zh) | 一种室内污染源位置识别方法 | |
CN109242049A (zh) | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 | |
CN114488988A (zh) | 用于生产线平衡率调控的工业物联网及控制方法 | |
CN104067314A (zh) | 人形图像分割方法 | |
CN109508745A (zh) | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 | |
CN108415884B (zh) | 一种结构模态参数实时追踪方法 | |
CN110443287B (zh) | 一种基于稀疏轨迹数据的人群移动流绘制方法 | |
CN110598775B (zh) | 基于模糊聚类和bp神经网络的预测方法、系统及存储介质 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN110376290A (zh) | 基于多维核密度估计的声发射源定位方法 | |
CN109271466A (zh) | 一种基于层次聚类与k均值算法的气象数据分析方法 | |
CN103902798B (zh) | 数据预处理方法 | |
CN106935038B (zh) | 一种停车检测系统及检测方法 | |
CN106205637A (zh) | 音频信号的噪声检测方法与装置 | |
Hassan et al. | Real-time road cracks detection based on improved deep convolutional neural network | |
CN110135451A (zh) | 一种基于点到线段集距离的航迹聚类方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 315000 3rd floor, building 2, No. 150, Changpu Road, jishigang Town, Haishu District, Ningbo City, Zhejiang Province Applicant after: Ningbo water conservancy and hydropower planning and Design Institute Co., Ltd Address before: 315000 No. 64 fish Road, Haishu District, Zhejiang, Ningbo Applicant before: Ningbo water conservancy and hydropower planning and Design Institute |
|
GR01 | Patent grant | ||
GR01 | Patent grant |