CN111221819B - 一种基于多维数据空间分割的相似台风快速匹配方法 - Google Patents

一种基于多维数据空间分割的相似台风快速匹配方法 Download PDF

Info

Publication number
CN111221819B
CN111221819B CN201911375893.7A CN201911375893A CN111221819B CN 111221819 B CN111221819 B CN 111221819B CN 201911375893 A CN201911375893 A CN 201911375893A CN 111221819 B CN111221819 B CN 111221819B
Authority
CN
China
Prior art keywords
typhoon
feature
feature vector
time
similar
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
Application number
CN201911375893.7A
Other languages
English (en)
Other versions
CN111221819A (zh
Inventor
张扬
陈建军
刘佑达
彭雄伟
葛红星
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.)
CETC 14 Research Institute
Original Assignee
CETC 14 Research Institute
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 CETC 14 Research Institute filed Critical CETC 14 Research Institute
Priority to CN201911375893.7A priority Critical patent/CN111221819B/zh
Publication of CN111221819A publication Critical patent/CN111221819A/zh
Application granted granted Critical
Publication of CN111221819B publication Critical patent/CN111221819B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多维数据空间分割的相似台风快速匹配方法，该方法在传统相似标准的基础上增加了环流场相似和结构相似，采用人工智能算法替代传统的相似算法，从而使相似台风的匹配更高效、更精细、更精准。本发明采用流形学习方法，显著降低运算数据量达3000倍，结合KDTree方法，相似台风匹配的搜索速度提升150倍以上；相似标准增加环流场信息及台风结构信息，环流场信息的加入提升了台风路径预测的精度，台风结构信息的加入增加了台风影响评估的精细化程度。

Description

一种基于多维数据空间分割的相似台风快速匹配方法
技术领域
本发明涉及大气科学领域，具体涉及相似天气匹配分析技术。
背景技术
台风是影响我国的重要自然灾害之一。据统计，仅2018年前三季度，我国大陆地区共有10个台风登陆，造成全国3254.6万人次受灾，80人死亡，3人失踪，364.5万人紧急转移安置，直接经济损失692.1亿元。对台风移动路径和影响的准确预报，是防灾减灾的必要环节。
相似路径法是预测台风走向的重要手段之一。我国中央气象局设计的传统相似法采用3个相似标准：季节相似、地理相似和移速移向相似。在计算相似度方面，采用面积指数、Hausdorff距离法等。相似路径在某种程度上可以看作是各种相似因子对台风的综合影响，具有一定的科学参考意义。
然而传统的路径相似法也存在一定的弊端：第一，传统相似标准仅考虑台风属性信息，对于影响台风演变的场信息并没有有效利用，对匹配台风的参考价值有一定的影响；第二，传统的相似算法相对单一，大数据条件下很难具备较高的时效性；第三，精细化的台风影响评估需求迫切，传统的路径相似法无法为精细化台风影响评估提供参考。
发明内容
为了克服现有技术的不足，本发明公开了一种基于多维数据空间分割的相似台风快速匹配方法，该方法在传统相似标准的基础上增加了环流场相似和结构相似，采用人工智能算法替代传统的相似算法，从而使相似台风的匹配更高效、更精细、更精准。
为实现上述目的，本发明采用的技术方案为：
一种基于多维数据空间分割的相似台风快速匹配方法，该方法包括以下步骤：
1)基于历史数据进行特征提取，其中，特征提取包括选择N条台风个例作为历史台风，对选定的每一条历史台风进行位置及移速移向特征的提取、环流场特征的提取以及环台风结构特征的提取，获得位置及移速移向特征向量εL、环流场特征向量εF和环台风结构特征向量εS：
其中，
εL＝[Lat1 Lng1 … LatT LngT]T (1)
εL代表由某一条历史台风路径上T个连续时次的经度和纬度信息组成的向量，其中Lat1代表第1时次的纬度，Lng1代表第1时次的经度；LatT代表第T时次的纬度，LngT代表第T时次的经度；
εF＝[Ug1 Vg1 … UgT VgT]T (2)
εF代表由某一条历史台风路径上T个连续时次的风场u、v分量计算得到指数组成的向量，其中Ug1代表第1时次由u分量计算得到的平均值，其中Vg1代表第1时次由v分量计算得到的平均值；UgT代表第T时次由u分量计算得到的平均值，其中VgT代表第T时次由v分量计算得到的平均值；
εS＝[S(1)1 … S(m)1 … S(1)T … S(m)T]T (3)
εS代表由特征点组成的特征向量，其中S(1)1 … S(m)1代表第1个时次的m个特征点，S(1)T … S(m)T代表第T个时次的m个特征点；
2)基于表征位置及移速移向的所有特征向量构建位置及移速移向特征空间：
3)基于台风位置及移速移向特征进行多维数据空间分割结构体构建——K-D树，将移速移向特征空间在K维空间内进行划分；
4)基于当前数据进行特征向量构建
当前台风的起始时次TS，前推T-1个时次，构建当前位置及移速移向特征向量：
εLC＝[Lat1C Lng1C … LatTC LngTC]T (5)
5)基于位置及移速移向进行相似台风搜索，该步骤包括：
基于当前特征向量、位置及移速移向数据结构体SL，顺着结构体的树形组织架构，搜索最接近的特征向量；对比当前特征向量在K维上的值与节点阈值的值，若前者大于节点阈值，则进入左子空间进一步搜索，反之则进入右子空间，重复以上步骤直至搜索到YL条最接近的独立特征向量，输出特征向量对应的台风信息；
6)基于环流场信息进行相似台风筛选
根据YL条最接近的特征向量，选择对应的YL条环流场特征向量εF，重新构建环流场特征空间：
采用环流场特征空间构建环流场树形数据结构体SF；基于当前特征向量εF，环流场结构体SF，搜索YF条最接近的特征向量，输出对应的台风信息，其中YF≤YL；
7)基于台风结构信息的相似台风筛选
在路径搜索结果的基础上，根据YF条最接近的特征向量，选择对应的YF条台风结构特征向量εS重新构建台风结构特征空间：
采用台风结构特征空间构建台风结构树形数据结构体SS，基于当前台风的台风结构特征向量εS和所构建的台风结构结构体SS，搜索YS条最接近的特征向量，输出对应的台风信息，其中YS≤YF；
8)结果输出
输出的标准化台风信息进行还原运算，输出相似台风路径、强度及结构信息：
优选地，提取位置及移速移向特征的过程包括：对选定的每一条历史台风，选择T个连续时次的台风经度和纬度标准化数据，构建位置及移速移向特征向量。
优选地，提取环流场特征的过程包括：计算每条台风每个时次的移速移向信息，对台风移速移向及三维流场作流形学习，通过主成分分析，确定主要影响空间范围ω，计算空间范围内u、v分量标准化均值作为引导气流Ug、Vg，构建环流场特征向量。
优选地，提取环台风结构特征的过程包括：选择上述N条台风每个时次的卫星图像，对于每条台风每个时次提取M个特征点[S(1) … S(m)]T，连续T个时次的M*T个特征点组成一条特征向量，构建结构特征向量。
优选地，K-D树型结构体构建流程如下：选择所需的特征向量，对所选取的所有特征向量在不同维度上计算方差，选择方差最大的维度K最，在K最维上选择数值上的中位数作为节点阈值，节点上记录阈值及维度K最，用垂直于K最维坐标的超平面对空间进行划分，将所有特征向量分至左子空间及右子空间，若某一特征向量在K最维上的值大于某节点的值，则将向量归入左子空间，反之则归入右子空间；对左子空间和右子空间重复以上步骤，直到每个空间内只包含一个点。
本发明与现有技术相比，本发明具有以下优点：
本发明采用流形学习方法，显著降低运算数据量达3000倍，结合KDTree方法，相似台风匹配的搜索速度提升150倍以上；
相似标准增加环流场信息及台风结构信息，环流场信息的加入提升了台风路径预测的精度，台风结构信息的加入增加了台风影响评估的精细化程度。
附图说明
图1为基于多维数据空间分割的相似台风快速匹配方法的技术路线图；
图2为多维数据空间分割的技术路线；
图3为K-D树形数据空间分割示意图；
图4为基于不同匹配参数的相似台风匹配效果展示；
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
下面结合附图对本发明作更进一步的说明。
如图1所示为本实施例的基于多维数据空间分割的相似台风快速匹配方法的技术路线，如图所示，该方法具体包括以下几个步骤：
1)基于历史数据的特征提取
特征提取包括位置及移速移向特征的提取、环流场特征的提取以及台风结构特征的提取，这些特征均是从历史台风数据中提取的，提取时选择N条台风个例作为历史台风(即选择N条历史台风构建台风数据库)。
下面，分别对各个特征的提取过程进行示例性描述。
提取位置及移速移向特征：对选定的每一条历史台风，选择T个连续时次的台风经度和纬度标准化数据(即定义T个连续时次为特征向量的时长，选取1到T个时次标准化之后的经度和纬度信息构建特征向量)，构建位置及移速移向特征向量：
εL＝[Lat1 Lng1 … LatT LngT]T (1)
其中，εL代表由某一条历史台风路径上T个连续时次的经度和纬度信息组成的向量，其中Lat1代表第1时次的纬度，Lng1代表第1时次的经度；LatT代表第T时次的纬度，LngT代表第T时次的经度。
提取环流场特征：计算每条选定台风每个时次的移速移向信息，对台风移速移向及三维流场作流形学习，通过主成分分析，确定每条台风的主要影响空间范围ω，计算空间范围内u、v分量标准化均值作为引导气流Ug、Vg，构建环流场特征向量：
εF＝[Ug1 Vg1 … UgT VgT]T (2)
其中，εF代表由某一条历史台风路径上T个连续时次的风场u、v分量(u分量代表风矢量在东西方向的分解量，v分量代表风矢量在南北方向的分解量)计算得到指数组成的向量，其中Ug1代表第1时次由u分量计算得到的平均值(引导气流)，其中Vg1代表第1时次由v分量计算得到的平均值(引导气流)；UgT代表第T时次由u分量计算得到的平均值，其中VgT代表第T时次由v分量计算得到的平均值。
提取环台风结构特征：选择上述N条台风每个时次的卫星图像，对于每条台风每个时次都会取M个特征点，连续T个时次的M*T个特征点组成一条特征向量，即，提取M个关键像素点[S(1) … S(m)]T，构建结构特征向量：
εS＝[S(1)1 … S(m)1 … S(1)T … S(m)T]T (3)
其中，εS代表由特征点组成的特征向量，其中S(1)1 … S(m)1代表第1个时次的m个特征点，S(1)T … S(m)T代表第T个时次的m个特征点。
2)基于台风位置移速移向特征的特征空间构建
基于表征位置及移速移向的所有特征向量构建选中的N条历史台风的位置及移速移向特征空间：
3)基于台风位置及移速移向特征的多维数据空间分割结构体构建
基于位置及移速移向特征空间构建多维数据空间分割结构体(K-D树)，将移速移向特征空间在K维空间内进行划分。K-D树型结构体构建流程如图2所示，首先选择所需的特征向量，对所选取的所有特征向量在不同维度上计算方差，选择方差最大的维度K最，在K最维上选择数值上的中位数作为节点阈值，在节点上记录相应阈值及维度K最。用垂直于K最维坐标的超平面对空间进行划分，将所有特征向量分至左子空间及右子空间，若某一特征向量在K最维上的值大于某节点的值，则将向量归入左子空间，反之则归入右子空间；对左子空间和右子空间重复以上步骤，直到每个空间内只包含一个点，则认为K-D树型数据结构体SL已经构建完成。图3为K-D树型数据结构分割示意图。即，在不同维度上计算所有特征向量的方差，以选择方差最大的一维作为分隔维，以此维度上数值的中位数作为分隔阈值，以垂直于分隔维坐标、经过分隔阈值的超平面进行数据空间分隔。
4)基于当前数据的特征向量构建
设当前台风的起始时次TS，前推T-1个时次(特征空间中所有向量的时长均为T，前推T-1个时次目的为：使当前的特征向量与特征空间中的特征向量时长相等)，构建当前位置及移速移向特征向量:
εLC＝[Lat1C Lng1C … LatTC LngTC]T (5)
5)基于位置及移速移向的相似台风搜索
基于当前位置及移速移向特征向量和位置及移速移向数据结构体SL，顺着结构体的树形组织架构，搜索与当前位置及移速移向特征向量最接近的特征向量。对比当前特征向量在K最维上的值与节点阈值的值，若其大于节点阈值，则进入左子空间进一步搜索，反之则进入右子空间，重复以上步骤直至搜索到YL条最接近的独立特征向量，输出特征向量对应的台风信息。
6)基于环流场信息的相似台风筛选
采用与上述第2)步到第5)步类似的方法，在路径搜索结果的基础上，根据YL条最接近的特征向量，选择对应的YL条环流场特征向量εF，重新构建环流场特征空间：
采用环流场特征空间构建环流场树形数据结构体SF。基于当前特征向量εF，环流场结构体SF，搜索YF条特征向量中最接近的特征向量，输出对应的台风信息，其中YF≤YL。(即基于第一步筛选出来的YL条移速移向特征向量所对应的环流场特征向量，构建环流场特征空间；对环流场特征空间进行多维数据结构体的构建；基于当前数据构建相应的当前环流场特征向量；基于当前环流场特征向量在数据结构体中的搜索，完成上述步骤后得到YF条最相似的特征向量)
7)基于台风结构信息的相似台风筛选
采用与第2)步到第5)步类似的方法，在路径搜索结果的基础上，根据YF条最接近的特征向量，选择对应的YF条台风结构特征向量εS重新构建台风结构特征空间：
采用台风结构特征空间构建台风结构树形数据结构体SS，基于当前台风结构特征向量εS，台风结构特征结构体SS，搜索YS条最接近的特征向量，输出对应的台风信息，其中YS≤YF。
8)结果输出
根据步骤(7)，输出对应的标准化台风信息进行还原运算，输出相似台风路径、强度及结构信息：
图4为以2015年第27号台风转向过程的匹配效果进行评估。图中为第27号台风在两套参数化方案下的匹配效果对比。第一列图代表2015年第27号台风运动轨迹，红色区域代表匹配的时段；第二列图代表仅采用路径作为匹配参数的匹配结果；第三列图代表采用路径和环流场作为匹配参数的匹配结果；从第一行到第五行分别代表台风发展过程中的五个时次(2015年11月21日12时，2015年11月21日18时，2015年11月22日00时，2015年11月22日06时，2015年11月22日12时)。2015年11月21日12时，匹配段位于台风转向前，两套参数输出的相似路径均没有转向的趋势；2015年11月21日18时，匹配段依然位于转向点前，由于加入环流场信息，匹配路径出现明显的转向趋势；直至2015年11月21日12时，匹配段位于转向点上，采用路径和环流场作为匹配参数的相似路径已经完全收敛，与历史路径吻合，而仅采用路径作为匹配参数的相似路径未能指示台风未来走向。结果表明，加入环流场作为参数匹配出的相似路径能够对台风未来的路径走向进行准确地提前预警。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述，本领域技术人员应该理解，上述实施例仅仅是对本发明的示意性实现方式的解释，并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案的等效变换、简单替换等显而易见的改变，均落在本发明保护范围之内。

Claims (5)

1.一种基于多维数据空间分割的相似台风快速匹配方法，该方法包括以下步骤：
1)基于历史数据进行特征提取，其中，特征提取包括选择N条台风个例作为历史台风，对选定的每一条历史台风进行位置及移速移向特征的提取、环流场特征的提取以及环台风结构特征的提取，获得位置及移速移向特征向量εL、环流场特征向量εF和环台风结构特征向量εS：
其中，
εL＝[Lat1 Lng1…LatT LngT]T (1)
εL代表由某一条历史台风路径上T个连续时次的经度和纬度信息组成的向量，其中Lat1代表第1时次的纬度，Lng1代表第1时次的经度；LatT代表第T时次的纬度，LngT代表第T时次的经度；
εF＝[Ug1 Vg1…UgT VgT]T (2)
εF代表由某一条历史台风路径上T个连续时次的风场u、v分量计算得到指数组成的向量，其中Ug1代表第1时次由u分量计算得到的平均值，其中Vg1代表第1时次由v分量计算得到的平均值；UgT代表第T时次由u分量计算得到的平均值，其中VgT代表第T时次由v分量计算得到的平均值；
εS＝[S(1)1…S(m)1…S(1)T…S(m)T]T (3)
εS代表由特征点组成的特征向量，其中S(1)1…S(m)1代表第1个时次的m个特征点，S(1)T…S(m)T代表第T个时次的m个特征点；
2)基于表征位置及移速移向的所有特征向量构建位置及移速移向特征空间：
3)基于台风位置及移速移向特征进行多维数据空间分割结构体构建——K-D树，将移速移向特征空间在K维空间内进行划分；
4)基于当前数据进行特征向量构建
当前台风的起始时次TS，前推T-1个时次，构建当前位置及移速移向特征向量：
εLC＝[Lat1C Lng1C…LatTC LngTC]T (5)
5)基于位置及移速移向进行相似台风搜索，该步骤包括：
基于当前特征向量、位置及移速移向数据结构体SL，顺着结构体的树形组织架构，搜索最接近的特征向量；对比当前特征向量在K维上的值与节点阈值的值，若前者大于节点阈值，则进入左子空间进一步搜索，反之则进入右子空间，重复以上步骤直至搜索到YL条最接近的独立特征向量，输出特征向量对应的台风信息；
6)基于环流场信息进行相似台风筛选
根据YL条最接近的特征向量，选择对应的YL条环流场特征向量εF，重新构建环流场特征空间：
采用环流场特征空间构建环流场树形数据结构体SF；基于当前特征向量εF，环流场结构体SF，搜索YF条最接近的特征向量，输出对应的台风信息，其中YF≤YL；
7)基于台风结构信息的相似台风筛选
在路径搜索结果的基础上，根据YF条最接近的特征向量，选择对应的YF条台风结构特征向量εS重新构建台风结构特征空间：
采用台风结构特征空间构建台风结构树形数据结构体SS，基于当前台风的台风结构特征向量εS和所构建的台风结构树形数据结构体SS，搜索YS条最接近的特征向量，输出对应的台风信息，其中YS≤YF；
8)结果输出
输出的标准化台风信息进行还原运算，输出相似台风路径、强度及结构信息：
2.根据权利要求1所述的基于多维数据空间分割的相似台风快速匹配方法，其特征在于，提取位置及移速移向特征的过程包括：对选定的每一条历史台风，选择T个连续时次的台风经度和纬度标准化数据，构建位置及移速移向特征向量。
3.根据权利要求1所述的基于多维数据空间分割的相似台风快速匹配方法，其特征在于，提取环流场特征的过程包括：计算每条台风每个时次的移速移向信息，对台风移速移向及三维流场作流形学习，通过主成分分析，确定主要影响空间范围ω，计算空间范围内u、v分量标准化均值作为引导气流Ug、Vg，构建环流场特征向量。
4.根据权利要求1所述的基于多维数据空间分割的相似台风快速匹配方法，其特征在于，提取环台风结构特征的过程包括：选择上述N条台风每个时次的卫星图像，对于每条台风每个时次提取M个特征点[S(1)…S(m)]T，连续T个时次的M*T个特征点组成一条特征向量，构建结构特征向量。
5.根据权利要求1所述的基于多维数据空间分割的相似台风快速匹配方法，其特征在于，K-D树型结构体构建流程如下：选择所需的特征向量，对所选取的所有特征向量在不同维度上计算方差，选择方差最大的维度K最，在K最维上选择数值上的中位数作为节点阈值，节点上记录阈值及维度K最，用垂直于K最维坐标的超平面对空间进行划分，将所有特征向量分至左子空间及右子空间，若某一特征向量在K最维上的值大于某节点的值，则将向量归入左子空间，反之则归入右子空间；对左子空间和右子空间重复以上步骤，直到每个空间内只包含一个点。
CN201911375893.7A 2019-12-27 2019-12-27 一种基于多维数据空间分割的相似台风快速匹配方法 Active CN111221819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911375893.7A CN111221819B (zh) 2019-12-27 2019-12-27 一种基于多维数据空间分割的相似台风快速匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911375893.7A CN111221819B (zh) 2019-12-27 2019-12-27 一种基于多维数据空间分割的相似台风快速匹配方法

Publications (2)

Publication Number Publication Date
CN111221819A CN111221819A (zh) 2020-06-02
CN111221819B true CN111221819B (zh) 2023-10-10

Family

ID=70806283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911375893.7A Active CN111221819B (zh) 2019-12-27 2019-12-27 一种基于多维数据空间分割的相似台风快速匹配方法

Country Status (1)

Country Link
CN (1) CN111221819B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111880245B (zh) * 2020-08-03 2021-09-24 中国气象科学研究院 登陆热带气旋过程降水预报系统
CN113486093B (zh) * 2021-09-07 2021-12-28 南京信息工程大学 一种台风路径相似度评估方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488594A (zh) * 2015-12-08 2016-04-13 南京信息工程大学 一种台风路径预测方法
CN106199604A (zh) * 2016-06-16 2016-12-07 杭州电子科技大学 一种基于相关性分析的台风运动追踪方法
CN106772685A (zh) * 2016-11-24 2017-05-31 浙江省水文局 基于Web‑GIS的相似台风匹配算法及软件支持系统
CN107562840A (zh) * 2017-08-25 2018-01-09 北京科技大学 一种基于gis的台风路径快速预测方法
CN107942407A (zh) * 2017-11-14 2018-04-20 中国气象科学研究院 一种判别热带气旋路径相似的系统
CN109086540A (zh) * 2018-08-14 2018-12-25 中国科学院遥感与数字地球研究所 一种构建热带气旋路径预报模型的方法及装置
CN109297470A (zh) * 2018-10-19 2019-02-01 中国计量大学 一种基于动力因素与路径信息的相似台风匹配算法
CN109583653A (zh) * 2018-11-30 2019-04-05 南京信息工程大学 基于统计模型的西北太平洋台风的延伸期预报方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9746985B1 (en) * 2008-02-25 2017-08-29 Georgetown University System and method for detecting, collecting, analyzing, and communicating event-related information
US9489495B2 (en) * 2008-02-25 2016-11-08 Georgetown University System and method for detecting, collecting, analyzing, and communicating event-related information
US10339478B2 (en) * 2014-03-26 2019-07-02 Ion Geophysical Corporation Simultaneous operations coordination and planning system
US20160217399A1 (en) * 2015-01-22 2016-07-28 Elementum Scm (Cayman) Ltd. Method and system for monitoring shipments in a supply and/or logistics chain
WO2018193324A1 (en) * 2017-03-20 2018-10-25 Sunit Tyagi Surface modification control stations in a globally distributed array for dynamically adjusting atmospheric, terrestrial and oceanic properties

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488594A (zh) * 2015-12-08 2016-04-13 南京信息工程大学 一种台风路径预测方法
CN106199604A (zh) * 2016-06-16 2016-12-07 杭州电子科技大学 一种基于相关性分析的台风运动追踪方法
CN106772685A (zh) * 2016-11-24 2017-05-31 浙江省水文局 基于Web‑GIS的相似台风匹配算法及软件支持系统
CN107562840A (zh) * 2017-08-25 2018-01-09 北京科技大学 一种基于gis的台风路径快速预测方法
CN107942407A (zh) * 2017-11-14 2018-04-20 中国气象科学研究院 一种判别热带气旋路径相似的系统
CN109086540A (zh) * 2018-08-14 2018-12-25 中国科学院遥感与数字地球研究所 一种构建热带气旋路径预报模型的方法及装置
CN109297470A (zh) * 2018-10-19 2019-02-01 中国计量大学 一种基于动力因素与路径信息的相似台风匹配算法
CN109583653A (zh) * 2018-11-30 2019-04-05 南京信息工程大学 基于统计模型的西北太平洋台风的延伸期预报方法

Also Published As

Publication number Publication date
CN111221819A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN112001339B (zh) 一种基于YOLO v4的行人社交距离实时监测方法
CN107609525B (zh) 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法
CN112101150B (zh) 一种基于朝向约束的多特征融合行人重识别方法
CN107145889B (zh) 基于具有RoI池化的双CNN网络的目标识别方法
CN106682233A (zh) 一种基于深度学习与局部特征融合的哈希图像检索方法
CN110796168A (zh) 一种基于改进YOLOv3的车辆检测方法
CN110322453A (zh) 基于位置注意力和辅助网络的3d点云语义分割方法
CN111914107B (zh) 一种基于多通道注意力区域扩展的实例检索方法
CN103324677B (zh) 一种可分级的快速图像gps位置估计方法
CN112085072B (zh) 基于时空特征信息的草图检索三维模型的跨模态检索方法
CN111221819B (zh) 一种基于多维数据空间分割的相似台风快速匹配方法
CN112818905B (zh) 一种基于注意力和时空信息的有限像素车辆目标检测方法
CN115934990B (zh) 基于内容理解的遥感影像推荐方法
CN113032613B (zh) 一种基于交互注意力卷积神经网络的三维模型检索方法
CN106649663A (zh) 一种基于紧凑视频表征的视频拷贝检测方法
CN114694038A (zh) 基于深度学习的高分辨率遥感影像分类方法及系统
CN111881716A (zh) 一种基于多视角生成对抗网络的行人重识别方法
CN106874421A (zh) 基于自适应矩形窗口的图像检索方法
CN103853794A (zh) 一种基于部件关联的行人检索方法
Zhang et al. Comparison of Trajectory Clustering Methods based on K-means and DBSCAN
CN104537392B (zh) 一种基于判别性语义部件学习的对象检测方法
CN114495170A (zh) 一种基于局部抑制自注意力的行人重识别方法及系统
CN112633389A (zh) 一种基于mdl和速度方向的飓风运动轨迹趋势计算方法
CN112597871A (zh) 基于二阶段聚类的无监督车辆重识别方法、系统及存储介质

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