CN109472283A - 一种基于多重增量回归树模型的危险天气事件预测方法和装置 - Google Patents

一种基于多重增量回归树模型的危险天气事件预测方法和装置 Download PDF

Info

Publication number
CN109472283A
CN109472283A CN201811067217.9A CN201811067217A CN109472283A CN 109472283 A CN109472283 A CN 109472283A CN 201811067217 A CN201811067217 A CN 201811067217A CN 109472283 A CN109472283 A CN 109472283A
Authority
CN
China
Prior art keywords
training
data matrix
sample
prediction
hazardous weather
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
Application number
CN201811067217.9A
Other languages
English (en)
Other versions
CN109472283B (zh
Inventor
李峥
林青慧
王学志
周园春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Computer Network Information Center of CAS
Original Assignee
Computer Network Information Center of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Computer Network Information Center of CAS filed Critical Computer Network Information Center of CAS
Priority to CN201811067217.9A priority Critical patent/CN109472283B/zh
Publication of CN109472283A publication Critical patent/CN109472283A/zh
Application granted granted Critical
Publication of CN109472283B publication Critical patent/CN109472283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于多重增量回归树模型的危险天气事件预测方法和装置。该方法的步骤包括：1)读取气象观测历史资料，将气象特征数据和危险天气事件记录作为样本数据集；2)根据样本数据集建立训练数据矩阵和验证数据矩阵；3)设置多重增量回归树模型的模型参数；4)输入训练数据矩阵和验证数据矩阵，对多重增量回归树模型进行训练，得到训练完成的多重增量回归树模型；5)向训练完成的多重增量回归树模型输入预测数据矩阵，得到未来危险天气事件的发生概率。本发明能够显著提高对危险天气事件的预报准确率。

Description

一种基于多重增量回归树模型的危险天气事件预测方法和 装置
技术领域
本发明涉及气象科学领域和计算机技术领域，具体来说，涉及一种基于多重增量回归树模型的危险天气事件预测方法和装置。
背景技术
危险天气是指可能危及飞行和地面设施安全的天气过程，一般包括：恶劣能见度、低云、云蔽山、大风、冰雹、积雨云、雷暴、龙卷风或飓风等。这些危险天气常常会引起航空器飞行中发生灾难性事故。对危险天气事件的准确预测，能够为危险天气预警提供决策依据，保障飞行安全，减少人员伤亡和经济损失。
目前已有的危险天气事件预测的方法常用的是数值天气预报和基于数值预报的动力-统计方法。
在天气预报预测方面，数值预报已成为构建现代天气预报业务技术体系的基础。这一技术依赖于高性能计算机集群或超级计算机，进行长时间的数值计算，对大规模非线性方程组进行求解。数值天气预报不能直接对危险天气事件是否发生进行预测，需要预报员对气象要素的预测结果进行人工判别和分析，再给出危险天气是否发生的预报。因此，这种方法依赖于预报员的知识和经验积累。
动力-统计方法是根据数值天气预报结果，计算多个与危险天气可能相关的对流参数、大气稳定度参数、动力参数、能量参数等，用这些参数作为预报因子建立预报方程，使用统计方法对这些方程进行求解。在此基础上进行天气分型和物理量诊断，从而对危险天气是否发生进行预报。这种方法需要根据经验公式计算多个参数，对预报因子的选择和天气分型都依赖于经验。
其它一些危险天气预测方法包括支持向量机、神经网络等。这些方法目前仍是将数值天气预报的结果计算得到的多个参数作为预报因子，建立支持向量机或神经网络模型，从而对危险天气进行预测。
上述数值预报方法需要使用大量的计算资源和时间，同时依赖于预报员的人工分析。而动力-统计方法、支持向量机和神经网络方法目前均需要使用数值预报的结果根据经验公式计算多个参数，并通过人工选择预报因子建立模型，其预测准确度并不高。
发明内容
本发明的目的是提供一种基于多重增量回归树模型(简称MART模型)的危险天气事件预测方法和装置。本发明使用气象观测站记录的历史实况资料建立MART模型，使用所建立的MART模型进行危险天气事件预测，显著提高对危险天气事件的预报准确率。
为实现上述目的，本发明所采用的技术方案为：
一种基于MART模型的危险天气事件预测方法，其步骤包括：
1、读取气象观测历史资料，将气象特征数据和危险天气事件记录作为样本数据集；
2、根据样本数据集建立训练数据矩阵和验证数据矩阵；
3、设置多重增量回归树模型的模型参数；
4、输入训练数据矩阵和验证数据矩阵，对多重增量回归树模型进行训练，得到训练完成的多重增量回归树模型；
5、向训练完成的多重增量回归树模型输入预测数据矩阵，得到未来危险天气事件的发生概率。
进一步地，步骤1所述气象观测历史资料包括地面气象观测历史资料和/或高空气象探测历史资料，具体包括气象特征数据和危险天气事件记录。优选的，所述气象观测历史资料包括至少近5年的数据记录。
进一步地，步骤1所述气象特征数据包括站点经度、站点纬度、站点高度、气温、气压、湿度、风向、风速、云量、云状、云底高、能见度、降水等气象观测要素。
进一步地，步骤1所述危险天气事件记录包括危险天气类型是否发生的记录，所述危险天气类型包括：大风、恶劣能见度、积雨云、冰雹、云蔽山、低云、雷暴、龙卷风或飓风等。
进一步地，步骤2所述样本数据集是M行N列的矩阵，每一行为一条样本数据记录，1～N-1列为气象特征数据，第N列为危险天气事件记录。所述样本数据记录逐条按时间顺序从远到近排列，1～m条样本数据记录设置为训练数据矩阵，m+1～M条数据记录设置为验证数据矩阵，其中1<m<M。所述训练数据矩阵和验证数据矩阵中的样本数据记录不重复。优选的，所述验证数据矩阵至少包括近1年的样本数据记录或者近期M*10％条样本数据记录。
进一步地，步骤3所述模型参数包括以下至少之一：学习速率、树最大深度、叶节点最小样本数、叶节点分裂最小损失系数、训练样本的子抽样比例、建树的样本列子抽样比例、L1正则化权重、L2正则化权重、评估指标、最大迭代次数。优选的，所述模型参数的预设值为：学习速率为0.3、树最大深度为6、叶节点最小样本数为1、叶节点分裂最小损失系数为0、训练样本的子抽样比例为1、建树的样本列子抽样比例为1、L1正则化权重为0、L2正则化权重为1、评估指标为预测错误率、最大迭代次数为1000。
进一步地，步骤4包括以下步骤：
(1)读取训练数据矩阵，构建第一棵树t1，计算预测结果与目标函数值；
(2)读取验证数据矩阵，用第一棵树t1计算验证集预测错误率；
(3)读取训练数据矩阵，构建第二棵树t2，计算预测结果与目标函数值；
(4)读取验证数据矩阵，用树t1,t2计算验证集预测错误率；
(5)重复上述步骤(3)到步骤(4)，每次读取训练数据矩阵，构建一棵新的树tk，计算预测结果与目标函数值；并且读取验证数据矩阵，用树t1,t2,…,tk计算验证集预测错误率，直到满足终止条件。所述终止条件为验证集预测错误率达到最小值或迭代次数大于所述最大迭代次数。
进一步地，步骤4所述预测结果定义为全部K棵树的输出结果之和，第i条训练样本的预测结果表示为：其中，fk为第k棵树模型，xi表示第i条训练样本。
进一步地，步骤4所述目标函数定义为：其中，L为训练损失函数；Ω(fk)为正则化项；yi表示与第i条训练样本对应的危险天气事件记录，其数值为1或0，其中1表示发生该危险天气事件，0表示未发生；m表示训练样本总数。
进一步地，步骤4所述预测错误率定义为：E＝Cerr/Ctotal。其中Cerr为预测错误的样本数，Ctotal为样本总数。当使用验证数据矩阵计算预测错误率时，所述预测错误率为验证集预测错误率。
进一步地，步骤4所述训练完成的多重增量回归树模型为T棵树的集合{t1,t2,…,tT}，其中T不大于所述最大迭代次数。
进一步地，步骤5所述预测数据矩阵包括用于预测的气象特征数据，是观测实况数据记录，与步骤1所述气象特征数据所包括的气象观测要素相同。
一种基于多重增量回归树模型的危险天气事件预测装置，其包括：
样本数据集获取单元，用于读取气象观测历史资料，将气象特征数据和危险天气事件记录作为样本数据集；
数据矩阵建立单元，用于根据样本数据集建立训练数据矩阵和验证数据矩阵；
参数设置单元，用于设置多重增量回归树模型的模型参数；
模型训练单元，用于输入训练数据矩阵和验证数据矩阵，对多重增量回归树模型进行训练，得到训练完成的多重增量回归树模型；
危险天气事件预测单元，用于向训练完成的多重增量回归树模型输入预测数据矩阵，得到未来危险天气事件的发生概率。
一种计算机，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行上面所述方法中各步骤的指令。
本发明提供的方法根据历史气象观测数据自动学习危险天气事件的发生规律，直接对危险天气事件是否发生及其发生概率进行预测，只需在普通PC计算机上计算即可，无需使用高性能计算机集群或超级计算机进行大规模长时间数值计算，节省计算资源和计算时间开销，并且解决了传统的数值天气预报技术不能直接对危险天气事件进行预测的问题，无需人工判断分析，预测结果不受主观认识的影响，效果好，准确率高。同时，本发明提供的方法，所建立的模型简单，具有清晰明确的物理意义，这是神经网络和支持向量机方法所不具备的优点。
附图说明
图1为本发明提供的危险天气事件预测方法示意图。
具体实施方式
下面通过具体实施例并配合附图，对本发明作进一步的说明。
本实施例的一种基于多重增量回归树模型的危险天气事件预测方法的流程如图1所示。下面以全国未来3小时雷暴天气事件的预测为例进行详细说明。
第一步，读取地面气象站点观测记录的历史资料，建立样本数据集。本实施例中的样本数据集为2010年1月～2014年12月的全国地面气象观测资料和国内航空危险天气资料。样本数据集为30列的矩阵，包括全国有雷暴天气事件记录的测站，其中每一行是测站的一条观测记录，逐条按时间顺序从远到近排列：1～29列为测站T时刻记录的气象特征数据，包括测站经度、测站纬度、测站高度、云底高、能见度、总云量、风向、风速、气温、露点、本站气压、海平面气压、3小时变压、气压倾向、现在天气、过去天气1、过去天气2、中低云累积云量、低云状、中云状、高云状、6小时降水、12小时降水、24小时降水、24小时变压、24小时变温、24小时最高气温、24小时最低气温、地面最低温度；第30列为同一测站T+3～T+4时间段内的雷暴天气事件记录。
第二步，第一步得到的样本数据集包括约37000条数据，其中2010年1月～2013年12月的样本数据记录设置为训练数据矩阵x，包括约29000条数据；2014年1月～2014年12月的样本数据记录设置为验证数据矩阵x’，约8000条数据。
第三步，将模型参数进行设置如下：学习速率为0.3、树最大深度为6、叶节点最小样本数为3、叶节点分裂最小损失系数为0、训练样本的子抽样比例为1、建树的样本列子抽样比例为1、L1正则化权重为0、L2正则化权重为1、评估指标为预测错误率、最大迭代次数为1000。
第四步，使用训练数据矩阵x和验证数据矩阵x’对模型进行训练，得到K棵树的集合{t1,t2,…,tK}。训练损失函数为交叉熵损失函数：正则化项为：其中γ表示叶节点分裂最小损失系数，T表示叶节点数，λ表示叶节点的L2正则化权重，w表示叶节点的权重分值。在本发明的其它实施例中，还可以使用其他形式的损失函数和正则化项。训练过程的具体步骤如下：
(1)读取训练数据矩阵x，构建第一棵树t1，计算预测结果与目标函数值；
(2)读取验证数据矩阵x’，用第一棵树t1计算验证集预测错误率；
(3)读取训练数据矩阵x，构建第二棵树t2，计算预测结果与目标函数值；
(4)读取验证数据矩阵x’，用树t1,t2计算验证集预测错误率；
(5)重复上述步骤(3)到步骤(4)，每次读取训练数据矩阵x，构建一棵新的树tk，计算预测结果与目标函数值；并且读取验证数据矩阵x’，用树t1,t2,…,tk计算验证集预测错误率，直到满足验证集预测错误率达到最小值或迭代次数达到1000。
第五步，使用训练完成的模型{t1,t2,…,tK}，输入预测数据矩阵，即国内地面气象站最近一次记录的气象特征数据，这些特征与样本数据集的1～29列相同，包括测站经度、测站纬度、测站高度、云底高、能见度、总云量、风向、风速、气温、露点、本站气压、海平面气压、3小时变压、气压倾向、现在天气、过去天气1、过去天气2、中低云累积云量、低云状、中云状、高云状、6小时降水、12小时降水、24小时降水、24小时变压、24小时变温、24小时最高气温、24小时最低气温、地面最低温度。模型输出该站点后续3～4小时内雷暴危险天气事件是否发生及其发生概率。
根据上述实施例，对模型进行训练，可获得如下进步效果：在训练数据集上，模型对雷暴天气事件的预测正确率为95.0％，非雷暴事件的预测正确率为90.8％，预测精度为92.1％，预测准确度为93.0％，AUC值为0.974，F1分值为0.935；在验证数据集上，模型对雷暴天气事件的预测正确率为85.9％，非雷暴事件的预测正确率为89.7％，预测精度为91.5％，预测准确度为87.6％，AUC值为0.928，F1分值为0.886。
在本发明方案的具体步骤中，可以有其它替代方式或变形方式，例如：
1、步骤1除了读取地面气象观测历史资料外，还可以读取高空气象探测历史资料。
2、步骤1所述气象特征数据，还可以包括高空各气压层或高度层的气温、气压、湿度、风向、风速等高空气象探测要素。
3、步骤2除了建立训练数据矩阵和验证数据矩阵，还可以建立测试数据矩阵。所述样本数据记录逐条按时间顺序从远到近排列，1～m条样本数据记录设置为训练数据矩阵，m+1～n条数据记录设置为验证数据矩阵，n+1～M条数据记录设置为测试数据矩阵，其中1<m<n<M。所述训练数据矩阵、验证数据矩阵和测试数据矩阵中的样本数据记录不重复。
4、步骤5还可以向训练完成的多重增量回归树模型输入测试数据矩阵，得到模型的预测结果和测试集预测错误率。
显然，以上所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员所获得的所有其他实施例，都属于本发明保护的范围。

Claims (10)

1.一种基于多重增量回归树模型的危险天气事件预测方法，其特征在于，包括以下步骤：
1)读取气象观测历史资料，将气象特征数据和危险天气事件记录作为样本数据集；
2)根据样本数据集建立训练数据矩阵和验证数据矩阵；
3)设置多重增量回归树模型的模型参数；
4)输入训练数据矩阵和验证数据矩阵，对多重增量回归树模型进行训练，得到训练完成的多重增量回归树模型；
5)向训练完成的多重增量回归树模型输入预测数据矩阵，得到未来危险天气事件的发生概率。
2.如权利要求1所述的方法，其特征在于，步骤1)所述气象观测历史资料包括地面气象观测历史资料和/或高空气象探测历史资料。
3.如权利要求1所述的方法，其特征在于，步骤1)所述气象特征数据包括站点经度、站点纬度、站点高度、气温、气压、湿度、风向、风速、云量、云状、云底高、能见度、降水；所述危险天气事件记录包括危险天气类型是否发生的记录，所述危险天气类型包括：大风、恶劣能见度、积雨云、冰雹、云蔽山、低云、雷暴、龙卷风或飓风。
4.如权利要求1所述的方法，其特征在于，步骤2)所述样本数据集是M行N列的矩阵，每一行为一条样本数据记录，1～N-1列为气象特征数据，第N列为危险天气事件记录；所述样本数据记录逐条按时间顺序从远到近排列，1～m条样本数据记录设置为训练数据矩阵，m+1～M条数据记录设置为验证数据矩阵，其中1<m<M；所述训练数据矩阵和验证数据矩阵中的样本数据记录不重复。
5.如权利要求1所述的方法，其特征在于，步骤3)所述模型参数包括以下至少之一：学习速率、树最大深度、叶节点最小样本数、叶节点分裂最小损失系数、训练样本的子抽样比例、建树的样本列子抽样比例、L1正则化权重、L2正则化权重、评估指标、最大迭代次数。
6.如权利要求1所述的方法，其特征在于，步骤4)包括：
(1)读取训练数据矩阵，构建第一棵树t1，计算预测结果与目标函数值；
(2)读取验证数据矩阵，用第一棵树t1计算验证集预测错误率；
(3)读取训练数据矩阵，构建第二棵树t2，计算预测结果与目标函数值；
(4)读取验证数据矩阵，用树t1,t2计算验证集预测错误率；
(5)重复上述步骤(3)到步骤(4)，每次读取训练数据矩阵，构建一棵新的树tk，计算预测结果与目标函数值；并且读取验证数据矩阵，用树t1,t2,…,tk计算验证集预测错误率，直到满足终止条件，所述终止条件为验证集预测错误率达到最小值或迭代次数大于最大迭代次数。
7.如权利要求6所述的方法，其特征在于，所述预测结果定义为全部K棵树的输出结果之和，第i条训练样本的预测结果表示为：其中fk为第k棵树模型，xi表示第i条训练样本；所述目标函数定义为：其中L为训练损失函数；Ω(fk)为正则化项；yi表示与第i条训练样本对应的危险天气事件记录，其数值为1或0，其中1表示发生该危险天气事件，0表示未发生；m表示训练样本总数；所述预测错误率定义为：E＝Cerr/Ctotal，其中Cerr为预测错误的样本数，Ctotal为样本总数；训练完成的多重增量回归树模型为T棵树的集合{t1,t2,…,tT}，其中T不大于所述最大迭代次数。
8.如权利要求1所述的方法，其特征在于，步骤5)所述预测数据矩阵包括用于预测的气象特征数据，是观测实况数据记录，与步骤1)所述气象特征数据所包括的气象观测要素相同。
9.一种基于多重增量回归树模型的危险天气事件预测装置，其特征在于，包括：
样本数据集获取单元，用于读取气象观测历史资料，将气象特征数据和危险天气事件记录作为样本数据集；
数据矩阵建立单元，用于根据样本数据集建立训练数据矩阵和验证数据矩阵；
参数设置单元，用于设置多重增量回归树模型的模型参数；
模型训练单元，用于输入训练数据矩阵和验证数据矩阵，对多重增量回归树模型进行训练，得到训练完成的多重增量回归树模型；
危险天气事件预测单元，用于向训练完成的多重增量回归树模型输入预测数据矩阵，得到未来危险天气事件的发生概率。
10.一种计算机，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1至8中任一权利要求所述方法中各步骤的指令。
CN201811067217.9A 2018-09-13 2018-09-13 一种基于多重增量回归树模型的危险天气预测方法和装置 Active CN109472283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811067217.9A CN109472283B (zh) 2018-09-13 2018-09-13 一种基于多重增量回归树模型的危险天气预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811067217.9A CN109472283B (zh) 2018-09-13 2018-09-13 一种基于多重增量回归树模型的危险天气预测方法和装置

Publications (2)

Publication Number Publication Date
CN109472283A true CN109472283A (zh) 2019-03-15
CN109472283B CN109472283B (zh) 2022-02-01

Family

ID=65664372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811067217.9A Active CN109472283B (zh) 2018-09-13 2018-09-13 一种基于多重增量回归树模型的危险天气预测方法和装置

Country Status (1)

Country Link
CN (1) CN109472283B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532945A (zh) * 2019-08-28 2019-12-03 河北冀云气象技术服务有限责任公司 一种智能图像识别云状系统及方法
CN111368887A (zh) * 2020-02-25 2020-07-03 平安科技（深圳）有限公司 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN112381307A (zh) * 2020-11-20 2021-02-19 平安科技（深圳）有限公司 一种气象事件预测方法、装置及相关设备
CN113191568A (zh) * 2021-05-21 2021-07-30 上海市气象灾害防御技术中心(上海市防雷中心) 基于气象的城市运行管理大数据分析预测方法和系统
CN117194982A (zh) * 2023-09-06 2023-12-08 中国民航科学技术研究院 民航客机着陆载荷风险预警方法、系统及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426026A (zh) * 2013-09-10 2013-12-04 信阳师范学院 一种混合神经网络预测及识别景区气象要素的方法
CN104932035A (zh) * 2015-05-26 2015-09-23 中国科学院深圳先进技术研究院 一种台风强度预报方法及系统
US20180175790A1 (en) * 2015-06-23 2018-06-21 Qatar Foundation For Education, Science And Community Development Method of forecasting for solar-based power systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103426026A (zh) * 2013-09-10 2013-12-04 信阳师范学院 一种混合神经网络预测及识别景区气象要素的方法
CN104932035A (zh) * 2015-05-26 2015-09-23 中国科学院深圳先进技术研究院 一种台风强度预报方法及系统
US20180175790A1 (en) * 2015-06-23 2018-06-21 Qatar Foundation For Education, Science And Community Development Method of forecasting for solar-based power systems

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢志敏等: "基于 HY-FMV 模型的雷暴天气预测研究", 《科研信息化技术与应用》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532945A (zh) * 2019-08-28 2019-12-03 河北冀云气象技术服务有限责任公司 一种智能图像识别云状系统及方法
CN111368887A (zh) * 2020-02-25 2020-07-03 平安科技（深圳）有限公司 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN111368887B (zh) * 2020-02-25 2024-05-03 平安科技（深圳）有限公司 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN112381307A (zh) * 2020-11-20 2021-02-19 平安科技（深圳）有限公司 一种气象事件预测方法、装置及相关设备
WO2021203980A1 (zh) * 2020-11-20 2021-10-14 平安科技（深圳）有限公司 一种气象事件预测方法、装置及相关设备
CN112381307B (zh) * 2020-11-20 2023-12-22 平安科技（深圳）有限公司 一种气象事件预测方法、装置及相关设备
CN113191568A (zh) * 2021-05-21 2021-07-30 上海市气象灾害防御技术中心(上海市防雷中心) 基于气象的城市运行管理大数据分析预测方法和系统
CN113191568B (zh) * 2021-05-21 2024-02-02 上海市气象灾害防御技术中心(上海市防雷中心) 基于气象的城市运行管理大数据分析预测方法和系统
CN117194982A (zh) * 2023-09-06 2023-12-08 中国民航科学技术研究院 民航客机着陆载荷风险预警方法、系统及电子设备
CN117194982B (zh) * 2023-09-06 2024-02-13 中国民航科学技术研究院 民航客机着陆载荷风险预警方法、系统及电子设备

Also Published As

Publication number Publication date
CN109472283B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN109472283A (zh) 一种基于多重增量回归树模型的危险天气事件预测方法和装置
Meier et al. Biotic and abiotic variables show little redundancy in explaining tree species distributions
CN110728411B (zh) 一种基于卷积神经网络的高低空区域联合降雨预测方法
Davy et al. Statistical downscaling of wind variability from meteorological fields
US20160203245A1 (en) Method for simulating wind field of extreme arid region based on wrf
Zhang et al. Discriminating developing versus nondeveloping tropical disturbances in the western North Pacific through decision tree analysis
CN113537844B (zh) 基于随机矩阵的区域能源互联网负荷行为分析方法及系统
KR101575847B1 (ko) 북반구 기후 지수를 이용한 북서태평양 해수면 온도 변동성 진단 모델링 시스템 및 방법
Ukkonen et al. Evaluation of thunderstorm predictors for Finland using reanalyses and neural networks
CN109543907B (zh) 一种复杂地形风资源评估方法及其装置
CN111639803A (zh) 一种应用于气候变化情景下区域未来植被指数的预估方法
Liu et al. Constraining land surface and atmospheric parameters of a locally coupled model using observational data
CN109494716B (zh) 基于Bootstrap的风电输出功率置信区间预测方法
Tan et al. A prediction scheme of tropical cyclone frequency based on lasso and random forest
Vigaud et al. Probabilistic skill of subseasonal surface temperature forecasts over North America
CN109191408A (zh) 快速循环地面气象融合方法、装置及服务器
CN116502050A (zh) 全球通量站点蒸散发观测缺失的动态插补方法与系统
Mishra et al. Simulating hydrological drought properties at different spatial units in the United States based on wavelet–Bayesian regression approach
CN112580899A (zh) 一种融合机器学习模型的中长期风力发电预测方法及系统
Dong et al. Quality control algorithm for marine meteorological data based on interest degree association rules
Rogers et al. Convection during the North American monsoon across central and southern Arizona: Applications to operational meteorology
WO2020105151A1 (ja) 設備保守点検支援システム及び点検順序決定方法
CN115907178B (zh) 一种净生态系统co2交换量的预测方法
CN116611588B (zh) 降水多驱动因子分段率定优化预报方法及系统
Støve et al. A test for nonlinearity in temperature proxy records

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