CN108897073A - 基于北斗信号及地面无线信号的天气预测方法 - Google Patents
基于北斗信号及地面无线信号的天气预测方法 Download PDFInfo
- Publication number
- CN108897073A CN108897073A CN201810637395.4A CN201810637395A CN108897073A CN 108897073 A CN108897073 A CN 108897073A CN 201810637395 A CN201810637395 A CN 201810637395A CN 108897073 A CN108897073 A CN 108897073A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise ratio
- weather
- data
- beidou
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Atmospheric Sciences (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的于北斗信号及地面无线信号的天气预测方法,涉及天气预报技术领域,结合北斗定位信号与地面无线信号,通过采用训练后的数据融合模型和神经网络预测模型进行天气预测,使得神经网络预测模型易于训练,提高了现有天气预测方法的准确度,解决了现有现有天气预测方法存在的循环神经网络模型难以训练及预报的准确度不高的缺陷。
Description
技术领域
本发明涉及天气预报技术领域,具体涉及一种基于北斗信号及地面无线信号的天气预测方法。
背景技术
随着近年来人工智能技术的发展,基于数据挖掘和机器学习的智能算法的应用覆盖了几乎整个工商业领域,在无线通信方面,其在信道估计与预测、智能发射与接收、干扰信号识别等方面有着重要作用,具有十分广泛的应用价值和前景。
天气预测是通过对现有的大量气象数据(温度、湿度、气压等),并对结合气象学认知对未来大气状态的预测。由于大气状态的复杂性与不稳定性,往往会产生一定的预测误差。在北斗定位中,信号会受到传输路径上电离层电子浓度与对流层大气状态的影响,产生一定的延迟与衰落,结合相关的气象学理论知识,经过统计分析,便可获知接收信号与天气状况的关系。
基于模式识别的分类算法除了近邻、决策树、贝叶斯决策、支持向量机SVM(Support Vector Machine,SVM)、误差反向传播BP(Error Back Propagation Training,BP)神经网络分类器等等外,还可以采用组合的多个个体学习器,以达到比个体学习器更优的性能。
传统的机器学习方法往往无法对带有时间序列的数据进行预测,上世纪80年代末神经网络专家如Jordan,Pineda.Williams,Elman等提出的一种循环神经网络模型,该模型能够通过内部状态机的转移可有效地展示数据的时序行为,但是该循环神经网络模型包含了大量参数,导致难以对其进行训练且天气预测的准确度不高。
发明内容
为解决现有技术的不足,本发明实施例提供了一种基于北斗信号及地面无线信号的天气预测方法,该方法包括以下步骤:
Step1:在基站BS处及设定的时间段内,持续接收北斗信号和地面无线信号并分别提取北斗信号的延迟与信噪比及地面无线信号的信噪比;
Step2:在时间段内,以小时为单位,抽取北斗信号的延迟与信噪比、地面无线信号的信噪比及时段内的天气状况,计算时段内所述北斗信号的延迟与信噪比的均值与方差及地面无线信号的信噪比的均值与方差并对北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差进行预处理,对天气状况进行编码,生成与天气状况对应的天气编码;
Step3:将北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码作为训练样本,根据训练样本,对学习器进行训练,生成数据分类模型,数据分类模型根据贝叶斯融合算法,生成数据融合模型,数据融合模型对经学习器分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码进行融合;
Step4:将融合后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码按照时间序列划分为若干个窗口大小为M的数据集合,将前K组数据作为训练样本进行输入、后M-K组数据作为验证数据,采用前K组数据,对神经网络进行训练,生成预测神经网络模型,其中,M、K均为自然数,K≤M;
Step5:从数据集合中,选取时间序列为N-(K+1)~N的数据作为预测神经网络模型的输入数据,将预测神经网络模型输出的数据作为数据融合模型的输入数据,将数据融合模型输出的数据与天气编码相比较,确定最终预测的天气状况,其中,N为自然数;
Step6:发布天气状况。
优选地,对北斗信号的延迟与信噪比、无线信号的信噪比进行预处理包括:
对北斗信号的延迟与信噪比、无线信号的信噪比进行平滑及去噪处理。
优选地,对天气状况进行编码包括:
对该时段内的天气状况进行二进制编码,其中,各个二进制编码的汉明距离相同。
优选地,学习器包括:
近邻算法、支持向量机及神经网络分类器。
优选地,预测神经网络模型包括:
长短期记忆网络LSTM模型及选通重复单元GRU模型。
本发明实施例提供的基于北斗信号及地面无线信号的天气预测方法的有益之处在于:
(1)利用无线信号统计特性随天气变化这一特点,通过多天线基站BS对北斗定位信号与地面无线信号在长时间段内观测的信号数据进行数据挖掘,来获知垂直大气分布和小范围内水平大气分布,简化了气象观测模型,提高了现有气象观测模型的可靠性,且易于实现。
(2)将观测时间内的信号数据进行处理,并分别使其转化为适用于集成学习的分类样本和深度学习的时间序列预测样本,并通过配制模型的参数,提高了现有天气预测的准确度。
附图说明
图1是本发明实施例提供的基于北斗信号及地面无线信号的天气预测方法的应用场景示意图;
图2是本发明实施例提供的基于北斗信号及地面无线信号的天气预测方法的流程示意图;
图3是本发明实施例提供的基于北斗信号及地面无线信号的天气预测方法中生成预测神经网络模型的过程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍
参照图1,本发明实施例提供的基于北斗信号及地面无线信号的天气预测方法的应用场景包括:多个地面移动设备、基站及北斗卫星导航系统。其中,地面移动设备发射地面无线信号,北斗卫星导航系统发射北斗信号。
参照图2,本发明实施例提供的基于北斗信号及地面无线信号的天气预测方法包括以下步骤:
Step1:在基站BS处及设定的时间范围内,持续接收北斗信号和地面无线信号并分别提取所述北斗信号的延迟与信噪比及所述地面无线信号的信噪比。
其中,上述设定的时间范围可以为一天、两天…。
Step2:在所述时间段内,以小时为单位,抽取所述北斗信号的延迟与信噪比、所述地面无线信号的信噪比及所述时段内的天气状况,计算所述时段内所述北斗信号的延迟与信噪比的均值与方差及所述地面无线信号的信噪比的均值与方差并对所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差进行预处理,对所述时段内的天气状况进行编码,生成与所述天气状况对应的天气编码。
其中,在多天线基站BS处接收一段时间内的第I路载波频率为1561.198Mhz的北斗信号B1I及周围(1km半径内)无线用户的信号,对于第j个卫星的B1I信号,其信号表达式如公式(1)所示:
其中,由于电离层延迟可以利用双频信号将其影响消除,因此可以算出因不同天气状况下大气产生的延迟,此外,通过对信号振幅AB1I进行采样,并根据噪声功率算出信噪比,同理,也可以计算出地面无线信号的信噪比。将北斗信号的延迟与信噪比及地面无线信号的信噪比以小时为单位进行统计,并分别计算该段时间内统计数据的均值与方差,并将信号统计数据进行预处理。
Step3:将所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差及所述天气编码作为训练样本,根据所述训练样本,对学习器进行训练,生成数据分类模型,所述数据分类模型根据贝叶斯融合算法,生成数据融合模型,所述数据融合模型对经学习器分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码进行融合。
其中,学习器为不同类型及数量的学习器的组合,其中,学习器的数量和类型可以调节。
进一步地,对学习器进行训练的过程如下:
随机抽取北斗信号延迟、北斗信号信噪比、地面无线信号信噪比和统计时间内的天气状况作为训练样本,对于每个集成分类器设置不同的学习器的种类以及数量,以保证其差异性,并进行结合,从而得到集成学习的结果;最后,对集成学习训练结果进行误差分析,修改权值以及其他参数。另外在集成学习器中,可选择KNN、SVM、感知器作为学习器,提高学习器的差异性。
在一个示例中,对北斗信号延迟、北斗信号信噪比、地面无线信号信噪比和统计时间内的天气状况进行结合的过程如公式(2)所示:
结合策略可采用投票法从分类集合{c1,c2,…,cN}中预测出一个标记,最常见的结合策略是投票法,将hj在样本x上的预测输出表示为一个N维向量其中表示在hi类标记cj上的输出。
进一步地,对于贝叶斯融合算法的过程如下:
基站BS的每根天线有自身观测的数据和相应的集成分类算法来对该信号进行识别,以判别其天气状况。对于先验概率,可从样本数据统计获取;对于条件概率,可从分类器训练过程统计获取,即能够在已知物体为j类型的条件下,分类器能够判别该天线信号属于哪种天气的概率。然后假设每根天线识别结果相互独立,根据多维贝叶斯公式联合所有的天线的条件概率即可得到最终的贝叶斯融合结果,即当天线1判决为D1,当天线2判决为D2等的条件下从S种天气类型中融合判决的是第j种天气的概率可以用式(3)表示:
P(Oj|D1∩D2…∩DN),j=1,…,S (3)
计算处于最大值所对应的天气类型作为最后的判决结果,这种判决法则成为最大后验概率判决准则。
Step4:将融合后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码按照时间序列划分为若干个窗口大小为M的数据集合,将前K组数据作为训练样本进行输入、后M-K组数据作为验证数据,采用前K组数据,对神经网络进行训练,生成预测神经网络模型,其中,M、K均为自然数,K≤M,具体过程参见图3。
Step5:从所述数据集合中,选取时间序列为N-(K+1)~N的数据作为所述预测神经网络模型的输入数据,将预测神经网络模型输出的数据作为所述数据融合模型的输入数据,将所述数据融合模型输出的数据与所述天气编码相比较,确定最终预测的天气状况,其中,N为自然数。
其中,上述Step1中分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差均为二进制数据,可以通过计算该二进制数据的最小码本距离并参照表1即可得到预测天气状况。
Step6:发布所述天气状况。
在一个示例中,可在基站BS处将预测的天气状况通过无线网络发布至移动端设备,或者将预测的天气状况上传至4G/5G核心网,对预测的天气状况数据可进一步处理。
可选地,对所述北斗信号的延迟与信噪比、所述无线信号的信噪比进行预处理包括:
对所述北斗信号的延迟与信噪比、所述无线信号的信噪比进行平滑及去噪处理。
可选地,对所述天气状况进行编码包括:
对所述时段内的天气状况进行二进制编码,其中,各个二进制编码的汉明距离都相同。
在一个示例中,对天气状况可进行如表1所示的编码:
表1
其中,AB1I(t)表示信号振幅,表示测距码,表示导航电文。任意两种天气的汉明距离都为1,因此该编码方式可将天气状况等距划分。
可选地,所述学习器包括:
近邻算法、支持向量机及神经网络分类器,也可以为其他类型的分类器。
可选地,所述预测神经网络模型包括:
长短期记忆网络LSTM模型及选通重复单元GRU模型,也可以为其他类型的预测神经网络模型。
本发明实施例提供的基于北斗信号及地面无线信号的天气预测方法,结合北斗定位信号与地面无线信号,通过采用训练后的数据融合模型和神经网络预测模型进行天气预测,使得神经网络预测模型易于训练,提高了现有天气预测方法的准确度。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请可采用在一个或多个其中包含有计算机可用程序代码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。
本申请是参照根据本申请实施例的方法、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指令实现流程图和/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指令到通用计算机、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指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。
这些计算机程序指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指令产生包括指令装置的制造品,该指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。
这些计算机程序指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指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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请可采用在一个或多个其中包含有计算机可用程序代码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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种基于北斗信号及地面无线信号的天气预测方法,其特征在于,包括以下步骤:
Step1:在基站BS处及设定的时间段内,持续接收北斗信号和地面无线信号并分别提取所述北斗信号的延迟与信噪比及所述地面无线信号的信噪比;
Step2:在所述时间段内,以小时为单位,抽取所述北斗信号的延迟与信噪比、所述地面无线信号的信噪比及所述时段内的天气状况,计算所述时段内所述北斗信号的延迟与信噪比的均值与方差及所述地面无线信号的信噪比的均值与方差并对所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差进行预处理,对所述天气状况进行编码,生成与所述天气状况对应的天气编码;
Step3:将所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差及所述天气编码作为训练样本,根据所述训练样本,对学习器进行训练,生成数据分类模型,所述数据分类模型根据贝叶斯融合算法,生成数据融合模型,所述数据融合模型对经学习器分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码进行融合;
Step4:将融合后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码按照时间序列划分为若干个窗口大小为M的数据集合,将前K组数据作为训练样本进行输入、后M-K组数据作为验证数据,采用前K组数据,对神经网络进行训练,生成预测神经网络模型,其中,M、K均为自然数,K≤M;
Step5:从所述数据集合中,选取时间序列为N-(K+1)~N的数据作为所述预测神经网络模型的输入数据,将预测神经网络模型输出的数据作为所述数据融合模型的输入数据,将所述数据融合模型输出的数据与所述天气编码相比较,确定最终预测的天气状况,其中,N为自然数;
Step6:发布所述天气状况。
2.根据权利要求1所述的方法,其特征在于,对所述北斗信号的延迟与信噪比、所述无线信号的信噪比进行预处理包括:
对所述北斗信号的延迟与信噪比、所述无线信号的信噪比进行平滑及去噪处理。
3.根据权利要求1所述的方法,其特征在于,对所述天气状况进行编码包括:
对所述时段内的天气状况进行二进制编码,其中,各个二进制编码的汉明距离相同。
4.根据权利要求1所述的方法,其特征在于,所述学习器包括:
近邻算法、支持向量机及神经网络分类器。
5.根据权利要求1所述的方法,其特征在于,所述预测神经网络模型包括:
长短期记忆网络LSTM模型及选通重复单元GRU模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637395.4A CN108897073A (zh) | 2018-06-20 | 2018-06-20 | 基于北斗信号及地面无线信号的天气预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637395.4A CN108897073A (zh) | 2018-06-20 | 2018-06-20 | 基于北斗信号及地面无线信号的天气预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108897073A true CN108897073A (zh) | 2018-11-27 |
Family
ID=64345614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810637395.4A Pending CN108897073A (zh) | 2018-06-20 | 2018-06-20 | 基于北斗信号及地面无线信号的天气预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108897073A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873779A (zh) * | 2019-01-30 | 2019-06-11 | 浙江工业大学 | 一种基于lstm的分级式无线信号调制类型识别方法 |
CN110231634A (zh) * | 2019-05-15 | 2019-09-13 | 西安交通大学 | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 |
CN110555378A (zh) * | 2019-07-29 | 2019-12-10 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
CN111474863A (zh) * | 2019-01-23 | 2020-07-31 | 顺丰科技有限公司 | 天气识别模型构建方法、识别方法及装置 |
CN113139327A (zh) * | 2020-01-19 | 2021-07-20 | 中国科学院国家空间科学中心 | 一种基于gru网络模型的电离层tec单点预测方法及系统 |
CN114563834A (zh) * | 2022-04-27 | 2022-05-31 | 知一航宇(北京)科技有限公司 | 一种数值预报产品解释应用方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997021119A1 (en) * | 1995-12-04 | 1997-06-12 | University Corporation For Atmospheric Research | Atmospheric water vapor sensing system using global positioning satellites |
CN102455304A (zh) * | 2011-07-12 | 2012-05-16 | 北京汇美电子技术有限公司 | 基于北斗卫星的大气层水汽测量方法 |
CN105842692A (zh) * | 2016-03-17 | 2016-08-10 | 中国科学院遥感与数字地球研究所 | 一种insar测量中的大气校正方法 |
CN107356554A (zh) * | 2017-06-20 | 2017-11-17 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
-
2018
- 2018-06-20 CN CN201810637395.4A patent/CN108897073A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997021119A1 (en) * | 1995-12-04 | 1997-06-12 | University Corporation For Atmospheric Research | Atmospheric water vapor sensing system using global positioning satellites |
CN102455304A (zh) * | 2011-07-12 | 2012-05-16 | 北京汇美电子技术有限公司 | 基于北斗卫星的大气层水汽测量方法 |
CN105842692A (zh) * | 2016-03-17 | 2016-08-10 | 中国科学院遥感与数字地球研究所 | 一种insar测量中的大气校正方法 |
CN107356554A (zh) * | 2017-06-20 | 2017-11-17 | 东南大学 | 一种基于神经网络的反演大气可降水量的modis模型改进方法 |
CN107703564A (zh) * | 2017-10-13 | 2018-02-16 | 中国科学院深圳先进技术研究院 | 一种降雨预测方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
WARE, RH;FULKER, DW;ET AL: "Real-time national GPS networks for atmospheric sensing", 《JOURNAL OF ATMOSPHERIC AND SOLAR-TERRESTRIAL PHYSICS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474863A (zh) * | 2019-01-23 | 2020-07-31 | 顺丰科技有限公司 | 天气识别模型构建方法、识别方法及装置 |
CN109873779A (zh) * | 2019-01-30 | 2019-06-11 | 浙江工业大学 | 一种基于lstm的分级式无线信号调制类型识别方法 |
CN109873779B (zh) * | 2019-01-30 | 2021-05-11 | 浙江工业大学 | 一种基于lstm的分级式无线信号调制类型识别方法 |
CN110231634A (zh) * | 2019-05-15 | 2019-09-13 | 西安交通大学 | 一种信号捕获阶段基于lstm的gnss欺骗干扰检测方法及系统 |
CN110555378A (zh) * | 2019-07-29 | 2019-12-10 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
CN110555378B (zh) * | 2019-07-29 | 2023-01-17 | 咪咕文化科技有限公司 | 基于直播视频的天气预测方法、系统及天气预测装置 |
CN113139327A (zh) * | 2020-01-19 | 2021-07-20 | 中国科学院国家空间科学中心 | 一种基于gru网络模型的电离层tec单点预测方法及系统 |
CN113139327B (zh) * | 2020-01-19 | 2024-03-12 | 中国科学院国家空间科学中心 | 一种基于gru网络模型的电离层tec单点预测方法及系统 |
CN114563834A (zh) * | 2022-04-27 | 2022-05-31 | 知一航宇(北京)科技有限公司 | 一种数值预报产品解释应用方法及系统 |
CN114563834B (zh) * | 2022-04-27 | 2022-07-26 | 知一航宇(北京)科技有限公司 | 一种数值预报产品解释应用方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897073A (zh) | 基于北斗信号及地面无线信号的天气预测方法 | |
CN110363449A (zh) | 一种风险识别方法、装置及系统 | |
CN103679263B (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
Grace et al. | Machine learning based rainfall prediction | |
Vijayabaskar et al. | Crop prediction using predictive analytics | |
CN106951919A (zh) | 一种基于对抗生成网络的流速监测实现方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
CN110472665A (zh) | 模型训练方法、文本分类方法及相关装置 | |
Zhukov et al. | Machine learning methodology for ionosphere total electron content nowcasting | |
CN108984785A (zh) | 一种基于历史数据和增量的指纹库的更新方法及装置 | |
CN110263979A (zh) | 基于强化学习模型预测样本标签的方法及装置 | |
CN105005782A (zh) | 一种基于多时相遥感数据及光谱数据的全球精细植被分类方法 | |
CN104376335A (zh) | 一种基于信息熵的半监督高光谱遥感影像分类方法 | |
CN114925938B (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN102945553A (zh) | 基于自动差分聚类算法的遥感图像分割方法 | |
Chen et al. | Generative machine learning methods for multivariate ensemble postprocessing | |
Gumilar et al. | Performance analysis of hybrid machine learning methods on imbalanced data (rainfall classification) | |
Quezada-Gaibor et al. | Surimi: Supervised radio map augmentation with deep learning and a generative adversarial network for fingerprint-based indoor positioning | |
CN107633421A (zh) | 一种市场预测数据的处理方法及装置 | |
Al-Thaedan et al. | Downlink throughput prediction using machine learning models on 4G-LTE networks | |
Bibb et al. | Machine learning for source localization in urban environments | |
CN109889981A (zh) | 一种基于二分类技术的定位方法及系统 | |
KR20220159746A (ko) | 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 | |
Benáček et al. | Postprocessing of Ensemble Weather Forecast Using Decision Tree–Based Probabilistic Forecasting Methods |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20210924 |
|
AD01 | Patent right deemed abandoned |