CN109376940A - 获取降雨过程中的降雨时空分布规律的方法和装置 - Google Patents
获取降雨过程中的降雨时空分布规律的方法和装置 Download PDFInfo
- Publication number
- CN109376940A CN109376940A CN201811300472.3A CN201811300472A CN109376940A CN 109376940 A CN109376940 A CN 109376940A CN 201811300472 A CN201811300472 A CN 201811300472A CN 109376940 A CN109376940 A CN 109376940A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- array
- initial
- dimension array
- raining
- 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
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种获取降雨过程中的降雨时空分布规律的方法和装置,属于水文领域。所述方法包括:获取一次降雨过程中待分析的目标区域的初始降雨数据,初始降雨数据包括降雨时段、降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识;基于初始降雨数据构建初始高维数组;对初始高维数组进行降维得到初始低维数组;对初始低维数组进行聚类分析得到待识别聚类中心;将待识别聚类中心与多个基准聚类中心进行匹配,并获取与多个基准聚类中心中匹配度最高的聚类中心对应的包括整场降雨的降雨数据的标准高维数组。采用本发明,可以通过对当前获取的降雨数据进行分析,运算,确定本次降雨的降雨类型并得到比较准确的整场降雨的降雨数据。
Description
技术领域
本发明涉及水文领域,特别涉及一种获取降雨过程中的降雨时空分布规律的方法和装置。
背景技术
近几年,由极端暴雨引起的城区大规模内涝灾害逐渐增多,内涝灾害给城区人民带来的财产损失也越来越大。因此,对城区降雨的不同降雨时段的降雨量等降雨数据进行分析研究,从而在暴雨到来之前,做好应对措施,以减少暴雨引起的内涝灾害带来的损失,成为本领域技术人员较为关注的问题之一。
相关技术中,本领域技术人员通常从事先在城区适当位置建立一个雨量站,终端基于该雨量站采集降雨过程中降雨量,根据该降雨量,通过暴雨强度公式或者芝加哥雨型,计算城区的降雨的历时过程中的平均降雨强度(即平均降雨量),再根据该平均降雨量来获取降雨过程中的瞬时降雨强度等降雨数据,进而通过该降雨数据了解降雨过程中的降雨情况。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
研究城市暴雨时空分布规律,传统的方法都是针对代表站或者降雨等值面的降雨量分布情况进行研究。在研究对象上,主要以研究范围内的降雨等值面,或者某一区域代表站的降雨量为研究对象,该方法基本都是在假设全区范围内发生普降或者区域内的代表站与该区域范围内所有站点的降雨特征都类似的条件下的。但是通过对暴雨过程进行分析,在实际暴雨过程中这些假设发生的情况比较少。而且在雨型分布上,每个站点在降雨过程中,雨型分布虽然有共同之处,但是也有各自的特点和规律。
传统的分析方法不能有效的描述暴雨的时空变化规律,无法有效描述降雨过程的不同降雨时段的降雨量的时空变化规律,不能有效描述研究区域降雨的时空变化特征。
发明内容
为了解决降雨量分析误差较大,无法有效进行暴雨时空分布特征规律分析的问题,本发明实施例提供了一种获取降雨过程中的降雨时空分布规律的方法和装置。所述技术方案如下:
第一方面,提供了一种获取降雨过程中的降雨时空分布规律的方法,所述方法包括:
获取一次降雨过程中待分析的目标区域的初始降雨数据,初始降雨数据包括降雨时段、降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识;
基于初始降雨数据构建初始高维数组;
对初始高维数组进行降维得到低维数组;
对低维数组进行聚类分析得到待识别聚类中心;
将待识别聚类中心与多个基准聚类中心进行匹配,并获取与多个基准聚类中心中匹配度最高的聚类中心对应的包括整场降雨的降雨数据的标准高维数组。
可选的,所述方法还包括:
获取信息查询指令,信息查询指令包括多个雨量站中的目标雨量站的标识和降雨过程中的目标降雨时段;
基于信息查询指令从标准高维数组获取目标雨量站在目标降雨时段的降雨量。
可选的,基于初始降雨数据构建初始高维数组,包括:
基于初始降雨数据中的降雨时段、降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识,记录目标区域内每个雨量站在每个降雨时段的降雨量,构建降雨过程对应的初始高维数组,即
其中,Q为本次降雨过程对应的初始高维数组,x为降雨量,n为雨量站标识,tj为第tj个降雨时段。
可选的,对初始高维数组进行降维得到低维数组,包括:
获取预设降维向量,根据初始高维数组和预设降维向量,通过以下公式一,确定低维数组;
公式一:Y=QX,
其中,X为投影矩阵,Y为Q经过降维后的低维数组,Q为初始高维数组。
可选的,在获取一次降雨过程中待分析的目标区域的初始降雨数据,初始降雨数据包括降雨时段、降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识之前,还包括:
获取目标区域内多个雨量站的历史降雨数据,历史降雨数据为当前时刻之前目标区域内的多场降雨的降雨数据,历史降雨数据包括历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识;
基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识构建高维数组样本库;
对高维数组样本库中的高维数组进行降维得到低维数组;
对低维数组进行聚类分析并提取多个基准聚类中心;
对多个基准聚类中心均进行逆运算得到多个标准高维数组。
可选的,基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识构建高维数组样本库,包括:
对于每场降雨均基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识建立高维数组,即得到高维数组样本库
N={Q1,Q2,…Qm}
其中,N为高维数组样本库,Q为降雨过程对应的高维数组,m为降雨场次,即Qm为第m次降雨过程对应的高维数组;
高维数组中一场降雨过程的数组表达如下
其中,Qi为m次降雨过程中一场降雨过程对应的高维数组,x为降雨量,n为雨量站标识,tj为第tj个单位时间。
可选的,对高维数组样本库中的高维数组进行降维得到低维数组,包括:
获取预设降维向量,根据高维数组和预设降维向量,通过以下公式二,确定低维数组;
公式二:Yi=AiX,
其中,X为投影矩阵,Yi为Ai经过降维后的低维数组,Ai即Qi为一次降雨过程中的高维数组。
可选的,对高维数组样本库中的高维数组进行降维得到低维数组,还包括:
获取高维数组样本库的协方差矩阵Gt,并通过如下公式三计算Gt的特征向量,即
公式三:
其中,Gt为高维数组样本库的协方差矩阵,m是样本数量,即样本库中的降雨场次,Ai一次降雨过程中的高维数组,i为m场降雨场次中第i场降雨,为全体样本的均值,即
获取特征值累积贡献率,并基于累积贡献率从特征向量中提取特征向量组成低维数组,其中,累积贡献率为保留高维数组样本的比例。
第二方面,提供了一种获取降雨过程中的降雨时空分布规律的装置,所述装置包括:
处理器;
用于存储至少一条计算机可执行指令的存储器;
其中,所述处理器被配置为:
在执行所述至少一条计算机可执行指令时,实现获取降雨过程中的降雨时空分布规律的方法中任一所述的方法。
第三方面,提供了一种计算机可读存储介质,所述存储介质内存储有计算机指令,所述计算机指令被处理器执行时实现获取降雨过程中的降雨时空分布规律的方法中任一所述的方法。
本发明实施例提供的技术方案带来的有益效果是:
本发明实施例中,通过对同一地区不同雨量站的历史样本数据进行分析,运算,得到若干经典降雨类型,在根据获取的当前降雨数据确定本次降雨的降雨类型,基于该降雨类型对应的标准高维数组,从而得到本次降雨过程的有效降雨数据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种获取降雨过程中的降雨时空分布规律的高维样本示意图;
图2是本发明实施例提供的一种获取降雨过程中的降雨时空分布规律的方法流程图;
图3是本发明实施例提供的一种获取降雨过程中的降雨时空分布规律的终端设备结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种对降雨分析预测的方法,主要应用在天气预测,该方法的执行主体为终端或服务器。其中,终端是具有数据计算分析功能的终端,比如,可以是安装有建模软件(如MATLAB矩阵工厂或矩阵实验室、C++等)的电脑等终端。其中,终端可以包括处理器、存储器、屏幕等部件。处理器可以为CPU(Central Processing Unit,中央处理单元)等,可以用于接收指令,执行分析计算降雨数据的相关处理,控制显示器进行显示等处理。存储器可以为RAM(Random Access Memory,随机存取存储器)、Flash(闪存)等,可以用于存储读取到的数据、处理过程所需的数据、处理过程中生成的数据等,如引导数据、系统数据、控制页面等。屏幕可以是触控屏,可以用于显示控制页面等。终端还可以包括输入部件,比如电脑终端的键盘、鼠标等,输入部件可以用于对终端进行操作,例如,向终端输入指令、写入数据等。
下面将结合具体实施方式,对处理流程进行详细的说明,内容可以如下:
获取目标区域内多个雨量站的历史降雨数据,历史降雨数据为当前时刻之前目标区域内的多场降雨的降雨数据,历史降雨数据包括历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识。
工作人员可以预先在研究区域内分散设置若干个雨量站并为雨量站分配编号,以记录降雨过程中该雨量站所在区域的降雨情况。可选的,降雨的场次划分可以以历时为基础,划分不同历时的降雨场次,即将连续的时间序列,通过划分场次降雨的标准,可以划分为1h历时、2h历时、3h历时、4h历时、5h历时和6h历时等若干历时场次降雨。其中,划分场次降雨的标准可以是前后连续2个小时内降雨量为0mm,则视为两次降雨过程,若同时出现1h降雨量大于0.1mm,则认为是一场降雨的开始。
根据雨量站采集的多场降雨的降雨数据,从中获取历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识。
基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识构建高维数组样本库。
可以记录历史降雨时段、历史降雨时段内的降雨量和对应的多个雨量站的雨量站标识作为样本,在获取到带识别样本后,基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识,从时间维度和空间维度建立高维数组来表示一场降雨,如表1所示
表1
具体的,对每一场降雨均基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识,从时间维度和空间维度建立高维数组即可构成高维数组样本库。
可选的,构建高维数组样本库还可以根据不同历时对高维数组样本库进行分类,即划分不同历时的降雨场次。将连续的时间序列,通过划分场次降雨的标准,划分为1h历时、2h历时、3h历时、4h历时、5h历时和6h等若干历时的场次降雨。(划分场次降雨的标准为:前后连续2个小时之内降雨量为0mm,则视为两次降雨过程。同时出现了1h降雨量大于0.1mm,则认为是一场降雨的开始。)对不同历时的各场次降雨,从时间维度和空间维度建立高维数组,则降雨过程的样本即如图1所示。
对样本库中每一个高维数组进行分析计算,若样本库N中有m次降雨过程可以表示为
N={Q1,Q2,…Qm}
其中,Qm为第m场降雨对应的高维数组,若设Qi为其中一场降雨过程对应的高维数组,且该区域内有n个雨量站,则tj个时间段的降雨量可以如下,
其中,x1t1为编号为1的雨量站t1时间段的降雨量,xntj为第n个雨量站第tj时刻的降雨量,Qi为m次降雨过程中一场降雨过程对应的高维数组,x为降雨量,n为雨量站标识,tj为第tj个单位时间。
还可以基于m场降雨的时间信息统计该地区的降雨频率。
通过高维数组分析算法,对样本库N进行特征提取,以使在保留降雨过程的时间和空间的识别信息的同时降低特征空间维数,实现对降雨过程的分类。
对高维数组样本库中的高维数组进行降维得到低维数组。
降维变换可以采用主成分分析(或者主元分析Principal ComponentAnalysis,PCA)。可以从多元事物中解析出主要影响因素,揭示事物的本质,简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。即找到高维数组的另一组正交基,使得样本经过变换后的方差(variance)最大(因为选取了方差最大的维度,所以这样可以存储最多的信息),同时样本被投影到了较低维度空间,达到了降维的目的。
下面以二维主成分分析法(2DPCA)为例进行描述,设Ai即Qi,其中,i=1,2,…m,Ai∈Rm×n。设X表示n维列向量,将m×n的矩阵A通过如下的线性变化直接投影到X上,即
公式二:Yi=AiX
即可得到一个m维的列向量Yi,其中,X为投影轴,即投影矩阵,Yi为A的低维数组,这样,通过向X投影得到维度降低的低维数组Yi。
在2DPCA方法中,需要求解最佳投影矩阵X,使得投影后的所得到的特征矩阵Yi的散布最大化。对最佳投影矩阵X的求解,可转化为求解训练样本总体协方差矩阵的最大的前k个本征值所对应的单位本征向量。
定义高维数组样本库N的协方差矩阵为Gt,获取高维数组样本库的协方差矩阵Gt,并通过如下公式三计算Gt的特征向量,即
公式三:
其中,Gt为高维数组样本库的协方差矩阵,m是样本数量,即样本库中的降雨场次,Ai一次降雨过程中的高维数组,i为m场降雨场次中第i场降雨,为全体样本的均值。
Gt是一个m×m的矩阵,其维数的大小与训练数组维度大小相关,与训练样本个数无关。也就是将其均值作为新坐标轴的原点,这时,可以采用协方差矩阵Gt来计算其特征值。还可以直接利用训练样本来计算Gt,其中为全体样本的均值,即
计算Gt的特征向量,累积贡献率为保留高维数组样本的比例,取特征向量累计贡献率α,α的取值范围可以是0.9~0.99,则提取特征向量中满足α的k个特征向量组成投影矩阵U=[u1,u2,…,uk]∈Rn×k,则对应的低维数组Fi=AiU∈Rm×k,保留了Ai的特征。可知,原来数组大小为m×n,经过变换,降维到m×k(k<n)。k的大小是根据α来确定的。也就是,实行特征提取后只是压缩了矩阵列向量的位数,行向量维数不变。也就是样本数不变,但是各个样本维度降低了。可以理解为从高维空间,通过转换,投影到低维空间,同时还保留了原数组α(α=0.9~0.99)的信息。
对低维数组进行聚类分析并提取多个聚类中心。
具体的,可以以时间特征为基础将降雨时长在同一范围内的降雨过程归为一类,也可以以空间特征为基础将预设时间段的降雨量和总的降雨量接近的降雨过程归为一类,还可以综合考虑时间特征和空间特征,将降雨时长接近且各雨量站预设时间段内的降雨量和总的降雨量均接近的降雨过程归为一类。可以通过KM动态聚类分析将同一种类型的降雨过程归为一类,即将内部特征近似的降雨过程归为一类。由于经过降维和特征提取,有效消除了部分噪音和异常点,进而通过KM聚类可以快速收敛到精度较高的聚类中心。
KM聚类过程可以如下:
步骤1,随机选择一个点作为第一个聚类中心。
步骤2,对于数据集中的每一个点x,计算它与最近聚类中心(指已选择的聚类中心)的距离D(x)。
步骤3,选择一个新的数据点作为新的聚类中心,选择的原则是:D(x)较大的点,被选取作为聚类中心的概率较大。
步骤4,重复步骤2和步骤3直到k个聚类中心被选出来。
步骤5,利用这k个初始的聚类中心来运行标准的k-means算法即可得到多个降雨过程的聚类中心。
其中,标准的k-means算法是聚类算法中一种成熟的算法这里不再赘述。
提取每一类降雨过程的聚类中心作为该种降雨过程的特征降雨过程。高维数组中可以获取降雨量和降雨中心移动路径的时空分布信息,在聚类分析后即可得到各类的典型特征降雨聚类中心。其中降雨中心移动路径可以根据时间变化和单位时间内降雨量最大的雨量站标识确定。
对多个基准聚类中心均进行逆运算得到多个标准高维数组。
对降维后的低维数组聚类分析后可以得到若干种典型的降雨类型,对该若干种类型的降雨类型的聚类中心对应的数组进行逆运算,得到减少了干扰因素和噪声后的高维数组,即重构了该类别典型的动态降雨过程对应的高维数组。
将上述若干种典型的降雨类型作为预设降雨类型来分析当前降雨过程的方法可以如图2所示的流程:
步骤101,获取一次降雨过程中待分析的目标区域的初始降雨数据,初始降雨数据包括降雨时段、降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识。
降雨开始后,雨量站记录降雨过程中的降雨时段和该降雨时段内的降雨量,进而可以得到降雨开始至当前时刻总降雨量和每个降雨时段内的降雨量,将雨量站记录的降雨过程中的降雨时段、该降雨时段内的降雨量和雨量站的编号对应存储,作为初始降雨数据。或者,还可以基于天气预报给出的降雨历时数据、降雨量等降雨数据,其中天气预报中的降雨量可以根据给出的“大雨”、“中雨”等查询对应的降雨量。
步骤102,基于初始降雨数据构建初始高维数组。
基于降雨数据中的雨量站标识、降雨时段和降雨时段对应的降雨量构建降雨过程对应的高维数组,即初始高维数组,若将Q作为本次降雨过程中的初始高维数组,则n个雨量站,tj个单位时间的降雨量可以表示为
其中,Q为本次降雨过程对应的初始高维数组,x为降雨量,n为雨量站标识,tj为第tj个降雨时段。
步骤103,对初始高维数组进行降维得到低维数组。
在步骤102中,获得本次降雨过程的高维数组后,取降雨开始后一段时间内的数组数据,对该部分数据数组进行降维,具体的,可以采用2DPCA的方法进行降维,即二维主成分分析(2Dimensional Principal ComponentAnalysis,2DPCA)或者二维主元分析,即通过主成分分析可以将高位的样本数组投影到低维空间,得到低维数组,即将Q代入公式一,得到
Y=QX,
其中,X为投影轴,Y为Q经过降维后的初始低维数组,Q为本次降雨过程中的初始高维数组。
然后通过公式三,计算本次降雨过程对应的高维数组的特征向量,然后根据贡献率α提取Q降维后的特征向量组成低维数组。
步骤104,对初始低维数组进行聚类分析得到待识别聚类中心。
对低维数组进行聚类分析,并提取待识别聚类中心,具体的,执行上述步骤1-5,通过标准k-means算法计算待识别聚类中心。
步骤105,将待识别聚类中心与多个基准聚类中心进行匹配,并获取与多个基准聚类中心中匹配度最高的聚类中心对应的包括整场降雨的降雨数据的标准高维数组。
具体的,可以分别计算待识别聚类中心和多个基准聚类中心的距离,将距离最小的多个基准聚类中心对应的降雨类型确定为样本数据的降雨过程,并获取该降雨过程对应的标准高维数组。
可选的,获取包括多个雨量站中的目标雨量站的标识和降雨过程中的目标降雨时段的信息查询指令,可以基于信息查询指令从标准高维数组获取目标雨量站在目标降雨时段的降雨量,其中,目标降雨时段是该降雨过程中指定的任意时间段。
具体的,在获取到标准高维数组后,在当前降雨过程的时长范围内确定当前时刻之后时间段后即可从该标准高维数组中获取任意雨量站的编号对应的目标降雨时段对应的降雨量。从而了解本次降雨过程中未来某一时段内的降雨数据,以预测降雨情况,提前采取相应的措施。
本发明实施例中,根据各个雨量站采集的历史降雨数据建立数据库,分析该地区发生过得所有降雨过程,得到多个基准聚类中心和对应的降雨的类型。再通过对当前时刻同一地区不同雨量站的样本数据进行分析,运算,得到的聚类中心与多个基准聚类中心匹配,确定本次降雨的降雨类型,基于该降雨类型对应的标准高维数组,可以实现对该地区任意雨量站的降雨量进行预测。
基于相同的技术构思,提供了一种获取降雨过程中的降雨时空分布规律的装置,所述装置包括:
处理器;
用于存储至少一条计算机可执行指令的存储器;
其中,所述处理器被配置为:
在执行所述至少一条计算机可执行指令时,实现获取降雨过程中的降雨时空分布规律的方法中任一所述的方法。
基于相同的技术构思,图3是本发明实施例提供的一种终端设备的结构示意图,该终端设备300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)301和一个或一个以上的存储器302,其中,所述存储器302中存储有至少一条指令,可选的,所述至少一条指令由所述处理器301加载并执行以实现下述方法步骤:
获取一次降雨过程中待分析的目标区域的初始降雨数据,初始降雨数据包括降雨时段、降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识;
基于初始降雨数据构建初始高维数组;
对初始高维数组进行降维得到低维数组;
对低维数组进行聚类分析得到待识别聚类中心;
将待识别聚类中心与多个基准聚类中心进行匹配,并获取与多个基准聚类中心中匹配度最高的聚类中心对应的包括整场降雨的降雨数据的标准高维数组。
可选的,所述方法还包括:
获取信息查询指令,信息查询指令包括多个雨量站中的目标雨量站的标识和降雨过程中的目标降雨时段;
基于信息查询指令从标准高维数组获取目标雨量站在目标降雨时段的降雨量。
可选的,基于初始降雨数据构建初始高维数组,包括:
基于初始降雨数据中的降雨时段、降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识,记录目标区域内每个雨量站在每个降雨时段的降雨量,构建降雨过程对应的初始高维数组,即
其中,Q为本次降雨过程对应的初始高维数组,x为降雨量,n为雨量站标识,tj为第tj个降雨时段。
可选的,对初始高维数组进行降维得到初始低维数组,包括:
获取预设降维向量,根据初始高维数组和预设降维向量,通过以下公式一,确定初始低维数组;
公式一:Y=QX,
其中,X为投影矩阵,Y为Q经过降维后的初始低维数组,Q为初始高维数组。
可选的,在获取一次降雨过程中待分析的目标区域的初始降雨数据,初始降雨数据包括降雨时段、降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识之前,还包括:
获取目标区域内多个雨量站的历史降雨数据,历史降雨数据为当前时刻之前目标区域内的多场降雨的降雨数据,历史降雨数据包括历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识;
基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识构建高维数组样本库;
对高维数组样本库中的高维数组进行降维得到低维数组;
对低维数组进行聚类分析并提取多个基准聚类中心;
对多个基准聚类中心均进行逆运算得到多个标准高维数组。
可选的,基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识构建高维数组样本库,包括:
对于每场降雨均基于历史降雨时段、历史降雨时段内的降雨量和目标区域内多个雨量站的雨量站标识建立高维数组,即得到高位数组样本库
N={Q1,Q2,…Qm}
其中,N为高维数组样本库,Q为降雨过程对应的高维数组,m为降雨场次,即Qm为第m次降雨过程对应的高维数组;
高维数组中一场降雨过程的数组表达如下
其中,Qi为m次降雨过程中一场降雨过程对应的高维数组,x为降雨量,n为雨量站标识,tj为第tj个单位时间。
可选的,对高维数组样本库中的高维数组进行降维得到低维数组,包括:
获取预设降维向量,根据高维数组和预设降维向量,通过以下公式二,确定低维数组;
公式二:Yi=AiX,
其中,X为投影矩阵,Yi为Ai经过降维后的低维数组,Ai即Qi为一次降雨过程中的高维数组。
可选的,对高维数组样本库中的高维数组进行降维得到低维数组,还包括:
获取高维数组样本库的协方差矩阵Gt,并通过如下公式三计算Gt的特征向量,即
公式三:
其中,Gt为高维数组样本库的协方差矩阵,m是样本数量,即样本库中的降雨场次,Ai一次降雨过程中的高维数组,i为m场降雨场次中第i场降雨,为全体样本的均值,即
获取特征值累积贡献率,并基于累积贡献率从特征向量中提取特征向量组成低维数组,其中,累积贡献率为保留高维数组样本的比例。
本发明实施例中,根据各个雨量站采集的历史降雨数据建立数据库,分析该地区发生过得所有降雨过程,得到多个基准聚类中心和对应的降雨的类型。再通过对当前时刻同一地区不同雨量站的样本数据进行分析,运算,得到的聚类中心与多个基准聚类中心匹配,确定本次降雨的降雨类型,基于该降雨类型对应的标准高维数组,可以实现对该地区任意雨量站的降雨量进行预测。
基于相同的技术构思,本发明实施例还提供了一种计算机可读存储介质,所述存储介质内存储有计算机指令,所述计算机指令被处理器执行时实现获取降雨过程中的降雨时空分布规律的方法。
需要说明的是:上述实施例提供的获取降雨过程中的降雨时空分布规律的装置在触发分析降雨过程时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的触发获取降雨过程中的降雨时空分布规律的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种获取降雨过程中的降雨时空分布规律的方法,其特征在于,所述方法包括:
获取一次降雨过程中待分析的目标区域的初始降雨数据,所述初始降雨数据包括降雨时段、所述降雨时段内的降雨量和所述目标区域内多个雨量站的雨量站标识;
基于所述初始降雨数据构建初始高维数组;
对所述初始高维数组进行降维得到初始低维数组;
对所述初始低维数组进行聚类分析得到待识别聚类中心;
将所述待识别聚类中心与多个基准聚类中心进行匹配,并获取与所述多个基准聚类中心中匹配度最高的聚类中心对应的包括整场降雨的降雨数据的标准高维数组。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取信息查询指令,所述信息查询指令包括所述多个雨量站中的目标雨量站的标识和所述降雨过程中的目标降雨时段;
基于所述信息查询指令从所述标准高维数组获取所述目标雨量站在所述目标降雨时段的降雨量。
3.根据权利要求1所述的方法,其特征在于,所述基于所述初始降雨数据构建初始高维数组,包括:
基于所述初始降雨数据中的所述降雨时段、所述降雨时段内的降雨量和所述目标区域内多个雨量站的雨量站标识,记录所述目标区域内每个雨量站在每个降雨时段的降雨量,构建降雨过程对应的所述初始高维数组,即
其中,Q为本次降雨过程对应的初始高维数组,x为降雨量,n为雨量站标识,tj为第tj个降雨时段。
4.根据权利要求1或3所述的方法,其特征在于,所述对所述初始高维数组进行降维得到初始低维数组,包括:
获取预设降维向量,根据所述初始高维数组和所述预设降维向量,通过以下公式一,确定所述初始低维数组;
公式一:Y=QX,
其中,X为投影矩阵,Y为Q经过降维后的初始低维数组,Q为初始高维数组。
5.根据权利要求1所述的方法,其特征在于,在所述获取一次降雨过程中待分析的目标区域的初始降雨数据,所述初始降雨数据包括降雨时段、所述降雨时段内的降雨量和所述目标区域内多个雨量站的雨量站标识之前,还包括:
获取目标区域内多个雨量站的历史降雨数据,所述历史降雨数据为当前时刻之前目标区域内的多场降雨的降雨数据,所述历史降雨数据包括历史降雨时段、所述历史降雨时段内的降雨量和所述目标区域内多个雨量站的雨量站标识;
基于所述历史降雨时段、所述历史降雨时段内的降雨量和所述目标区域内多个雨量站的雨量站标识构建高维数组样本库;
对所述高维数组样本库中的高维数组进行降维得到低维数组;
对所述低维数组进行聚类分析并提取所述多个基准聚类中心;
对所述多个基准聚类中心均进行逆运算得到多个所述标准高维数组。
6.根据权利要求5所述的方法,其特征在于,所述基于所述历史降雨时段、所述历史降雨时段内的降雨量和所述目标区域内多个雨量站的雨量站标识构建高维数组样本库,包括:
对于每场降雨均基于所述历史降雨时段、所述历史降雨时段内的降雨量和所述目标区域内多个雨量站的雨量站标识建立高维数组,即得到高位数组样本库
N={Q1,Q2,…Qm}
其中,N为高维数组样本库,Q为降雨过程对应的高维数组,m为降雨场次,即Qm为第m次降雨过程对应的高维数组;
高维数组中一场降雨过程的数组表达如下
其中,Qi为m次降雨过程中一场降雨过程对应的高维数组,x为降雨量,n为雨量站标识,tj为第tj个单位时间。
7.根据权利要求6所述的方法,其特征在于,所述对所述高维数组样本库中的高维数组进行降维得到低维数组,包括:
获取预设降维向量,根据所述高维数组和所述预设降维向量,通过以下公式二,确定所述低维数组;
公式二:Yi=AiX,
其中,X为投影矩阵,Yi为Ai经过降维后的低维数组,Ai即Qi为一次降雨过程中的高维数组。
8.根据权利要求7所述的方法,其特征在于,所述对所述高维数组样本库中的高维数组进行降维得到低维数组,还包括:
获取高维数组样本库的协方差矩阵Gt,并通过如下公式三计算Gt的特征向量,即
公式三:
其中,Gt为高维数组样本库的协方差矩阵,m是样本数量,即样本库中的降雨场次,Ai一次降雨过程中的高维数组,i为m场降雨场次中第i场降雨,为全体样本的均值,即
获取特征值累积贡献率,并基于所述累积贡献率从所述特征向量中提取所述特征向量组成低维数组,其中,所述累积贡献率为保留高维数组样本的比例。
9.一种获取降雨过程中的降雨时空分布规律的装置,其特征在于,所述装置包括:
处理器;
用于存储至少一条计算机可执行指令的存储器;
其中,所述处理器被配置为:
在执行所述至少一条计算机可执行指令时,实现权利要求1至8任一所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机指令,所述计算机指令被处理器执行时实现权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811300472.3A CN109376940B (zh) | 2018-11-02 | 2018-11-02 | 获取降雨过程中的降雨时空分布规律的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811300472.3A CN109376940B (zh) | 2018-11-02 | 2018-11-02 | 获取降雨过程中的降雨时空分布规律的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109376940A true CN109376940A (zh) | 2019-02-22 |
CN109376940B CN109376940B (zh) | 2021-08-17 |
Family
ID=65397343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811300472.3A Active CN109376940B (zh) | 2018-11-02 | 2018-11-02 | 获取降雨过程中的降雨时空分布规律的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376940B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457374A (zh) * | 2019-08-20 | 2019-11-15 | 贵州东方世纪科技股份有限公司 | 一种识别时段典型暴雨过程的方法 |
CN110543992A (zh) * | 2019-09-06 | 2019-12-06 | 中国水利水电科学研究院 | 降雨预测的方法及装置 |
CN110930282A (zh) * | 2019-12-06 | 2020-03-27 | 中国水利水电科学研究院 | 一种基于机器学习的局地降雨雨型分析方法 |
CN111638564A (zh) * | 2020-05-27 | 2020-09-08 | 中国水利水电科学研究院 | 降雨预报的方法、装置、设备以及存储介质 |
CN112508237A (zh) * | 2020-11-20 | 2021-03-16 | 北京师范大学 | 基于数据分析的雨型区域划分方法和实时雨型预测方法 |
CN112633595A (zh) * | 2020-12-31 | 2021-04-09 | 南京师范大学 | 一种基于雷达降雨数据挖掘的雨量站观测网络设计方法 |
CN113111593A (zh) * | 2021-05-11 | 2021-07-13 | 中国人民解放军国防科技大学 | 一种基于双链路衰减的降雨模糊聚类方法 |
CN115358354A (zh) * | 2022-10-24 | 2022-11-18 | 中国水利水电科学研究院 | 一种降雨空间数据复原和重构的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070069901A1 (en) * | 2005-09-28 | 2007-03-29 | Tuck Edward F | Matching system |
CN104732092A (zh) * | 2015-03-25 | 2015-06-24 | 河海大学 | 一种基于聚类的水文降雨一致区分析方法 |
CN108009596A (zh) * | 2017-12-26 | 2018-05-08 | 中国水利水电科学研究院 | 确定降雨特征的方法和装置 |
CN108629345A (zh) * | 2017-03-17 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 高维图像特征匹配方法和装置 |
-
2018
- 2018-11-02 CN CN201811300472.3A patent/CN109376940B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070069901A1 (en) * | 2005-09-28 | 2007-03-29 | Tuck Edward F | Matching system |
CN104732092A (zh) * | 2015-03-25 | 2015-06-24 | 河海大学 | 一种基于聚类的水文降雨一致区分析方法 |
CN108629345A (zh) * | 2017-03-17 | 2018-10-09 | 北京京东尚科信息技术有限公司 | 高维图像特征匹配方法和装置 |
CN108009596A (zh) * | 2017-12-26 | 2018-05-08 | 中国水利水电科学研究院 | 确定降雨特征的方法和装置 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110457374A (zh) * | 2019-08-20 | 2019-11-15 | 贵州东方世纪科技股份有限公司 | 一种识别时段典型暴雨过程的方法 |
CN110457374B (zh) * | 2019-08-20 | 2023-04-18 | 贵州东方世纪科技股份有限公司 | 一种识别时段典型暴雨过程的方法 |
CN110543992A (zh) * | 2019-09-06 | 2019-12-06 | 中国水利水电科学研究院 | 降雨预测的方法及装置 |
CN110930282A (zh) * | 2019-12-06 | 2020-03-27 | 中国水利水电科学研究院 | 一种基于机器学习的局地降雨雨型分析方法 |
CN111638564A (zh) * | 2020-05-27 | 2020-09-08 | 中国水利水电科学研究院 | 降雨预报的方法、装置、设备以及存储介质 |
CN111638564B (zh) * | 2020-05-27 | 2022-03-18 | 中国水利水电科学研究院 | 降雨预报的方法、装置、设备以及存储介质 |
CN112508237A (zh) * | 2020-11-20 | 2021-03-16 | 北京师范大学 | 基于数据分析的雨型区域划分方法和实时雨型预测方法 |
CN112508237B (zh) * | 2020-11-20 | 2022-07-08 | 北京师范大学 | 基于数据分析的雨型区域划分方法和实时雨型预测方法 |
CN112633595A (zh) * | 2020-12-31 | 2021-04-09 | 南京师范大学 | 一种基于雷达降雨数据挖掘的雨量站观测网络设计方法 |
CN113111593A (zh) * | 2021-05-11 | 2021-07-13 | 中国人民解放军国防科技大学 | 一种基于双链路衰减的降雨模糊聚类方法 |
CN113111593B (zh) * | 2021-05-11 | 2022-09-02 | 中国人民解放军国防科技大学 | 一种基于双链路衰减的降雨模糊聚类方法 |
CN115358354A (zh) * | 2022-10-24 | 2022-11-18 | 中国水利水电科学研究院 | 一种降雨空间数据复原和重构的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109376940B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376940A (zh) | 获取降雨过程中的降雨时空分布规律的方法和装置 | |
Hoffmann et al. | Predicted climate shifts within terrestrial protected areas worldwide | |
JP7183385B2 (ja) | ノード分類方法、モデル訓練方法並びに、その装置、機器及びコンピュータプログラム | |
CN110362677B (zh) | 文本数据类别的识别方法及装置、存储介质、计算机设备 | |
Kaneko et al. | Event photo mining from twitter using keyword bursts and image clustering | |
Borruso | Network density estimation: analysis of point patterns over a network | |
CN104732092B (zh) | 一种基于聚类的水文降雨一致区分析方法 | |
CN101615248A (zh) | 年龄估计方法、设备和人脸识别系统 | |
CN111160243A (zh) | 客流量统计方法及相关产品 | |
Sainaghi et al. | Destination events, stability, and turning points of development | |
Formánek | GDP per capita in selected EU countries: Economic growth factors and spatio-temporal interactions examined at the NUTS2 level | |
CN108770002A (zh) | 基站流量分析方法、装置、设备及存储介质 | |
CN105608217B (zh) | 一种基于遥感数据的热点主题展示方法 | |
Canévet et al. | Large scale hard sample mining with monte carlo tree search | |
Aguiar et al. | Effect of chronological addition of records to species distribution maps: The case of Tonatia saurophila maresi (C hiroptera, P hyllostomidae) in S outh A merica | |
CN113727201A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
KR20140026951A (ko) | 소셜정보를 이용한 자살수 예측 방법 및 장치 | |
CN102663439B (zh) | 一种基于距离计算的高光谱图像顺次波段选择方法 | |
Mccabe et al. | Raising the bar for the next generation of biological atlases: using existing data to inform the design and implementation of atlas monitoring | |
CN112967100B (zh) | 相似人群扩展方法、装置、计算设备以及介质 | |
CN105653645B (zh) | 网络信息关注度评估方法及装置 | |
TWM626891U (zh) | 分行據點的選址裝置 | |
Tan et al. | Economic loss assessment of tropical cyclones based on bibliometric data analysis | |
CN114374953A (zh) | 基于Hadoop和RAPIDS的多源特征转换基站下APP使用预测方法及系统 | |
Yamashita et al. | Effects of residual trees on tree height of 18-and 19-year-old Cryptomeria japonica planted in group selection openings |
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 |