CN110187074B - 一种越野滑雪赛道雪质预测方法 - Google Patents
一种越野滑雪赛道雪质预测方法 Download PDFInfo
- Publication number
- CN110187074B CN110187074B CN201910506744.3A CN201910506744A CN110187074B CN 110187074 B CN110187074 B CN 110187074B CN 201910506744 A CN201910506744 A CN 201910506744A CN 110187074 B CN110187074 B CN 110187074B
- Authority
- CN
- China
- Prior art keywords
- temperature
- humidity
- snow
- time
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000004018 waxing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000037078 sports performance Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1873—Ice or snow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种越野滑雪赛道雪质预测方法，所述方法利用温湿度传感器测量任意时刻的雪场温湿度，对温湿度数据进行图像化，并利用建立的深度神经网络训练模型训练数据，从而预测出下一时刻传感器位置处的温湿度信息。本发明所述方法能够实现雪质预报的实时化、自动化、智能化，能对雪场周围的温度、湿度进行实时监测，并形成完整有效的数据，进而通过机器学习方法，实现智能预报决策。
Description
技术领域
本发明属于信息处理技术领域，特别是涉及一种越野滑雪赛道雪质预测方法。
背景技术
随着体育竞技水平的提高，体育训练的要求也不断提高，为了进一步改进教练员、运动员的训练方式，进一步优化训练方法，需要在竞技体育训练中引进更多的训练手段。利用科学方法作为辅助手段提高运动员竞技水平越来越普遍，各国都在争相引入先进科技手段以优化训练器材、进行训练质量控制、提高比赛的技战术水平。
越野滑雪是运动员借助安装在靴底的滑雪板，运用登山、滑降、转弯、滑行等基本技术，滑行于山丘雪原的运动项目。滑雪板作为一种专业运动器材对越野滑雪成绩影响重大，为了提高滑雪时的速度，现代的滑雪板大量采用玻璃纤维复合材料、高分子材料，并分为很多不同的种类。如根据雪板底座可分为溶质板、压缩板和石墨板。为了更好地发挥运动器材效能，挖掘器材潜力，给雪板上蜡是维持雪板运动性能的重要措施，在国外专业训练或正式比赛中，都有专职打蜡师给雪板打雪蜡，以期获得更好的雪板性能，提升比赛成绩。雪蜡种类繁多，使用时需要根据雪板使用环境的温度、雪质(新雪、陈雪、脏雪、冰状雪、粗糙雪)、空气湿度等条件以及雪板类型不同选用对应的雪蜡。如何根据雪质状态选择合适的雪蜡，是雪板打蜡技术的关键问题。目前全凭打蜡师或教练员的经验和估计则考验着打蜡师的经验和技术水准。
据统计，自然条件下的雪有粉状雪、片状雪、雨加雪、易碎雪、壳状雪、浆状雪、粒状雪、泥状雪、冰状雪等，人工雪则主要有压实的粉状雪、雪道雪等类型。一般在清晨时，雪质呈现冰状雪形态，表层有一层薄的硬冰壳，这种雪质的表面与滑雪板的摩擦力非常小，通常这时无需为滑雪板打蜡。随着阳光的照射和温度的升高，雪的表面慢慢融化，雪质呈粉状雪形态，而在雪板的不断摩擦与翻动下，雪质又逐渐呈浆状雪形态，雪质发粘，摩擦力增大，这时在滑雪板的底面打蜡，可以显著减小滑行阻力。因此，实时地检测、预报滑雪场上的雪质对于选择合适的雪蜡是至关重要的。
发明内容
本发明目的是为了解决现有技术中的问题，提出了一种越野滑雪赛道雪质预测方法。本发明所述方法能够及时、准确地预报任意时刻滑雪场上雪质，为雪蜡的选择提供可靠的依据。
本发明是通过以下技术方案实现的，本发明提出一种越野滑雪赛道雪质预测方法，所述方法包括以下步骤：
步骤1、在滑雪赛道两侧均匀安装N个温湿度传感器，所述N个温湿度传感器同时采集当前时刻t的温度pi和湿度qi，i＝1,...N；采样间隔为Δt；t时刻的温湿度数据记为Xt，其包含N个数据对(pi，qi)，所述N个数据对是离散的；
步骤2、对步骤1获取到的数据进行预处理，并标记当前时刻t的雪质状态；
步骤3、把滑雪赛道及赛道上安装的温湿度传感器看作带状图进行蛇形映射，将预处理后的离散的N个数据对进行图像化，使其成为一个二通道的图像数据，所述二通道的图像数据仍然记做Xt，从而得到二维温湿度分布图，t时刻的第i个温湿度传感器获得的数据对(pi，qi)对应于二维温湿度分布图中图像数据Xt上的(a,b)像素点，
表示t时刻的二维温湿度分布图中(a,b)像素点对应的像素值；
步骤4、建立下一时刻t+1温湿度数据和历史数据之间的关系f:
其中X1:t为时刻1到时刻t之间的所有二维温湿度分布图，
为t+1时刻的二维温湿度分布图中(a,b)像素点的像素值；从而得到下一时刻t+1在像素点(a,b)位置处的温湿度信息(pi,qi)t+1。
进一步地，在步骤3中，t时刻的图像数据Xt为M*M的方阵，M的值是根据温湿度传感器的数量N设定的，由于t时刻的第i个温湿度传感器获得的数据对(pi，qi)对应于图像数据Xt上的(a,b)像素点，则该像素点对应的位置信息为((i-1)」M+1，(i-1)|M+1)，其中a＝(i-1)」M+1，b＝(i-1)|M+1，“」”为取整运算符，“|”为取模运算符，对于分布图中不足的点，则采取置零的操作。
进一步地，在步骤4中，构建一个深度神经网络，首先将1到时刻t的二维温湿度分布图经过卷积层输入到长短时记忆网络的隐含层，计算t时刻的隐状态ht,并将其和位置信息((i-1)」M+1，(i-1)|M+1)同时输入到一个全连接层，进而输出下一时刻t+1在像素点(a,b)位置处的温湿度信息(pi,qi)t+1。
进一步地，所述雪质状态包括冰状雪、粉状雪和浆状雪三种不同的状态。
本发明的有益效果为：本发明所述方法能够实现雪质预报的实时化、自动化、智能化，能对雪场周围的温度、湿度进行实时监测，并形成完整有效的数据，进而通过机器学习方法，实现智能预报决策。
附图说明
图1为本发明所述越野滑雪赛道雪质预测方法流程图；
图2为温湿度传感器布置图；
图3为滑雪赛道映射图；
图4为温湿度数据的二维温湿度分布图；
图5为神经网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1，本发明提出一种越野滑雪赛道雪质预测方法，所述方法包括以下步骤：
步骤1、温度和湿度共同决定了雪质的状态。雪质状态预报的前提是对雪场周围温度和湿度的准确测量，因此在滑雪赛道两侧边缘均匀安装N个温湿度传感器，如图2所示，所述N个温湿度传感器同时采集当前时刻t的温度pi和湿度qi，i＝1,...N；采样间隔为Δt；由于温湿度是两个变化量，二者的数值随时间而变化，因此，传感器需要记录每一时刻的温湿度信息，t时刻的温湿度数据记为Xt，其包含N个数据对(pi，qi)，所述N个数据对是离散的；
步骤2、对步骤1获取到的数据进行预处理，并标记当前时刻t的雪质状态；所述雪质状态包括冰状雪、粉状雪和浆状雪三种不同的状态；所述预处理包括对数据进行清洗、去噪和归一化等操作。
步骤3、把滑雪赛道及赛道上安装的温湿度传感器看作带状图，进行蛇形映射，如图3所示。将预处理后的离散的N个数据对进行图像化，使其」成为一个二通道的图像数据，所述二通道的图像数据仍然记做Xt，从而得到二维温湿度分布图，如图4所示，t时刻的第i个温湿度传感器获得的数据对(pi，qi)对应于二维温湿度分布图中图像数据Xt上的(a,b)像素点，
表示t时刻的二维温湿度分布图中(a,b)像素点对应的像素值；
在步骤3中，t时刻的图像数据Xt为M*M的方阵，M的值是根据温湿度传感器的数量N设定的，由于t时刻的第i个温湿度传感器获得的数据对(pi，qi)对应于图像数据Xt上的(a,b)像素点，则该像素点对应的位置信息为((i-1)」M+1，(i-1)|M+1)，其中a＝(i-1)」M+1，b＝(i-1)|M+1，“」”为取整运算符，“|”为取模运算符，对于分布图中不足的点，则采取置零的操作。
步骤4、建立下一时刻t+1温湿度数据和历史数据之间的关系f:
其中X1:t为时刻1到时刻t之间的所有二维温湿度分布图，
为t+1时刻的二维温湿度分布图中(a,b)像素点的像素值；从而得到下一时刻t+1在像素点(a,b)位置处的温湿度信息(pi,qi)t+1。
在步骤4中，构建一个深度神经网络，如图5所示，本发明采用反向传播方法训练模型，训练过程中采用交叉熵损失函数。卷积层采用7层的ConvNet结构，使用ReLU激活函数和3×3的滤波器，池化层(图5中未示出，其是神经网络的一部分)步长为2。全连接层中采用概率为0.5的Dropout。首先将1到时刻t的二维温湿度分布图经过卷积层输入到长短时记忆网络的隐含层，计算t时刻的隐状态ht,并将其和位置信息((i-1)」M+1，(i-1)|M+1)同时输入到一个全连接层，进而输出下一时刻t+1在像素点(a,b)位置处的温湿度信息(pi,qi)t+1。
以上对本发明所提供的一种越野滑雪赛道雪质预测方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种越野滑雪赛道雪质预测方法，其特征在于：所述方法包括以下步骤：
步骤1、在滑雪赛道两侧均匀安装N个温湿度传感器，所述N个温湿度传感器同时采集当前时刻t的温度pi和湿度qi，i＝1,...N；采样间隔为Δt；t时刻的温湿度数据记为Xt，其包含N个数据对(pi，qi)，所述N个数据对是离散的；
步骤2、对步骤1获取到的数据进行预处理，并标记当前时刻t的雪质状态；
步骤3、把滑雪赛道及赛道上安装的温湿度传感器看作带状图进行蛇形映射；将预处理后的离散的N个数据对进行图像化，使其成为一个二通道的图像数据，所述二通道的图像数据仍然记做Xt，从而得到二维温湿度分布图，t时刻的第i个温湿度传感器获得的数据对(pi，qi)对应于二维温湿度分布图中图像数据Xt上的(a,b)像素点，
表示t时刻的二维温湿度分布图中(a,b)像素点对应的像素值；
步骤4、建立下一时刻t+1温湿度数据和历史数据之间的关系f:
其中X1:t为时刻1到时刻t之间的所有二维温湿度分布图，
为t+1时刻的二维温湿度分布图中(a,b)像素点的像素值；从而得到下一时刻t+1在像素点(a,b)位置处的温湿度信息(pi,qi)t+1；
在步骤4中，构建一个深度神经网络，首先将1到时刻t的二维温湿度分布图经过卷积层输入到长短时记忆网络的隐含层，计算t时刻的隐状态ht,并将其和位置信息
同时输入到一个全连接层，进而输出下一时刻t+1在像素点(a,b)位置处的温湿度信息(pi,qi)t+1。
2.根据权利要求1所述的方法，其特征在于：在步骤3中，t时刻的图像数据Xt为M*M的方阵，M的值是根据温湿度传感器的数量N设定的，由于t时刻的第i个温湿度传感器获得的数据对(pi，qi)对应于图像数据Xt上的(a,b)像素点，则该像素点对应的位置信息为
其中
为取整运算符，“|”为取模运算符，对于分布图中不足的点，则采取置零的操作。
3.根据权利要求1所述的方法，其特征在于：所述雪质状态包括冰状雪、粉状雪和浆状雪三种不同的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910506744.3A CN110187074B (zh) | 2019-06-12 | 2019-06-12 | 一种越野滑雪赛道雪质预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910506744.3A CN110187074B (zh) | 2019-06-12 | 2019-06-12 | 一种越野滑雪赛道雪质预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110187074A CN110187074A (zh) | 2019-08-30 |
| CN110187074B true CN110187074B (zh) | 2021-07-20 |
Family
ID=67721460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910506744.3A Active CN110187074B (zh) | 2019-06-12 | 2019-06-12 | 一种越野滑雪赛道雪质预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110187074B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113534295A (zh) * | 2021-06-22 | 2021-10-22 | 田祎 | 一种雪质预报方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
| CN102392095B (zh) * | 2011-10-21 | 2013-09-11 | 湖南镭目科技有限公司 | 转炉炼钢终点预测方法和系统 |
| CN103063880A (zh) * | 2012-12-21 | 2013-04-24 | 浙江大学 | 一种估计并补偿扫描探针显微镜中温漂的方法 |
| CN106371155B (zh) * | 2016-08-25 | 2018-12-21 | 华南师范大学 | 基于大数据和分析场的气象预报方法及系统 |
| CN106529081A (zh) * | 2016-12-03 | 2017-03-22 | 安徽新华学院 | 一种基于神经网络的pm2.5实时等级预测方法和系统 |
| JP2021509212A (ja) * | 2017-10-27 | 2021-03-18 | 国立交通大学 | 病害の予測・コントロール方法、及びそのシステム |
| CN108845075B (zh) * | 2018-04-25 | 2021-06-29 | 南京农业大学 | 基于深度学习网络的堆肥腐熟实时预测方法 |
| CN109583568A (zh) * | 2018-11-28 | 2019-04-05 | 中科赛诺（北京）科技有限公司 | 资料延伸方法、装置及电子设备 |
-
2019
- 2019-06-12 CN CN201910506744.3A patent/CN110187074B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110187074A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107483920B (zh) | 一种基于多层级质量因子的全景视频评估方法及系统 | |
| CN109919981A (zh) | 一种基于卡尔曼滤波辅助的多特征融合的多目标跟踪方法 | |
| CN110187074B (zh) | 一种越野滑雪赛道雪质预测方法 | |
| CN107766823B (zh) | 基于关键区域特征学习的视频中异常行为检测方法 | |
| US10825183B2 (en) | Analyzing and processing method and device for a road | |
| CN109446920A (zh) | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 | |
| CN109376589A (zh) | 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法 | |
| Meyer et al. | Aerodynamic drag modeling of alpine skiers performing giant slalom turns | |
| CN104200475B (zh) | 一种无参考图像模糊度估计新方法 | |
| CN108830934B (zh) | 一种用于骑行训练系统的实景运动控制方法 | |
| CN110443761A (zh) | 一种基于多尺度聚合特征的单幅图像去雨方法 | |
| Schmidt et al. | Artificial snowmaking possibilities and climate change based on regional climate modeling in the Southern Black Forest | |
| CN110111420B (zh) | 滑雪场风场建模方法 | |
| Costa et al. | Hydroclimatic control on suspended sediment dynamics of a regulated Alpine catchment: a conceptual approach | |
| CN111046773A (zh) | 一种基于图像技术判定路面积滞水的方法 | |
| CN114976306A (zh) | 一种基于车联云的动力锂电池智能化梯次利用方法 | |
| Hartl et al. | Analysis of past changes in wet bulb temperature in relation to snow making conditions based on long term observations Austria and Germany | |
| KR102369945B1 (ko) | 압력을 이용한 운동 자세 구분 방법 및 장치 | |
| JP4722178B2 (ja) | 天候変化検出装置、天候変化検出方法及び天候変化検出プログラム | |
| CN116523966A (zh) | 融合场景先验知识的多模态航拍视频车辆目标跟踪方法 | |
| CN114860700A (zh) | 缺失轨迹填补方法及系统 | |
| CN110136255B (zh) | 一种滑雪场运动员风阻耗能评估方法 | |
| CN117011756A (zh) | 一种基于迁移学习方法的视频雨量反演方法 | |
| Shealy et al. | Jumper kinematics on terrain park jumps: relationship between takeoff speed and distance traveled | |
| CN114155700B (zh) | 路面湿滑状态监测方法及系统 |
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 |