CN111784022B - 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 - Google Patents
一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 Download PDFInfo
- Publication number
- CN111784022B CN111784022B CN202010409472.8A CN202010409472A CN111784022B CN 111784022 B CN111784022 B CN 111784022B CN 202010409472 A CN202010409472 A CN 202010409472A CN 111784022 B CN111784022 B CN 111784022B
- Authority
- CN
- China
- Prior art keywords
- data
- fog
- time
- prediction
- attribute
- 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 303
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 84
- 239000003595 mist Substances 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000009977 dual effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 10
- 238000003672 processing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,该方法包括如下步骤:第一步:获取与大雾预测相关的实时系统中某时刻实际气象要素属性数据;第二步:对第一步中的数据进行预处理;第三步:结合Wrapper方法与SVM方法对第二步中预处理后的数据进行主要特征属性分析,得出不同预警时间影响影响雾预测的主要特征属性数据;第四步:将第三步中的主要特征属性数据输入至不同预警时间的SVM模型中,得到该数据在不同短时邻近时刻是否出雾情况。本发明建立的基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法能够准确地对大雾进行预测,且应用于开发系统中;在分析出不同预警时间影响雾预测主要特征属性的同时,加快预报量和预测准确率。
Description
技术领域
本发明涉及气象领域,更具体地说,涉及一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法。
背景技术
雾是常见的一种灾害性天气,形成的原因是由于空气中大量且微小的水滴浮游在空中,导致其能见度小于1公里而形成的天气现象。如今,气象局对大雾的监测都是基于实况场实时数据进行的,对大雾的预报尚没有系统的方法,因此对大雾的预报成为需要解决的问题。然而,预报的难度不仅仅在于雾预报所考虑的复杂因素众多,而且还需要大量的人力。
发明内容
发明目的:
本发明要解决的技术问题在于,针对现有技术难以完成不同短时邻近时刻雾预测技术缺陷,提供了一种结合Wrapper方法与SVM的短时邻近雾预测方法。
技术方案:
一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,其特征在于:该方法包括如下步骤:
第一步:获取与大雾预测相关的实时系统中某时刻实际气象要素属性数据;(这些数据在建模时属于原始数据,也就是说需要经过处理后才能输入至方法中进行预测,这些数据都是本时刻属性数据,即本时刻气压,本时刻温度等等;而预处理数据则在对应数据原有属性基础上考虑了其它时刻属性因素,以及变化量情况。)
第二步:对第一步中的数据进行预处理;(预处理就包括处理原始数据属性间的关系获取用于训练和分析的属性、以及获取数据标注俩个阶段!)
第三步:结合Wrapper方法与SVM方法对第二步中预处理后的数据进行主要特征属性分析,得出不同预警时间影响影响雾预测的主要特征属性数据;
第四步:将第三步中的主要特征属性数据输入至不同预警时间的SVM模型中,得到该数据在不同短时邻近时刻是否出雾情况。
第四步中的不同预警时间的SVM模型构建方法如下:
(一)、获取与大雾预测相关的原始气象要素属性数据集;
(二)、根据相关方法(这个相关方法指的是我利用气象学知识(专家知识)如何判别有雾,无雾时间,以及得到的新的属性特征;这些都是基于样本标志的方法)处理并标注(标注其实指的是对全部属性特征的数据在未来时刻是否有雾的说明,这里表示哪些是有雾或无雾!从而提取与这些相关的数据作为分析和训练的样本!)原始数据集,获得与雾预测相关的全部特征属性数据,(原始数据都是本时刻属性,得到的全部特征属性是在原有的基础上增加了一些不同时刻的数据属性、同一时刻间不同特征差值,比如特征温度与特征露点温度的差值等、以及不同时刻特征的差值,比如本时刻温度与一小时前温度差值的新特征等。这些都能在属性中体现出考虑的全部因素!)建立不同预警时间的雾预测训练数据,它们的属性名称均一致;
(三)、结合Wrapper方法与SVM方法对二步骤中的不同预警时间的雾预测训练数据进行主要特征属性分析(不同预警时刻经过预处理的数据(这些不同预警时刻的训练数据不一样的原因是因为根据时间阈值划分的)输入至结合方法中,通过特征属性子集划分输入到结合方法的SVM中(强调是结合方法的svm,和接下来单独预测用的svm不同,因为那个是利用结合方法分析出的特征属性),根据误差,选择误差最小对应的子集,这个子集就是不同预警时刻对应的主要特征属性!),得出不同预警时间影响雾预测的主要特征属性数据;
(四)、将三步骤中得到的不同预警时间影响雾预测的主要特征属性数据输入至SVM方法中进行训练得到不同预警时间的SVM方法模型。
(一)步骤中的气象要素属性数据集是通过气象数据统一服务接口(CIMISS)的地面观察资料,对该资料中与雾预测相关的来自于不同年份,不同时间,不同站点所收集的全部站点的气象属性进行下载,并获取到雾预测原始数据;所述的获取到的雾预测原始数据属性包括该条数据对应时刻的气压,温度,相对湿度。
(二)步骤中:
相关方法包括根据特定原始雾预测属性阈值依次对数据清理、各站点数据合并、每一雾预测数据属性中增加不同时刻属性、以及当前时刻气象属性和不同时刻属性间的变化量;根据特定阈值确定有无雾时刻;(确定有雾无雾时刻样本的方法就是根据这些属性计算后的样本,根据他们的部分特征的关系,以及持续时间,将首次出现该特征(该时刻相对湿度和该时刻能见度)的数据判别为有雾,特定时间(表示连续三天当前时刻能见度阈值满足某一条件,比如三天内能见度均大于1公里则认为连续三天内凌晨3点,5点,以及20点时刻无雾)的数据判别为无雾,这个过程是标注过程的一部分,标注首先确定这些样本哪些时刻是有雾和无雾的,再根据得到的时间和不同预警时间相减得到的时刻的属性数据组成不同预警时间训练样本的,这个过程在属性处理之后的,属于预处理的第二部分)
根据得到的有雾或无雾时刻及不同预警时间进行雾预测数据的分类标注,并建立不同预警时间的雾预测训练数据。(这个过程都在具体方法这个问题下面答复了,再解释一下就是我们进行特征分析和放入模型的数据都是预处理后的数据,那么预处理包括俩部分,即获得新属性和标注,其中的过程已经答复,先属性再标注的)
(三)、步骤中分析出主要特征属性后将每一预警时间分析出的结果对应的雾预测训练数据分别输入至SVM方法中得到SVM方法在不同预警时间的模型参数;
数据预测时将每条实时数据经过预处理后,对应不同预警时间的特征属性数据输入至训练好的不同预警时间的SVM模型中,得到每条数据在不同短时邻近时刻预测是否出雾情况;
雾预测数据属性中增加不同时刻属性方法包括建立时间窗方法对每一雾预测数据属性增加不同时刻属性,其方法根据每一个设定的时间阈值范围,将当前数据对应的时间与对应的阈值范围做差得到新时刻,根据其得到的新时刻找出数据集中对应的数据的行数,并将该行数据中的某些雾预测属性作为当前时刻的新属性,添加到当前时刻中;时间窗模型阈值范围设定为1小时和2小时。
利用雾预测数据各属性间的关系计算新的属性的方法包括对每一条数据中同一时刻属性间的减法计算和比值计算;(预处理首先需要将原始的特征数据进行处理,其中需要在原始数据的每一条对应时刻数据中添加一些过去时刻的数据(时间窗口处理)属性,比如添加一小时前全部属性等,这样这条数据的属性就包括本时刻属性,一小时前属性,俩小时前属性等,这个同一时刻属性就是指这条数据中是同一时刻性质的属性相减,比如本时刻温度,露点温度差,一小时前温度和露点温度差)每一条数据不同时刻属性间的减法计算(用于计算变化量);每一条雾预测数据得到的新的属性包括温度露点差、温度露点比和跨度温度变化;原始属性特征和新的属性特征共同代表了全部可能影响雾预测的气象要素。
(二)步骤中,建立不同预警时间的雾预测训练数据的方法:
首先确定有无雾时刻,该确定方法是指满足一定时间段要求,对有雾,无雾特征设置阈值,如果该时间段数据都满足阈值要求,判定该时间段最开始时刻为有无雾时刻;对判断有无雾的时刻和对应的预警时刻分别建立不同时刻雾预测训练样本,该方法是对每一个预警时间阈值,将各站点有无雾数据对应的时刻和该预警时间阈值范围相减(有雾/无雾的时间-不同预警时间阈值),得到新时刻,并将得到的新时刻对应的各站点数据进行标注,标注及得到的新时刻所对应时刻全部特征数据构成指定预警时间的雾预测训练样本数据集(这个是预处理阶段样本标注的过程,由于获得的原始数据都是每五分钟这条数据这个时刻的记录,所以我们要想提取并建立有用的信息必须进行预处理!预处理包括先进行已有的属性特征间和得到的新属性特征间的计算获得新属性,在获得新属性后我们要确定有雾或无雾得时间,这样我们在众多数据中得到时间后将有助于建立不同时刻预警得机器学习训练样本;
1、得到时间后根据我们设定得预测时间,将有无雾时间-预测时间,判断得到得新时刻是否在数据集中,如果有将这个时刻数据连同有无雾标记一起作为不同预警时间模型样本
2、将不同预警时间建立得样本首先放入灵魂中(结合方法中)分析出不同预警时间主要特征属性及对应数据之后在将对应得数据放入svm模型中训练得到不同预警时间得大雾预测模型最后是实时数据输入);其中雾预测训练样本的标注表示了该时刻属性数据在未来预警时间内有无雾情况,将该数据集用于接下来的结合方法及模型的训练中;考虑的不同预警时间阈值预测包括对大雾未来半小时、1小时、2小时、3小时的预测,并且分别建立不同预警时间阈值的雾预测训练样本。
所述的一种结合Wrapper和SVM的方法是将对应预警时间的雾预测训练数据的全部属性形成的属性集划分为不同的子集,对不同子集对应的数据输入到对应预警时间的SVM模块中进行拟合,通过比较,得到对应预警时间最优拟合效果的属性子集,并作为影响雾预测主要特征属性;
其中Wrapper方法是将指定预警时间雾预测样本数据的全部属性形成的属性集通过子集生成器生成多个雾预测属性子集组合,对每个雾预测属性子集找出最优子集组合的方法,(Warpper方法是框架它本身可以找到最优子集,但是必须结合SVM模块,SVM模块在结合方法中扮演着拟合效果这一块,也正因如此,前面提到的正则化思想是判断效果的一部分!)表达式如(1)所示;
SVM方法将指定预警时间Wrapper子集生成器生成的属性子集对应的数据带入,对每一属性子集对应的数据通过迭代的方式进行拟合,返回每一属性子集组合拟合度效果值,定义的具体拟合度的公式如下式(2)所示;通过俩种方法的结合及引入正则化约束方法(正则项系数)的思想得出最优拟合度对应的雾预测特征属性子集;其根据结合方法求出的具体最优子集的公式如下式(3)所示;其子集对应指定预警时间主要影响雾预测的特征;
式中T表示不同的雾预测属性组合构成的集合,xt为不同属性子集对应的数据,t表示T中的雾预测属性子集,M表示为不同雾预测时间样本的个数,N表示为该结合方法的迭代次数,b表示为SVM方法中超平面的截距,J(xt,w)为SVM方法拟合度函数,w为由各属性系数构成的向量;λ为平衡拟合度和正则化的因子,λ∈[0,1];||w||2表示系数向量W的二次范数式。
所述的一种结合Wrapper和SVM方法分析雾预测主要特征属性的过程是针对不同预警时间建立好的雾预测训练样本,分别使用结合方法进行迭代;得到指定预警时间雾预测样本的一个属性子集即为最优特征属性子集;
(四)步骤中不同预警时间影响雾预测的主要特征属性数据输入至SVM方法中进行训练得到不同预警时间的SVM方法模型具体步骤为:将不同预警时间结合Wrapper和SVM的分析出的雾预测主要特征对应的训练数据作为SVM模型的输入,即针对不同预警时间的输入数据,分别使用SVM方法对其输入数据进行训练,输出为各预警时间SVM方法的决策函数;其中SVM方法采用的核函数为线性函数,优化最小间隔采用的是拉格朗日对偶问题方法;对偶问题的SVM方法的决策函数如(4)所示:
式中a表示阈值时间,sign函数为签名函数,ai为拉格朗日对偶系数,xi为经过Wrapper方法得到的属性对应数据,yi为训练数据标签,x为数据输入,b为SVM决策平面中的平面截距。
所述的具体预测方法是将各站点每一条实时数据经过预处理后,对应结合方法得到的不同预警时刻特征属性,分别输入至对应短时邻近时刻训练好的SVM方法中,对每一条雾预测实时数据,输出为不同预警时刻预测是否有雾;
获取测试用的数据,利用步骤S1-S4得到的结合方法模型,将测试数据输入至模型中,将得到的雾预测结果与标签进行比对,得到雾预测的准确度。
一种短时邻近大雾预测系统,该系统包括数据获取模块、数据预处理模块、分析模块和数据输出模块;
数据获取模块获取与大雾预测相关的实际气象要素属性数据;数据预处理模块对数据获取模块中获取的数据进行预处理;分析模块结合Wrapper方法与SVM方法对数据预处理模块中预处理后的数据进行主要特征属性分析,得出不同预警时间影响影响雾预测的主要特征属性数据;数据输出模块将分析模块输出的主要特征属性数据输入至不同预警时间的SVM模型中,得到该数据在不同短时邻近时刻是否出雾情况。
优点效果:
根据本发明的其中一方面,本发明解决其技术问题所采用的技术方案是:构造一种结合Wrapper方法与SVM方法的短时邻近雾预测方法,包含如下步骤:
S1、获取并处理雾分类预测相关的原始气象要素属性数据集;所述的原始数据集是来自于不同年份,不同时间,不同站点所收集的;处理方法包括数据清理,按站点合并数据分站等方法;
S2、标注和处理原始数据集得到与雾预测相关的全部特征属性数据,并建立不同预警时间的雾预测训练数据;所述的获得新的雾预测属性的方法包括:每一雾预测数据属性中增加不同时刻属性、利用雾预测数据各属性间的关系计算新的属性;根据特定阈值确定有无雾时刻;根据得到的时刻及不同预警时间进行雾预测数据的分类标注,并建立不同预警时间的雾预测训练数据;
S3、结合Wrapper方法和SVM方法,利用不同时刻雾预测训练样本,分析出不同预警时间影响雾预测的主要特征属性;并将每一预警时间分析出的结果对应的雾预测训练数据分别输入至SVM方法中得到SVM方法在不同预警时间的模型参数;
S4、数据预测时将每条实时数据经过预处理后,对应不同预警时间的特征属性数据输入至训练好的不同预警时间的SVM模型中,得到每条数据在不同短时邻近时刻预测是否出雾情况;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的雾预测原始数据的获取方式是通过气象数据统一服务接口(CIMISS)的地面观察资料,对该资料中与雾预测相关的全部站点不同年份的气象属性进行下载,并获取到雾预测原始数据;
所述的获取到的雾预测原始数据属性包括气压,温度,相对湿度等;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的处理原始数据的方法包括根据特定原始雾预测属性阈值对数据清理、各站点数据合并、相似雾预测属性数据最小值化;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的每一雾预测数据属性中增加不同时刻属性的方法是通过建立时间窗模型,根据每一个设定的时间阈值范围,将当前数据对应的时间与对应的阈值范围做差得到新时刻,根据其得到的新时刻找出数据集中对应的数据的行数,并将该行数据中的某些雾预测属性作为当前时刻的新属性,添加到当前时刻中;
时间窗模型阈值范围设定为1小时和2小时;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的对雾预测数据各属性间关系的计算包括对每一条数据中同一时刻属性间的减法计算,比值计算;
每一条数据不同时刻属性间的减法计算(用于计算变化量);
每一条雾预测数据得到的新的属性包括温度露点差,温度露点比,跨度温度变化等;
原始属性特征和新的属性特征共同代表了全部可能影响雾预测的气象要素;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的对符合有雾,无雾时刻的判断方法是指满足一定时间段要求,对有雾,无雾特征设置阈值,如果该时间段数据都满足阈值要求,判定该时间段最开始时刻为有无雾时刻;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的建立不同时刻雾预测样本训练集的方法是对每一个预警时间阈值,将各站点有无雾数据对应的时刻和该预警时间阈值范围相减,得到新时刻,并将得到的新时刻对应的各站点数据进行标注,标注及其对应时刻全部特征数据构成指定预警时间的雾预测训练样本数据集;
其中雾预测训练样本的标注表示了该时刻属性数据在未来预警时间内有无雾情况,将该数据集用于接下来的结合方法及模型的训练中;
其中本专利考虑的不同预警时间阈值预测包括对大雾未来半小时、1小时、2小时、3小时的预测,并且分别建立不同预警时间阈值的雾预测训练样本;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的一种结合Wrapper和SVM的方法是将对应预警时间的雾预测训练数据的全部属性集划分为不同的子集,对不同子集对应的数据输入到对应预警时间的SVM模块中进行拟合,通过比较,得到对应预警时间最优拟合效果的属性子集,并作为影响雾预测主要特征属性;
其中Wrapper方法是将指定预警时间雾预测样本数据的全部属性通过子集生成器生成多个雾预测属性子集组合,对每个雾预测属性子集找出最优子集组合的方法,表达式如(1)所示;
SVM方法将指定预警时间Wrapper子集生成器生成的属性子集对应的数据带入,对每一属性子集对应的数据通过迭代的方式进行拟合,返回每一属性子集组合拟合度效果值,定义的具体拟合度的公式如下式(2)所示;
通过俩种方法的结合及引入正则化约束方法的思想得出最优拟合度对应的雾预测特征属性子集;其根据结合方法求出的具体最优子集的公式如下式(3)所示;其子集对应指定预警时间主要影响雾预测的特征;
式中T表示不同的雾预测属性组合构成的集合,xt为不同属性子集对应的数据,t表示T中的雾预测属性子集,M表示为不同雾预测时间样本的个数,N表示为该结合方法的迭代次数,b表示为SVM方法中超平面的截距,J(xt,w)为SVM方法拟合度函数,w为由各属性系数构成的向量;λ为平衡拟合度和正则化的因子,λ∈[0,1]||w||2表示系数向量W的二次范数式;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的一种结合Wrapper和SVM方法分析雾预测主要特征属性的过程是针对不同预警时间建立好的雾预测训练样本,分别使用结合方法进行迭代,得到指定预警时间雾预测样本的一个属性子集即为最优特征属性子集;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的利用不同时刻雾预测样本训练得到SVM在不同时刻的参数的方法,将不同预警时间结合方法分析出的雾预测主要特征对应的训练数据作为SVM模型的输入,即针对不同预警时间的输入数据,分别使用SVM方法对其输入数据进行训练,输出为各预警时间SVM方法的决策函数;
其中SVM方法采用的核函数为线性函数,优化最小间隔采用的是拉格朗日对偶问题方法;对偶问题的SVM方法的决策函数如(4)所示;
式中a表示阈值时间,sign函数为签名函数,ai为拉格朗日对偶系数,xi为经过Wrapper方法得到的属性对应数据,yi为训练数据标签,x为数据输入;
进一步地,在本发明的一种短时邻近雾预测方法中,所述的具体预测方法是将各站点每一条实时数据经过预处理后,对应结合方法得到的不同预警时刻特征属性,分别输入至对应短时邻近时刻训练好的SVM方法中,对每一条雾预测实时数据,输出为不同预警时刻预测是否有雾;
还包括下述步骤:
获取测试用的数据,利用步骤S1-S4得到的结合方法模型,将测试数据输入至模型中,将得到的雾预测结果与标签进行比对,得到雾预测的准确度。
本发明建立的基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法能够准确地对大雾进行预测,且应用于开发系统中;在分析出不同预警时间影响雾预测主要特征属性的同时,加快预报量和预测准确率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的组合模型拓扑结构图;
图2是一种结合Wrapper方法和SVM方法的基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法的实施例的流程图;
图3是Wrapper方法的算法流程图;
图4是对偶问题的SVM方法的超平面坐标图;
图5(a)2019年1月12日5点到10点时间段TS评分变化情况;
图5(b)2019年3月2日5点到10点时间段TS评分变化情况;
图5(c)2019年3月3日5点到10点时间段TS评分变化情况;
图5(d)各站点准确率。
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
具体实施方式
一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,包含如下步骤:
S1、获取并处理雾分类预测相关的原始气象要素属性数据集;所述的原始数据集是来自于不同年份,不同时间,不同站点所收集的;处理方法包括数据清理,按站点合并数据分站等方法;
S2、标注和处理原始数据集得到与雾预测相关的全部特征属性数据,并建立不同预警时间的雾预测训练数据;所述的获得新的雾预测属性的方法包括:每一雾预测数据属性中增加不同时刻属性、利用雾预测数据各属性间的关系计算新的属性;根据特定阈值确定有无雾时刻;根据得到的时刻及不同预警时间进行雾预测数据的分类标注,并建立不同预警时间的雾预测训练数据;
S3、结合Wrapper方法和SVM方法,利用不同时刻雾预测训练样本,分析出不同预警时间影响雾预测的主要特征属性;并将每一预警时间分析出的结果对应的雾预测训练数据分别输入至SVM方法中得到SVM方法在不同预警时间的模型参数;
S4、数据预测时将每条实时数据经过预处理后,对应不同预警时间的特征属性数据输入至训练好的不同预警时间的SVM模型中,得到每条数据在不同短时邻近时刻预测是否出雾情况;
所述的雾预测原始数据的处理与获取方式是通过气象数据统一服务接口(CIMISS)的地面观察资料,对该资料中与雾预测相关的全部站点不同年份的气象属性进行下载,并获取到雾预测原始数据;所述的获取到的雾预测原始数据属性包括气压,温度,相对湿度等;所述的处理原始数据的方法包括根据特定原始雾预测属性阈值对数据清理、各站点数据合并、相似雾预测属性数据最小值化;
所述的获得与雾预测相关的全部特征属性方法包括建立时间窗方法对每一雾预测数据属性增加不同时刻属性,其方法根据每一个设定的时间阈值范围,将当前数据对应的时间与对应的阈值范围做差得到新时刻,根据其得到的新时刻找出数据集中对应的数据的行数,并将该行数据中的某些雾预测属性作为当前时刻的新属性,添加到当前时刻中;时间窗模型阈值范围设定为1小时和2小时;各属性间关系计算方法包括对每一条数据中同一时刻属性间的减法计算,比值计算;每一条数据不同时刻属性间的减法计算(用于计算变化量);每一条雾预测数据得到的新的属性包括温度露点差,温度露点比,跨度温度变化等;原始属性特征和新的属性特征共同代表了全部可能影响雾预测的气象要素;
所述的建立不同预警时间雾预测训练样本的方法首先确定有无雾时刻,该确定方法是指满足一定时间段要求,对有雾,无雾特征设置阈值,如果该时间段数据都满足阈值要求,判定该时间段最开始时刻为有无雾时刻;对判断有无雾的时刻和对应的预警时刻分别建立不同时刻雾预测训练样本,刚方法是对每一个预警时间阈值,将各站点有无雾数据对应的时刻和该预警时间阈值范围相减,得到新时刻,并将得到的新时刻对应的各站点数据进行标注,标注及其对应时刻全部特征数据构成指定预警时间的雾预测训练样本数据集;其中雾预测训练样本的标注表示了该时刻属性数据在未来预警时间内有无雾情况,将该数据集用于接下来的结合方法及模型的训练中;其中本专利考虑的不同预警时间阈值预测包括对大雾未来半小时、1小时、2小时、3小时的预测,并且分别建立不同预警时间阈值的雾预测训练样本;
所述的一种结合Wrapper和SVM的方法是将对应预警时间的雾预测训练数据的全部属性集划分为不同的子集,对不同子集对应的数据输入到对应预警时间的SVM模块中进行拟合,通过比较,得到对应预警时间最优拟合效果的属性子集,并作为影响雾预测主要特征属性;其中Wrapper方法是将指定预警时间雾预测样本数据的全部属性通过子集生成器生成多个雾预测属性子集组合,对每个雾预测属性子集找出最优子集组合的方法,表达式如(1)所示;SVM方法将指定预警时间Wrapper子集生成器生成的属性子集对应的数据带入,对每一属性子集对应的数据通过迭代的方式进行拟合,返回每一属性子集组合拟合度效果值,定义的具体拟合度的公式如下式(2)所示;通过俩种方法的结合及引入正则化约束方法的思想得出最优拟合度对应的雾预测特征属性子集;其根据结合方法求出的具体最优子集的公式如下式(3)所示;其子集对应指定预警时间主要影响雾预测的特征;
式中T表示不同的雾预测属性组合构成的集合,xt为不同属性子集对应的数据,t表示T中的雾预测属性子集,M表示为不同雾预测时间样本的个数,N表示为该结合方法的迭代次数,b表示为SVM方法中超平面的截距,J(xt,w)为SVM方法拟合度函数,w为由各属性系数构成的向量;λ为平衡拟合度和正则化的因子,λ∈[0,1];||w||2表示系数向量W的二次范数式;
所述的一种结合Wrapper和SVM方法分析雾预测主要特征属性的过程是针对不同预警时间建立好的雾预测训练样本,分别使用结合方法进行迭代;得到指定预警时间雾预测样本的一个属性子集即为最优特征属性子集;
所述的利用不同时刻雾预测样本训练得到SVM在不同时刻的参数的方法,将不同预警时间结合方法分析出的雾预测主要特征对应的训练数据作为SVM模型的输入,即针对不同预警时间的输入数据,分别使用SVM方法对其输入数据进行训练,输出为各预警时间SVM方法的决策函数;其中SVM方法采用的核函数为线性函数,优化最小间隔采用的是拉格朗日对偶问题方法;对偶问题的SVM方法的决策函数如(4)所示:
式中a表示阈值时间,sign函数为签名函数,ai为拉格朗日对偶系数,xi为经过Wrapper方法得到的属性对应数据,yi为训练数据标签,x为数据输入;
所述的具体预测方法是将各站点每一条实时数据经过预处理后,对应结合方法得到的不同预警时刻特征属性,分别输入至对应短时邻近时刻训练好的SVM方法中,对每一条雾预测实时数据,输出为不同预警时刻预测是否有雾;
还包括下述步骤:
获取测试用的数据,利用步骤S1-S4得到的结合方法模型,将测试数据输入至模型中,将得到的雾预测结果与标签进行比对,得到雾预测的准确度。
短时临近雾预测模型不仅能够根据不同预警时间分析出影响雾预测的主要属性特征,还能够根据分析出的雾预测特征对应的数据进行训练,使其训练的模型能够学习规律性的变化,并且使得模型拥有强大的泛化能力,在极短的时间准确的预测出短时大雾情况。基于上述说明,本发明提出了一种结合特征选择的包裹法(以下简称Wrapper方法)和支持向量机方法(以下简称SVM方法)的组合预测方法;Wrapper算法旨在寻找和归纳影响雾相关的众多属性中的最优雾属性的组合;SVM模型利用其自身训练的特性,以及出色的泛化能力;并利用正则化的方法将俩中方法有效的结合,使其能够在短时间内对雾准确的预测,并实现对雾主要属性的分析。
为了获取与雾预测方法相关的数据源,本实施例的数据来源于全国综合气象信息共享平台(以下均称CIMISS)系统,这是一个统一标准、资源丰富、调用快速高效的气象数据统一服务接口。方便我们获取相关的雾预测数据。
为了能够获取雾预测原始数据,本实施例的雾预测样本各属性数据都来自于CIMISS的地面雷达观测资料接口,其数据年份为近五年全部站点的10分钟数据,下载的雾预测原始数据属性包括气压,温度,相对湿度等。
为了能够处理雾预测原始数据,需要对本实施例的数据源根据特定雾预测属性阈值对数据清理,并按照各站点对数据进行合并,由于下载的属性中包括一些相似属性,比如1分钟能见度,和10分钟能见度,对这俩个相似雾预测属性取最小值,并对这俩个属性进行合并;
为了能够对各站点中每一雾预测数据属性增加不同时刻属性作为新属性,需要对本实施例采用时间窗模型方法获取不同时刻属性,其方法根据每一个设定的时间阈值范围,将当前数据对应的时间与对应的阈值范围做差得到新时刻,根据其得到的新时刻找出数据集中对应的数据的行数,并将该行数据中的某些雾预测属性作为当前时刻的新属性,添加到当前时刻中,本方法采用的雾预测时间窗模型的阈值范围为1小时和2小时。
为了能够获取可能的雾预测新属性,需要对本实施例雾预测数据做不同方法的处理,包括对雾预测数据各属性间关系的计算包括对每一条数据中同一时刻属性间的减法计算,比如考虑到同一时刻属性见温度和露点温度的差异,对该时刻数据进行相减获取到新的变化属性;包括同一时刻属性见的比值计算,获取到相关变化系数,比如利用温度与露点温度的变化量除以总体温差得到新的相对量属性;同时对同一数据不同时刻属性值相减获取得到时间变化量作为新的属性,比如对本时刻温度值与该数据属性中的一小时前温度属性值相减获得温度一小时变化量;得到的新属性包括温度露点差,温度露点比,跨度温度变化等多个特征;原始属性特征和新的属性特征共同代表了全部可能影响雾预测的气象要素,同时这些属性特征能够更多元化的对雾进行全面的表达;
为了能够确定各站点有无雾的时刻,首先对本实施例雾预测数据进行有无雾时刻的定义,即满足一定时间段要求,对有雾,无雾特征分别设置一定区间的阈值,如果该时间段数据都满足其中的有雾或无雾特征阈值的要求,判定该时间段最开始时刻为有雾或无雾时刻;
为了能够建立不同时刻样本数据集,本实施例方法是对每一个预警时间阈值,将各站点有无雾数据对应的时刻和该预警时间阈值范围相减,得到新时刻,并将得到的新时刻对应的各站点数据进行标注,标注及其对应时刻全部特征数据构成指定预警时间的雾预测训练样本数据集;其中雾预测训练样本的标注表示了该时刻属性数据在未来预警时间内有无雾情况,将该数据集用于接下来的结合方法及模型的训练中;其中本方法考虑的不同预警时间阈值包括对大雾未来半小时、1小时、2小时、3小时的预测,并且分别建立不同预警时间阈值的雾预测训练样本;
为了能够分析出不同预警时间雾预测主要特征属性,本实例采用一种短时邻近雾预测方法,其方法是将对应预警时间的雾预测训练数据的全部属性集划分为不同的子集,对不同子集对应的数据输入到对应预警时间的SVM模块中进行拟合,通过比较,得到对应预警时间最优拟合效果的属性子集,并作为影响雾预测主要特征属性;
其中Wrapper方法是将指定预警时间雾预测样本数据的全部属性通过子集生成器生成多个雾预测属性子集组合,对每个雾预测属性子集找出最优子集组合的方法,表达式如(1)所示;其总体拓扑结构图,如图1所示。
SVM方法将指定预警时间Wrapper子集生成器生成的属性子集对应的数据带入,对每一属性子集对应的数据通过迭代的方式进行拟合,返回每一属性子集组合拟合度效果值,定义的具体拟合度的公式如下式(2)所示;
通过俩种方法的结合及引入正则化约束方法的思想得出最优拟合度对应的雾预测特征属性子集;其根据结合方法求出的具体最优子集的公式如下式(3)所示;其子集对应指定预警时间主要影响雾预测的特征;其具体的结合算法流程图如图3所示。
式中T表示不同的雾预测属性组合构成的集合,xt为不同属性子集对应的数据,t表示T中的雾预测属性子集,M表示为不同雾预测时间样本的个数,N表示为该结合方法的迭代次数,b表示为SVM方法中超平面的截距,J(xt,w)为SVM方法拟合度函数,w为由各属性系数构成的向量;λ为平衡拟合度和正则化的因子,λ∈[0,1]||w||2表示系数向量W的二次范数式;
为了能够建立不同预警时刻雾分析过程,本实施例针对不同预警时间建立好的雾预测训练样本,分别使用结合方法进行迭代,得到指定预警时间雾预测样本的一个属性子集即为最优特征属性子集,其标号集中每一列号对应其所在列的特征属性。
为了能够根据不同预警时间雾预测数据建立不同的SVM方法模型,本实施例将不同预警时间结合方法分析出的雾预测主要特征对应的数据作为SVM模型的输入,即针对不同预警时间的输入数据,分别使用SVM方法对其输入数据进行训练,输出为各预警时间SVM方法的决策函数;
其中SVM方法采用的核函数为线性函数,优化最小间隔采用的是拉格朗日对偶问题方法;对偶问题的SVM方法的决策函数如(4)所示;其拉格朗日方法的决策平面坐标图如图4所示。
式中a表示阈值时间,sign函数为签名函数,ai为拉格朗日对偶系数,xi为经过Wrapper方法得到的属性对应数据,yi为训练数据标签,x为数据输入;
为了能够利用训练好的SVM方法模型预测,本实施例将各站点每一条实时数据经过预处理后,对应结合方法得到的不同预警时刻特征属性,分别输入至对应短时邻近时刻训练好的SVM方法中,对每一条雾预测实时数据,输出为不同预警时刻预测是否有雾;具体的实时数据预测流程如图1所示。
该实施例的的组合方法具体预测方法与步骤如图2所示。该一种短时邻近大雾分类预测建立方法具体包含如下步骤:
S1、获取并处理雾分类预测相关的原始气象要素属性数据集;所述的原始数据集是来自于不同年份,不同时间,不同站点所收集的;处理方法包括数据清理,按站点合并数据分站等方法;
S2、标注和处理原始数据集得到与雾预测相关的全部特征属性数据,并建立不同预警时间的雾预测训练数据;所述的获得新的雾预测属性的方法包括:每一雾预测数据属性中增加不同时刻属性、利用雾预测数据各属性间的关系计算新的属性;根据特定阈值确定有无雾时刻;根据得到的时刻及不同预警时间进行雾预测数据的分类标注,并建立不同预警时间的雾预测训练数据;
S3、结合Wrapper方法和SVM方法,利用不同时刻雾预测训练样本,分析出不同预警时间影响雾预测的主要特征属性;并将每一预警时间分析出的结果对应的雾预测训练数据分别输入至SVM方法中得到SVM方法在不同预警时间的模型参数;
数据预测时将每条实时数据经过预处理后,对应不同预警时间的特征属性数据输入至训练好的不同预警时间的SVM模型中,得到每条数据在不同短时邻近时刻预测是否出雾情况;
式中T表示不同的雾预测属性组合构成的集合,xt为不同属性子集对应的数据,t表示T中的雾预测属性子集,M表示为不同雾预测时间样本的个数,N表示为该结合方法的迭代次数,b表示为SVM方法中超平面的截距,J(xt,w)为SVM方法拟合度函数,w为由各属性系数构成的向量;λ为平衡拟合度和正则化的因子,λ∈[0,1]||w||2表示系数向量W的二次范数式;
获取测试用数据,利用步骤S1-S4对测试数据进行处理得到预测的测试结果,将测试结果与实际结果进行比对,判断模型的预测准确度。
我们将实时数据输入至短临雾预测方法中预测该时刻在未来0.5小时,1小时,2小时,3小时是否有雾情况,并利用气象学TS评分对短临雾预测方法预测情况进行评估,其TS评分如(9)式所示,TS评分的取值范围为0到100,值越高表示预测能力越强。
/>
式中NAk为预报正确站的次数,NBk为空报站的次数(预测有雾实际为无雾),NCk为漏报次数(实际有雾预测无雾)。
图5(a)、(b)、(c)分别为我们用2019年1月12日,3月2日,3月3日5点到10点的实时数据得到的对应时刻辽宁省所有站点的TS评分,其中横轴表示对应日期时间,纵轴表示TS评分。图5(d)表示上述三天每个站点的各时刻预报正确的个数占参与预报总的次数的百分比。
本发明的一种短时大雾预测方法与上述的方法对应,具体可参考上述方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
综上,本发明公开了一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,首先获取与大雾预测相关的原始数据集;再根据相关方法处理并标注原始数据集,建立不同预警时间雾预测训练数据;结合Wrapper方法与SVM方法对不同预警时间的雾预测训练数据进行主要特征属性分析,得出不同预警时间影响影响雾预测的主要特征属性;将该方法得到的不同预警时间影响雾预测的主要特征属性对应的数据输入至SVM方法中进行训练得到不同预警时间的SVM方法模型;预测时将每条数据经过预处理后,对应不同预警时间结合方法得到的特征属性数据输入至训练好的不同预警时间的SVM模型中,得到每条数据在不同短时邻近时刻预测是否出雾情况。本发明建立的基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法能够准确地对大雾进行预测,且应用于开发系统中;在分析出不同预警时间影响雾预测主要特征属性的同时,加快预报量和预测准确率。
Claims (6)
1.一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,其特征在于:该方法包括如下步骤:
第一步:获取与大雾预测相关的实时系统中某时刻实际气象要素属性数据;
第二步:对第一步中的数据进行预处理;
第三步:结合Wrapper方法与SVM方法对第二步中预处理后的数据进行主要特征属性分析,得出不同预警时间影响影响雾预测的主要特征属性数据;
第四步:将第三步中的主要特征属性数据输入至不同预警时间的SVM模型中,得到该数据在不同短时邻近时刻是否出雾情况;
第四步中的不同预警时间的SVM模型构建方法如下:
(一)、获取与大雾预测相关的原始气象要素属性数据集;
(二)、根据相关方法处理并标注原始数据集,获得与雾预测相关的全部特征属性数据,建立不同预警时间的雾预测训练数据,它们的属性名称均一致;
(三)、结合Wrapper方法与SVM方法对二步骤中的不同预警时间的雾预测训练数据进行主要特征属性分析,得出不同预警时间影响雾预测的主要特征属性数据;
(四)、将三步骤中得到的不同预警时间影响雾预测的主要特征属性数据输入至SVM方法中进行训练得到不同预警时间的SVM方法模型;
所述的一种结合Wrapper和SVM的方法是将对应预警时间的雾预测训练数据的全部属性形成的属性集划分为不同的子集,对不同子集对应的数据输入到对应预警时间的SVM模块中进行拟合,通过比较,得到对应预警时间最优拟合效果的属性子集,并作为影响雾预测主要特征属性;
其中Wrapper方法是将指定预警时间雾预测样本数据的全部属性形成的属性集通过子集生成器生成多个雾预测属性子集组合,对每个雾预测属性子集找出最优子集组合的方法,表达式如(1)所示;
SVM方法将指定预警时间Wrapper子集生成器生成的属性子集对应的数据带入,对每一属性子集对应的数据通过迭代的方式进行拟合,返回每一属性子集组合拟合度效果值,定义的具体拟合度的公式如下式(2)所示;通过俩种方法的结合及引入正则化约束方法的思想得出最优拟合度对应的雾预测特征属性子集;其根据结合方法求出的具体最优子集的公式如下式(3)所示;其子集对应指定预警时间主要影响雾预测的特征;
式中T表示不同的雾预测属性组合构成的集合,xt为不同属性子集对应的数据,t表示T中的雾预测属性子集,M表示为不同雾预测时间样本的个数,N表示为该结合方法的迭代次数,b表示为SVM方法中超平面的截距,J(xt,w)为SVM方法拟合度函数,w为由各属性系数构成的向量;λ为平衡拟合度和正则化的因子,λ∈[0,1];||w||2表示系数向量W的二次范数式;
步骤(四)中不同预警时间影响雾预测的主要特征属性数据输入至SVM方法中进行训练得到不同预警时间的SVM方法模型具体步骤为:将不同预警时间结合Wrapper和SVM的分析出的雾预测主要特征对应的训练数据作为SVM模型的输入,即针对不同预警时间的输入数据,分别使用SVM方法对其输入数据进行训练,输出为各预警时间SVM方法的决策函数;其中SVM方法采用的核函数为线性函数,优化最小间隔采用的是拉格朗日对偶问题方法;对偶问题的SVM方法的决策函数如(4)所示:
式中a表示阈值时间,sign函数为签名函数,ai为拉格朗日对偶系数,xi为经过Wrapper方法得到的属性对应数据,yi为训练数据标签,x为数据输入,b为SVM决策平面中的平面截距。
2.根据权利要求1所述的一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,其特征在于:(一)步骤中的气象要素属性数据集是通过气象数据统一服务接口(CIMISS)的地面观察资料,对该资料中与雾预测相关的来自于不同年份,不同时间,不同站点所收集的全部站点的气象属性进行下载,并获取到雾预测原始数据;所述的获取到的雾预测原始数据属性包括该条数据对应时刻的气压,温度,相对湿度。
3.根据权利要求1所述的一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,其特征在于:(二)步骤中:
相关方法包括根据特定原始雾预测属性阈值依次对数据清理、各站点数据合并;
每一雾预测数据属性中增加不同时刻属性、以及当前时刻气象属性和不同时刻属性间的变化量;根据特定阈值确定有无雾时刻;
根据得到的有雾或无雾时刻及不同预警时间进行雾预测数据的分类标注,并建立不同预警时间的雾预测训练数据。
4.根据权利要求3所述的一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,其特征在于:雾预测数据属性中增加不同时刻属性方法包括建立时间窗方法对每一雾预测数据属性增加不同时刻属性,其方法根据每一个设定的时间阈值范围,将当前数据对应的时间与对应的阈值范围做差得到新时刻,根据其得到的新时刻找出数据集中对应的数据的行数,并将该行数据中的某些雾预测属性作为当前时刻的新属性,添加到当前时刻中;时间窗模型阈值范围设定为1小时和2小时。
5.根据权利要求3所述的一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,其特征在于:利用雾预测数据各属性间的关系计算新的属性的方法包括对每一条数据中同一时刻属性间的减法计算和比值计算;每一条数据不同时刻属性间的减法计算;每一条雾预测数据得到的新的属性包括温度露点差、温度露点比和跨度温度变化;原始属性特征和新的属性特征共同代表了全部可能影响雾预测的气象要素。
6.根据权利要求1所述的一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法,其特征在于:(二)步骤中,建立不同预警时间的雾预测训练数据的方法:
首先确定有无雾时刻,该确定方法是指满足一定时间段要求,对有雾,无雾特征设置阈值,如果该时间段数据都满足阈值要求,判定该时间段最开始时刻为有无雾时刻;对判断有无雾的时刻和对应的预警时刻分别建立不同时刻雾预测训练样本,该方法是对每一个预警时间阈值,将各站点有无雾数据对应的时刻和该预警时间阈值范围相减,得到新时刻,并将得到的新时刻对应的各站点数据进行标注,标注及得到的新时刻所对应时刻全部特征数据构成指定预警时间的雾预测训练样本数据集;其中雾预测训练样本的标注表示了该时刻属性数据在未来预警时间内有无雾情况,将该数据集用于接下来的结合方法及模型的训练中;考虑的不同预警时间阈值预测包括对大雾未来半小时、1小时、2小时、3小时的预测,并且分别建立不同预警时间阈值的雾预测训练样本。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019107310251 | 2019-08-08 | ||
CN201910731025 | 2019-08-08 | ||
CN2019107316351 | 2019-08-08 | ||
CN201910731635 | 2019-08-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784022A CN111784022A (zh) | 2020-10-16 |
CN111784022B true CN111784022B (zh) | 2024-01-30 |
Family
ID=72753512
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409474.7A Pending CN111784023A (zh) | 2019-08-08 | 2020-05-14 | 一种短时邻近雾能见度预测方法 |
CN202010409472.8A Active CN111784022B (zh) | 2019-08-08 | 2020-05-14 | 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010409474.7A Pending CN111784023A (zh) | 2019-08-08 | 2020-05-14 | 一种短时邻近雾能见度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111784023A (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801202B (zh) * | 2021-02-10 | 2024-03-05 | 延锋汽车饰件系统有限公司 | 车窗的起雾预测方法、系统、电子设备及存储介质 |
CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
CN114999180B (zh) * | 2022-05-12 | 2023-12-26 | 广东省韶关市气象局 | 一种基于物联网的高速公路恶劣天气交通预警系统及方法 |
CN115169592A (zh) * | 2022-06-30 | 2022-10-11 | 深圳信息职业技术学院 | 能见度预测方法、装置、存储介质及计算机设备 |
CN115662149B (zh) * | 2022-12-13 | 2023-03-10 | 合肥远捷信息技术有限公司 | 一种基于高速公路团雾预警管控的信息系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090089560A (ko) * | 2008-02-19 | 2009-08-24 | 연세대학교 산학협력단 | 장르 분류 택소노미 생성 시스템 및 그 방법, 상기 방법을구현하는 프로그램이 기록된 기록매체 |
CN102629305A (zh) * | 2012-03-06 | 2012-08-08 | 上海大学 | 一种面向snp数据的特征选择方法 |
CN104504475A (zh) * | 2014-12-24 | 2015-04-08 | 上海大学 | 基于ar*-svm混合建模的雾霾时间序列预测方法 |
CN104657574A (zh) * | 2014-06-13 | 2015-05-27 | 苏州大学 | 一种医疗诊断模型的建立方法及装置 |
CN107729716A (zh) * | 2017-11-27 | 2018-02-23 | 西安建筑科技大学 | 一种基于长短时记忆神经网络的煤矿突水预测方法 |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11373105B2 (en) * | 2017-04-13 | 2022-06-28 | Oracle International Corporation | Autonomous artificially intelligent system to predict pipe leaks |
CN109190670B (zh) * | 2018-08-02 | 2020-04-07 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
-
2020
- 2020-05-14 CN CN202010409474.7A patent/CN111784023A/zh active Pending
- 2020-05-14 CN CN202010409472.8A patent/CN111784022B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090089560A (ko) * | 2008-02-19 | 2009-08-24 | 연세대학교 산학협력단 | 장르 분류 택소노미 생성 시스템 및 그 방법, 상기 방법을구현하는 프로그램이 기록된 기록매체 |
CN102629305A (zh) * | 2012-03-06 | 2012-08-08 | 上海大学 | 一种面向snp数据的特征选择方法 |
CN104657574A (zh) * | 2014-06-13 | 2015-05-27 | 苏州大学 | 一种医疗诊断模型的建立方法及装置 |
CN104504475A (zh) * | 2014-12-24 | 2015-04-08 | 上海大学 | 基于ar*-svm混合建模的雾霾时间序列预测方法 |
CN107729716A (zh) * | 2017-11-27 | 2018-02-23 | 西安建筑科技大学 | 一种基于长短时记忆神经网络的煤矿突水预测方法 |
CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
Non-Patent Citations (2)
Title |
---|
一种基于MA-LSSVM的封装式特征选择算法;林棋;张宏;李千目;;南京理工大学学报(01);全文 * |
基于经验小波变换和多核学习的风电功率短期预测;李军;卓泽赢;;信息与控制(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784022A (zh) | 2020-10-16 |
CN111784023A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784022B (zh) | 一种基于Wrapper方法与SVM方法结合的短时邻近大雾预测方法 | |
CN113919448B (zh) | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 | |
Pontius et al. | Comparing the input, output, and validation maps for several models of land change | |
CN109117883B (zh) | 基于长短时记忆网络的sar影像海冰分类方法及系统 | |
CN104764868B (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
Körner et al. | Introducing Gradient Boosting as a universal gap filling tool for meteorological time series | |
CN110738523B (zh) | 一种维修订单量预测方法及装置 | |
CN106371155A (zh) | 基于大数据和分析场的气象预报方法及系统 | |
CN111814956A (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN113239971B (zh) | 一种面向风场的临近预报与短期预报的融合系统 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN108461150A (zh) | 一种职业卫生预测研究方法 | |
CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 | |
CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
CN117252459A (zh) | 一种基于深度学习的水果质量评估系统 | |
CN111026075A (zh) | 一种基于误差匹配的中低压燃气调压器故障检测方法 | |
CN113688506B (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
CN112668811B (zh) | 基于深度学习的低涡、切变线自动识别与追踪方法及系统 | |
CN112734123A (zh) | 一种基于arima模型的工业废气排放量预测的方法 | |
CN113807579A (zh) | 一种基于机器学习的航班抵港延误时间预测方法 | |
CN110766230A (zh) | 一种机场到港旅客各陆测交通方式流量预测方法及系统 |
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 |