CN108920655A - 一种道路天气信息系统时空覆盖范围量化方法及装置 - Google Patents
一种道路天气信息系统时空覆盖范围量化方法及装置 Download PDFInfo
- Publication number
- CN108920655A CN108920655A CN201810718726.7A CN201810718726A CN108920655A CN 108920655 A CN108920655 A CN 108920655A CN 201810718726 A CN201810718726 A CN 201810718726A CN 108920655 A CN108920655 A CN 108920655A
- Authority
- CN
- China
- Prior art keywords
- data
- weather information
- space
- information system
- time
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了道路天气信息系统时空覆盖范围量化方法及装置。其中，该方法，包括对天气信息传感器分组编号，根据分组编号的天气信息传感器采集到的道路天气数据进行对应分组存储，进而构建出道路天气信息系统数据库；对道路天气信息系统数据库中的数据进行质量诊断，去除无效和错误数据；利用质量诊断后的数据，采用经验变差函数来构建并拟合至少两种类型的时空变差函数模型，以得到拟合的模型参数和拟合优度；通过比较构建的所有时空变差函数模型的拟合优度，选择最优拟合模型，确定出道路天气数据时空覆盖范围。其将道路天气信息系统时空覆盖范围可量化、可视化且考虑了时空因素共同作用。
Description
技术领域
本发明属于交通信息领域，尤其涉及一种道路天气信息系统时空覆盖范围量化方法及装置。
背景技术
道路天气影响着交通状况，据统计，约有22％的道路交通事故和25％的行程延迟与不良天气有关。不良天气不仅会使道路行驶条件恶化，也严重影响着驾驶员的驾驶行为。道路特殊地理状况使得道路天气变化无常，容易在局部产生雨、雪、雾等短时或长时特殊天气状况，此类天气状况较难通过气象部门预测获得。因此，及时收集及处理道路天气状况，建立相应的信息系统，并利用量化方法研究道路天气信息系统数据的时空覆盖范围十分必要。
为解决道路天气信息采集问题，国内外高等级公路沿线以布设气象监测仪器及视频监测仪器等方式建立固定道路天气信息系统(Stationary Road Weather InformationSystem)监测站，或通过调度配备了非侵入式光谱传感器的车辆形成移动道路天气信息系统(Mobile Road Weather Information System)监测车。
作为目前道路天气信息的主要来源，固定道路天气信息系统提供了一定的空间内、高时间覆盖率的道路天气相关数据，是一种时间连续但空间离散的采样网络，而作为重要辅助的移动道路天气信息系统提供的是空间连续而时间离散的数据。此外，新兴的智能网联车技术使得两者之间的数据实时传输和共享成为可能，从而可以将两种数据融合构建出高时空覆盖率的道路天气信息数据库。
鉴于固定或移动道路天气信息系统的建设和运营成本较高，为了达到合理地布设数据监测站/车以获得同时兼顾成本效益、时空分辨率及覆盖范围的道路天气信息数据库的目的，需要对道路天气信息系统的时空覆盖范围进行量化。然而，现有的研究多采用经验方法来拓展道路天气信息系统网络，尚缺乏时空覆盖范围的量化方法。
发明内容
为了解决现有技术的不足，本发明的第一目的是提供一种道路天气信息系统时空覆盖范围量化方法，其将道路天气信息系统时空覆盖范围可量化、可视化，而且考虑了时空因素共同作用，达到准确量化道路天气信息系统时空覆盖范围的目的。
本发明的一种道路天气信息系统时空覆盖范围量化方法，包括：
步骤1：数据采集；
对天气信息传感器分组编号，根据分组编号的天气信息传感器采集到的道路天气数据进行对应分组存储，进而构建出道路天气信息系统数据库；
步骤2：数据质量诊断；
对道路天气信息系统数据库中的数据进行质量诊断，去除无效和错误数据；
步骤3：时空变差模型建模；
利用质量诊断后的数据，采用经验变差函数来构建并拟合至少两种类型的时空变差函数模型，以得到拟合的模型参数和拟合优度；
步骤4：模型拟合优度量化；
通过比较构建的所有时空变差函数模型的拟合优度，选择最优拟合模型，确定出道路天气数据时空覆盖范围。
进一步的，在所述步骤2中，对道路天气信息系统数据库中的数据进行质量诊断步骤包括数据完整性测试、预设范围测试和模型分析测试；
在数据完整性测试的过程中，若来自某一天气信息传感器的数据在一条记录中为空，则该记录被诊断为缺失数据；
在预设范围测试的过程中，超出预设范围的数据被视为错误数据；
在模型分析测试的过程中，超出可接受区域的数据被报告为无效数据。
本发明通过对道路天气信息系统数据库中的数据进行数据完整性测试、预设范围测试和模型分析测试这些质量诊断，去除无效和错误数据，使得拟合的时空变差函数模型更加准确，最终提高了道路天气数据时空覆盖范围量化的准确性。
进一步的，在预设范围测试的过程中，所述预设范围根据传感器规格，特定地理位置的气候范围和历史数据范围来确定。
需要说明的是，除了上述方式来确定预设范围之外，还可采用人为规定来进行限定，且人为规定的范围在根据传感器规格，特定地理位置的气候范围和历史数据范围来确定的范围内。
进一步的，在模型分析测试的过程中，所述可接受区域由广义相加模型根据一个记录中来自天气信息传感器的数据之间的关系来确定；一旦天气信息传感器的测量值超过模型估计值预先设定阈值范围，则测量结果被确定为无效数据。
进一步的，在所述步骤3中，所述时空变差函数模型包括可分离协方差变差函数、度量协方差变差函数及乘积和变差协方差函数。
需要说明的是，时空变差函数模型除了上述变差函数模型之外，还可采用其他变差函数来实现。
进一步的，在所述步骤4中，采用均方误差作为拟合优度指标，以选择出最优拟合模型。
需要说明的是，拟合优度指标除了均方误差之外，还可采用指标来衡量。
本发明的第二目的是提供一种道路天气信息系统时空覆盖范围量化装置，其将道路天气信息系统时空覆盖范围可量化、可视化，而且考虑了时空因素共同作用，达到准确量化道路天气信息系统时空覆盖范围的目的。
本发明的一种道路天气信息系统时空覆盖范围量化装置，包括道路天气信息系统时空覆盖范围量化处理器，所述道路天气信息系统时空覆盖范围量化处理器包括：
数据采集模块，其被配置为：对天气信息传感器分组编号，根据分组编号的天气信息传感器采集到的道路天气数据进行对应分组存储，进而构建出道路天气信息系统数据库；
数据质量诊断模块，其被配置为：对道路天气信息系统数据库中的数据进行质量诊断，去除无效和错误数据；
时空变差模型建模模块，其被配置为：利用质量诊断后的数据，采用经验变差函数来构建并拟合至少两种类型的时空变差函数模型，以得到拟合的模型参数和拟合优度；
模型拟合优度量化模块，其被配置为：通过比较构建的所有时空变差函数模型的拟合优度，选择最优拟合模型，确定出道路天气数据时空覆盖范围。
进一步的，在所述数据质量诊断模块中，对道路天气信息系统数据库中的数据进行质量诊断步骤包括数据完整性测试、预设范围测试和模型分析测试；
在数据完整性测试的过程中，若来自某一天气信息传感器的数据在一条记录中为空，则该记录被诊断为缺失数据；
在预设范围测试的过程中，超出预设范围的数据被视为错误数据；
在模型分析测试的过程中，超出可接受区域的数据被报告为无效数据。
本发明通过对道路天气信息系统数据库中的数据进行数据完整性测试、预设范围测试和模型分析测试这些质量诊断，去除无效和错误数据，使得拟合的时空变差函数模型更加准确，最终提高了道路天气数据时空覆盖范围量化的准确性。
进一步的，在预设范围测试的过程中，所述预设范围根据传感器规格，特定地理位置的气候范围和历史数据范围来确定。
需要说明的是，除了上述方式来确定预设范围之外，还可采用人为规定来进行限定，且人为规定的范围在根据传感器规格，特定地理位置的气候范围和历史数据范围来确定的范围内。
进一步的，在模型分析测试的过程中，所述可接受区域由广义相加模型根据一个记录中来自天气信息传感器的数据之间的关系来确定；一旦天气信息传感器的测量值超过模型估计值预先设定阈值范围，则测量结果被确定为无效数据。
进一步的，在所述时空变差模型建模模块中，所述时空变差函数模型包括可分离协方差变差函数、度量协方差变差函数及乘积和变差协方差函数。
需要说明的是，时空变差函数模型除了上述变差函数模型之外，还可采用其他变差函数来实现。
进一步的，在所述模型拟合优度量化模块中，采用均方误差作为拟合优度指标，以选择出最优拟合模型。
需要说明的是，拟合优度指标除了均方误差之外，还可采用指标来衡量。
与现有技术相比，本发明的有益效果是：
本发明基于道路天气信息库数据，诊断并去除无效和错误数据，通过构建并拟合不同类型的时空变差函数模型，得到拟合的模型参数和拟合优度，并通过比较不同模型的拟合优度，选择最优拟合模型，从而提取最优拟合模型的变程参数，确定数据的时空覆盖范围，使得道路天气信息系统时空覆盖范围可量化、可视化、且考虑了时空因素共同作用的，提高了道路天气信息系统时空覆盖范围量化的准确性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本发明的一种道路天气信息系统数据时空覆盖范围量化方法流程图。
图2(a)是本发明实施例的通过广义相加模型获得的用于识别可接受区域中日均气温与路面温度的非线性关系。
图2(b)是本发明实施例的通过广义相加模型获得的用于识别可接受区域中时间与路面温度的非线性关系。
图2(c)是本发明实施例的通过广义相加模型获得的用于识别可接受区域中纬度与路面温度的非线性关系。
图2(d)是本发明实施例的通过广义相加模型获得的用于识别可接受区域中经度与路面温度的非线性关系。
图3(a)是本发明实施例中2014年11月经验变差函数曲面。
图3(b)是本发明实施例中2014年11月拟合的乘积和协方差变差函数模型曲面。
图4是本发明道路天气信息系统时空覆盖范围量化处理器结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本发明的一种道路天气信息系统数据时空覆盖范围量化方法流程图。
如图1所示，本发明的一种道路天气信息系统时空覆盖范围量化方法，包括：
步骤1：数据采集；
对天气信息传感器分组编号，根据分组编号的天气信息传感器采集到的道路天气数据进行对应分组存储，进而构建出道路天气信息系统数据库。
例如：将监测站/车采集到的道路天气数据建立道路天气信息系统数据库。
现以某省2014年-2016年高速公路道路天气信息系统数据中路面温度为例，进行实例验证。数据来自省内48个道路天气信息系统监测站点。
步骤2：数据质量诊断；
对道路天气信息系统数据库中的数据进行质量诊断，去除无效和错误数据。
在该步骤中，对道路天气信息系统数据库中的数据进行质量诊断步骤包括数据完整性测试、预设范围测试和模型分析测试；
在数据完整性测试的过程中，若来自某一天气信息传感器的数据在一条记录中为空，则该记录被诊断为缺失数据；
在预设范围测试的过程中，超出预设范围的数据被视为错误数据；
在模型分析测试的过程中，超出可接受区域的数据被报告为无效数据。
本发明通过对道路天气信息系统数据库中的数据进行数据完整性测试、预设范围测试和模型分析测试这些质量诊断，去除无效和错误数据，使得拟合的时空变差函数模型更加准确，最终提高了道路天气数据时空覆盖范围量化的准确性。
其中，在预设范围测试的过程中，所述预设范围根据传感器规格，特定地理位置的气候范围和历史数据范围来确定。
需要说明的是，除了上述方式来确定预设范围之外，还可采用人为规定来进行限定，且人为规定的范围在根据传感器规格，特定地理位置的气候范围和历史数据范围来确定的范围内。
在模型分析测试的过程中，所述可接受区域由广义相加模型根据一个记录中来自天气信息传感器的数据之间的关系来确定；一旦天气信息传感器的测量值超过模型估计值预先设定阈值范围，则测量结果被确定为无效数据。
广义相加模型公式为：
m＝β0+f1(x1)+f2(x2)+...+fj(xj)
其中，m为所预测因变量；β0为截距；fi(xi)为变量xi的平滑函数。
在本实例选用的数据集之中，数据缺失率为1.76％，错误率为6.59％。为了在模型分析测试中识别错误的路面温度数据，将广义相加模型的预测因子选择为日均气温、时间、监测站的纬度和经度。应用R软件中的“mgcv”包拟合广义相加模型。图2(a)-图2(d)显示了从广义相加模型获得的用于识别可接受区域的非线性关系。超出模型估计值±20％的路面温度数据被定义为错误数据。
步骤3：时空变差模型建模；
利用质量诊断后的数据，采用经验变差函数来构建并拟合至少两种类型的时空变差函数模型，以得到拟合的模型参数和拟合优度。
在所述步骤3中，所述时空变差函数模型包括可分离协方差变差函数、度量协方差变差函数及乘积和变差协方差函数。
需要说明的是，时空变差函数模型除了上述变差函数模型之外，还可采用其他变差函数来实现。
经验变差函数可表示为：
其中，γ(hs,ht)为经验变异函数；z(sk,tk)为空间位置sk及时间位置tk上的观测值；n(hs,ht)观测点数据对数。
可分离协方差变差函数可表示为：
γst(hs,ht)＝sill·(γs(hs)+γt(ht)-γs(hs)·γt(ht))
度量协方差变差函数及乘积可表示为：
γst(hs,ht)＝(k·sillt+1)γs(hs)+(k·sills+1)γt(ht)-kγs(hs)γt(ht)
变差协方差函数可表示为：
其中，γst为时空变异函数；γt为时间变异函数；γs为空间变异函数；sill为总体基台值；k为正值；sills和sillt为空间、时间域的基台值；γj为任意存在块金效应的变异函数。
时空变差函数建模在R软件程序中编码。“gstat”包用于构建和拟合时空变差函数模型。根据任意两个时空数据点之间的变差函数建立每个月的经验时空变差函数。为了拟合经验时空变差函数，模型参数的一些初始值取自单纯空间变差函数和时间序列分析。然后使用“fit.StVariogram”函数拟合时空变差函数，使用L-BFGS-B优化算法估计模型参数。
步骤4：模型拟合优度量化；
通过比较构建的所有时空变差函数模型的拟合优度，选择最优拟合模型，确定出道路天气数据时空覆盖范围。
为了量化拟合的时空变差函数模型和经验变差函数之间的拟合优度，本发明选择均方误差作为有效性度量指标。均方差评估曲面之间的整体差异，可由以下公式计算。通过比较不同模型之间的均方误差MSE，选择具有最佳拟合优度的模型。提取最优拟合模型的变程参数，确定数据的时空覆盖范围。
其中，zi(s,t)为空间位置s及时间位置t上的第i个观测值，为空间位置s及时间位置t上的第i个观测值的拟合值；i＝1,2,...,n，n为大于或等于1的正整数。
对于月度数据的经验变差函数，本研究拟合了三种时空变差函数模型，包括可分离协方差变差函数、度量协方差变差函数和乘积和协方差变差函数。拟合的模型参数列于表1中。在这些模型中，乘积和协方差变差函数模型给出了与其他模型相比最小的均方差。因此，在下面的分析中，乘积和协方差变差函数模型的参数将被用来形容路面温度的变差结构，根据其时空变程值确定路面温度数据空间和时间覆盖范围分别为14.23公里和8.09小时。
图3(a)-图3(b)显示了2014年11月该省的经验变差函数和拟合乘积和协方差变差函数模型曲面。变差函数将路面温度数据的时空变差性可视化；并且拟合变差函数模型的参数可量化时空变化趋势，有助于估计任何未观测的时空点路面温度。
表1拟合的模型参数
图3(b)中的变差函数模型说明了任意一对数据点之间的相关性：变差函数值越高，相关性越高。可以从拟合的变差函数中提取模型参数变程值。当数据点之间的空间距离或时间滞后超过变程值时，数据不相关。因此，变程值与数据代表性有关，可以解释为时空覆盖范围。在图3(b)中，前面和侧面的投影曲线分别是零时间延迟处的纯空间变差函数和零空间距离处的时间变量函数曲线。
时空覆盖范围结果为决策者规划道路天气信息系统网络提供参考，从而进行必要的道路维护和交通管理。路面温度是路面状况的重要指标之一。其他指标也可以按照相同的程序来确定道路天气信息系统的时空覆盖范围。确定时空覆盖范围可确定固定道路天气信息系统的布设密度和移动道路天气信息系统的调度频率。一方面，由于来自固定道路天气信息系统监测站的数据在空间覆盖较差，空间覆盖范围则是固定道路天气信息系统网络规划中需要考虑的重要因素。假设时空变差函数给出的空间覆盖范围为SR公里，沿着目标道路，每隔至少SR*2公里需设置一个道路天气信息系统站点。另一方面，移动道路天气信息系统监测车提供离散时间数据，因此时间覆盖范围是调度移动道路天气信息系统车辆的基础。假设变差函数得到的时间范围是TR小时。为了构建具有完整时间信息的数据库，应至少每TR*2收集道路天气数据。类似地，在智能网联车环境中，只有当启用智能网联车车辆的渗透率满足全部时间覆盖范围时，才可以融合智能网联车数据以生成显示路面和天气状态的时空变化图。
需要说明的是，拟合优度指标除了均方误差之外，还可采用指标来衡量。
本发明基于道路天气信息库数据，诊断并去除无效和错误数据，通过构建并拟合不同类型的时空变差函数模型，得到拟合的模型参数和拟合优度，并通过比较不同模型的拟合优度，选择最优拟合模型，从而提取最优拟合模型的变程参数，确定数据的时空覆盖范围，使得道路天气信息系统时空覆盖范围可量化、可视化、且考虑了时空因素共同作用的，提高了道路天气信息系统时空覆盖范围量化的准确性。
本发明还提供了一种道路天气信息系统时空覆盖范围量化装置，其将道路天气信息系统时空覆盖范围可量化、可视化，而且考虑了时空因素共同作用，达到准确量化道路天气信息系统时空覆盖范围的目的。
本发明的一种道路天气信息系统时空覆盖范围量化装置，包括道路天气信息系统时空覆盖范围量化处理器。
如图4所示，道路天气信息系统时空覆盖范围量化处理器包括：
(1)数据采集模块，其被配置为：对天气信息传感器分组编号，根据分组编号的天气信息传感器采集到的道路天气数据进行对应分组存储，进而构建出道路天气信息系统数据库。
例如：将监测站/车采集到的道路天气数据建立道路天气信息系统数据库。
(2)数据质量诊断模块，其被配置为：对道路天气信息系统数据库中的数据进行质量诊断，去除无效和错误数据。
在数据质量诊断模块中，对道路天气信息系统数据库中的数据进行质量诊断步骤包括数据完整性测试、预设范围测试和模型分析测试；
在数据完整性测试的过程中，若来自某一天气信息传感器的数据在一条记录中为空，则该记录被诊断为缺失数据；
在预设范围测试的过程中，超出预设范围的数据被视为错误数据；
在模型分析测试的过程中，超出可接受区域的数据被报告为无效数据。
本发明通过对道路天气信息系统数据库中的数据进行数据完整性测试、预设范围测试和模型分析测试这些质量诊断，去除无效和错误数据，使得拟合的时空变差函数模型更加准确，最终提高了道路天气数据时空覆盖范围量化的准确性。
其中，在预设范围测试的过程中，所述预设范围根据传感器规格，特定地理位置的气候范围和历史数据范围来确定。
需要说明的是，除了上述方式来确定预设范围之外，还可采用人为规定来进行限定，且人为规定的范围在根据传感器规格，特定地理位置的气候范围和历史数据范围来确定的范围内。
在模型分析测试的过程中，所述可接受区域由广义相加模型根据一个记录中来自天气信息传感器的数据之间的关系来确定；一旦天气信息传感器的测量值超过模型估计值预先设定阈值范围，则测量结果被确定为无效数据。
广义相加模型公式为：
m＝β0+f1(x1)+f2(x2)+...+fj(xj)
其中，m为所预测因变量；β0为截距；fi(xi)为变量xi的平滑函数。
(3)时空变差模型建模模块，其被配置为：利用质量诊断后的数据，采用经验变差函数来构建并拟合至少两种类型的时空变差函数模型，以得到拟合的模型参数和拟合优度。
在时空变差模型建模模块中，所述时空变差函数模型包括可分离协方差变差函数、度量协方差变差函数及乘积和变差协方差函数。
需要说明的是，时空变差函数模型除了上述变差函数模型之外，还可采用其他变差函数来实现。
经验变差函数可表示为：
其中，γ(hs,ht)为经验变异函数；z(sk,tk)为空间位置sk及时间位置tk上的观测值；n(hs,ht)观测点数据对数。
可分离协方差变差函数可表示为：
γst(hs,ht)＝sill·(γs(hs)+γt(ht)-γs(hs)·γt(ht))
度量协方差变差函数及乘积可表示为：
γst(hs,ht)＝(k·sillt+1)γs(hs)+(k·sills+1)γt(ht)-kγs(hs)γt(ht)
变差协方差函数可表示为：
其中，γst为时空变异函数；γt为时间变异函数；γs为空间变异函数；sill为总体基台值；k为正值；sills和sillt为空间、时间域的基台值；γj为任意存在块金效应的变异函数。
(4)模型拟合优度量化模块，其被配置为：通过比较构建的所有时空变差函数模型的拟合优度，选择最优拟合模型，确定出道路天气数据时空覆盖范围。
为了量化拟合的时空变差函数模型和经验变差函数之间的拟合优度，本发明选择均方误差作为有效性度量指标。均方差评估曲面之间的整体差异，可由以下公式计算。通过比较不同模型之间的均方误差MSE，选择具有最佳拟合优度的模型。提取最优拟合模型的变程参数，确定数据的时空覆盖范围。
其中，zi(s,t)为空间位置s及时间位置t上的第i个观测值，为空间位置s及时间位置t上的第i个观测值的拟合值；i＝1,2,...,n，n为大于或等于1的正整数。
需要说明的是，拟合优度指标除了均方误差之外，还可采用指标来衡量。
本发明基于道路天气信息库数据，诊断并去除无效和错误数据，通过构建并拟合不同类型的时空变差函数模型，得到拟合的模型参数和拟合优度，并通过比较不同模型的拟合优度，选择最优拟合模型，从而提取最优拟合模型的变程参数，确定数据的时空覆盖范围，使得道路天气信息系统时空覆盖范围可量化、可视化、且考虑了时空因素共同作用的，提高了道路天气信息系统时空覆盖范围量化的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种道路天气信息系统时空覆盖范围量化方法，其特征在于，包括：
步骤1：数据采集；
对天气信息传感器分组编号，根据分组编号的天气信息传感器采集到的道路天气数据进行对应分组存储，进而构建出道路天气信息系统数据库；
步骤2：数据质量诊断；
对道路天气信息系统数据库中的数据进行质量诊断，去除无效和错误数据；
步骤3：时空变差模型建模；
利用质量诊断后的数据，采用经验变差函数来构建并拟合至少两种类型的时空变差函数模型，以得到拟合的模型参数和拟合优度；
步骤4：模型拟合优度量化；
通过比较构建的所有时空变差函数模型的拟合优度，选择最优拟合模型，确定出道路天气数据时空覆盖范围。
2.如权利要求1所述的一种道路天气信息系统时空覆盖范围量化方法，其特征在于，在所述步骤2中，对道路天气信息系统数据库中的数据进行质量诊断步骤包括数据完整性测试、预设范围测试和模型分析测试；
在数据完整性测试的过程中，若来自某一天气信息传感器的数据在一条记录中为空，则该记录被诊断为缺失数据；
在预设范围测试的过程中，超出预设范围的数据被视为错误数据；
在模型分析测试的过程中，超出可接受区域的数据被报告为无效数据。
3.如权利要求2所述的一种道路天气信息系统时空覆盖范围量化方法，其特征在于，在预设范围测试的过程中，所述预设范围根据传感器规格，特定地理位置的气候范围和历史数据范围来确定。
4.如权利要求2所述的一种道路天气信息系统时空覆盖范围量化方法，其特征在于，在模型分析测试的过程中，所述可接受区域由广义相加模型根据一个记录中来自天气信息传感器的数据之间的关系来确定；一旦天气信息传感器的测量值超过模型估计值预先设定阈值范围，则测量结果被确定为无效数据。
5.如权利要求1所述的一种道路天气信息系统时空覆盖范围量化方法，其特征在于，在所述步骤3中，所述时空变差函数模型包括可分离协方差变差函数、度量协方差变差函数及乘积和变差协方差函数。
6.如权利要求1所述的一种道路天气信息系统时空覆盖范围量化方法，其特征在于，在所述步骤4中，采用均方误差作为拟合优度指标，以选择出最优拟合模型。
7.一种道路天气信息系统时空覆盖范围量化装置，其特征在于，包括道路天气信息系统时空覆盖范围量化处理器，所述道路天气信息系统时空覆盖范围量化处理器包括：
数据采集模块，其被配置为：对天气信息传感器分组编号，根据分组编号的天气信息传感器采集到的道路天气数据进行对应分组存储，进而构建出道路天气信息系统数据库；
数据质量诊断模块，其被配置为：对道路天气信息系统数据库中的数据进行质量诊断，去除无效和错误数据；
时空变差模型建模模块，其被配置为：利用质量诊断后的数据，采用经验变差函数来构建并拟合至少两种类型的时空变差函数模型，以得到拟合的模型参数和拟合优度；
模型拟合优度量化模块，其被配置为：通过比较构建的所有时空变差函数模型的拟合优度，选择最优拟合模型，确定出道路天气数据时空覆盖范围。
8.如权利要求7所述的一种道路天气信息系统时空覆盖范围量化装置，其特征在于，在所述数据质量诊断模块中，对道路天气信息系统数据库中的数据进行质量诊断步骤包括数据完整性测试、预设范围测试和模型分析测试；
在数据完整性测试的过程中，若来自某一天气信息传感器的数据在一条记录中为空，则该记录被诊断为缺失数据；
在预设范围测试的过程中，超出预设范围的数据被视为错误数据；
在模型分析测试的过程中，超出可接受区域的数据被报告为无效数据。
9.如权利要求8所述的一种道路天气信息系统时空覆盖范围量化装置，其特征在于，在预设范围测试的过程中，所述预设范围根据传感器规格，特定地理位置的气候范围和历史数据范围来确定；
或/和
在模型分析测试的过程中，所述可接受区域由广义相加模型根据一个记录中来自天气信息传感器的数据之间的关系来确定；一旦天气信息传感器的测量值超过模型估计值预先设定阈值范围，则测量结果被确定为无效数据。
10.如权利要求7所述的一种道路天气信息系统时空覆盖范围量化装置，其特征在于，在所述时空变差模型建模模块中，所述时空变差函数模型包括可分离协方差变差函数、度量协方差变差函数及乘积和变差协方差函数；
或/和
在所述模型拟合优度量化模块中，采用均方误差作为拟合优度指标，以选择出最优拟合模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810718726.7A CN108920655B (zh) | 2018-07-03 | 2018-07-03 | 一种道路天气信息系统时空覆盖范围量化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810718726.7A CN108920655B (zh) | 2018-07-03 | 2018-07-03 | 一种道路天气信息系统时空覆盖范围量化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108920655A true CN108920655A (zh) | 2018-11-30 |
| CN108920655B CN108920655B (zh) | 2022-07-22 |
Family
ID=64423536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810718726.7A Active CN108920655B (zh) | 2018-07-03 | 2018-07-03 | 一种道路天气信息系统时空覆盖范围量化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108920655B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110278113A (zh) * | 2019-06-06 | 2019-09-24 | 常熟理工学院 | 一种视频传感网最大时空覆盖的调度方法 |
| CN112464169A (zh) * | 2020-12-03 | 2021-03-09 | 上海卫星工程研究所 | 基于统计分布的大数据单参数阈值挖掘与修正方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372277A (zh) * | 2016-05-13 | 2017-02-01 | 新疆农业大学 | 森林立地指数时空估测中的变异函数模型优化方法 |
| CN106407633A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
| CN107798425A (zh) * | 2017-10-16 | 2018-03-13 | 中国科学院地理科学与资源研究所 | 一种基于大数据的时空混淆暴露度评估系统及方法 |
-
2018
- 2018-07-03 CN CN201810718726.7A patent/CN108920655B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407633A (zh) * | 2015-07-30 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 基于时空回归克里金模型估算地面pm2.5的方法及系统 |
| CN106372277A (zh) * | 2016-05-13 | 2017-02-01 | 新疆农业大学 | 森林立地指数时空估测中的变异函数模型优化方法 |
| CN107798425A (zh) * | 2017-10-16 | 2018-03-13 | 中国科学院地理科学与资源研究所 | 一种基于大数据的时空混淆暴露度评估系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘颖颖: "环渤海区域PM2.5时空地统计建模与分析", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 姚荣江 等: "典型农区耕作土壤重金属空间变异的稳健性分析", 《环境科学与技术》 * |
| 梅杨 等: "时空理论变异函数模型及其精度影响", 《测绘科学》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110278113A (zh) * | 2019-06-06 | 2019-09-24 | 常熟理工学院 | 一种视频传感网最大时空覆盖的调度方法 |
| CN110278113B (zh) * | 2019-06-06 | 2021-11-19 | 常熟理工学院 | 一种视频传感网最大时空覆盖的调度方法 |
| CN112464169A (zh) * | 2020-12-03 | 2021-03-09 | 上海卫星工程研究所 | 基于统计分布的大数据单参数阈值挖掘与修正方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108920655B (zh) | 2022-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| CN107066831B (zh) | 一种区域综合环境评价方法、装置及系统 | |
| CN110222911B (zh) | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 | |
| CN106407633A (zh) | 基于时空回归克里金模型估算地面pm2.5的方法及系统 | |
| CN103955606B (zh) | 一种基于遥感技术的草原蝗灾渐进式预测方法 | |
| CN103197299B (zh) | 天气雷达径向风信息提取及量化分析系统 | |
| CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
| Roy et al. | Predicting land cover change in a Mediterranean catchment at different time scales | |
| CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
| CN104850734A (zh) | 一种基于时空分布特征的空气质量指数预测方法 | |
| CN107610021A (zh) | 环境变量时空分布的综合分析方法 | |
| CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| KR101908865B1 (ko) | 기온 측정 자료의 품질 분석방법 | |
| CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
| CN105243435A (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 | |
| CN105739575A (zh) | 一种设施蔬菜环境参数的数据融合方法、装置及系统 | |
| CN110211325A (zh) | 一种基于气象大数据的区域道路结冰高精度监测预警系统 | |
| CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
| CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| WO2020044127A1 (zh) | 一种大气污染预测的方法 | |
| CN108920655A (zh) | 一种道路天气信息系统时空覆盖范围量化方法及装置 | |
| Zin et al. | Statistical distributions of extreme dry spell in Peninsular Malaysia | |
| CN115775634A (zh) | 一种基于多变量核密度估计的虫媒疾病预测方法及系统 | |
| Baran et al. | Probabilistic wind speed forecasting in Hungary |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |