CN111915068A - 一种基于集成学习的道路能见度短临预测方法 - Google Patents

一种基于集成学习的道路能见度短临预测方法 Download PDF

Info

Publication number
CN111915068A
CN111915068A CN202010690635.4A CN202010690635A CN111915068A CN 111915068 A CN111915068 A CN 111915068A CN 202010690635 A CN202010690635 A CN 202010690635A CN 111915068 A CN111915068 A CN 111915068A
Authority
CN
China
Prior art keywords
prediction
model
visibility
data
random forest
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.)
Pending
Application number
CN202010690635.4A
Other languages
English (en)
Inventor
吴兵
翟犇
王艳丽
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202010690635.4A priority Critical patent/CN111915068A/zh
Publication of CN111915068A publication Critical patent/CN111915068A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector

Landscapes

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

Abstract

本发明公开了一种基于集成学习的道路能见度短临预测方法，该方法包括：构建样本气象数据集；利用样本数据集训练随机森林，得到随机森林模型；利用样本数据集训练梯度提升树，并利用极限梯度提升算法进行训练，得到极限梯度提升模型；根据预测时间要求，将待预测数据输入训练过后的随机森林模型和极限梯度提升模型中，得到能见度等级预测数据；对比两个模型在不同预测性能指标上的表现，综合选择预测结果作为最终的能见度预测数据。本发明实现了能见度的精细化、短临化预测，对于开展道路交通等领域的低能见度预警预报具有一定的指导意义。

Description

一种基于集成学习的道路能见度短临预测方法
技术领域
本发明涉及交通与气象领域，特别是一种基于集成学习的能见度短临预测方法。
背景技术
近年来，我国道路交通基础设施的建设不断加快，通车里程和车流量不断增加，道路交通安全问题也愈发突出。在交通事故中由恶劣天气引发的重、特大交通事故居于首位。据统计，30％的交通事故由恶劣天气导致，其中，在团雾等低能见度天气下发生的重大交通事故尤为突出。由团雾引发的交通事故具有事故数量多、死伤人数多、事故后果严重等特点，并极易引发交通瘫痪。
团雾的突发性、局地性和流动性等特点，对道路能见度预测的精准性、及时性提出了更高的要求。现有的大气能见度预测方法主要分为数值模式方法和统计学方法两类，其中，数值模式方法在道路能见度预测方面具有一定的局限性：首先，其需要较高精度和多种类的气象数据做支撑，现有道路气象监测设备获取相关数据的难度较大；其次，数值模式方法主要适用于中观和宏观尺度的能见度预测，较难应用于雾区路段等较小尺度的区域；另外，数值模式方法计算过程较为复杂，预测的时间范围较大，难以满足道路交通短临能见度预测和预警的需求。从能见度预测方法来看，近年来以人工智能模型方法为主的统计学方法被应用于道路能见度预测成为主要趋势。但现有的统计学方法中，能见度预测的时间粒度较大，且预测结果多为有雾/无雾，较难做到对道路能见度的精细化预测，难以实现对不同能见度等级的差异化管理和交通安全预警。
作为机器学习的重要组成部分，集成学习(Ensemble Learning)对于道路能见度预测具有一定的优势，其准确性高、运算速度较快、具有较强的防止过拟合能力；其次，集成学习对于解决能见度与气象要素之间较强的非线性关系问题具有较大优势；另外，与正常天气相比低能见度数据较少，而集成学习中的多种算法对于解决此类样本不平衡问题表现较好。在集中学习众多算法中，随机森林(Random Forest,RF)和极限梯度提升(eXtremeGradient Boosting,XGB)是应用较广的两种典型算法，分别代表了袋装法(bagging)和提升法(boosting)两种典型的集成学习框架。
因此，需要一种基于集成学习的道路能见度短临预测方法，利用道路沿线的历史气象数据对预测模型进行训练，根据预测时间要求，在较小的时间尺度下给出道路能见度等级的预测结果，以满足道路低能见度短临预测和预警的要求。
发明内容
本发明的目的在于提供一种基于集成学习的道路能见度短临预测方法，克服现有能见度预测中时间粒度小、精细化程度低等不足，对道路沿线能见度等级进行实时预测，从而确保道路交通安全。
本发明的主要特征在于，利用道路沿线气象数据，通过集成学习中的随机森林算法和极限梯度提升算法，建立道路能见度短临预测模型。同时，根据不同预测时间的要求，选择不同的输入变量，得到两个模型的能见度等级预测结果。对比两个模型在不同预测性能指标上的表现，综合选择预测结果作为最终的能见度预测数据。
为解决上述技术问题，本发明技术方案如下：
一种基于集成学习的道路能见度短临预测方法，包括：获取道路沿线在待预测时刻之前多个时刻的风速、风向、温度、湿度、气压等气象特征数据，构建样本气象数据集；利用样本数据集训练随机森林，得到随机森林模型；利用样本数据集训练梯度提升树，并利用极限梯度提升算法进行训练，得到极限梯度提升模型；根据预测时间要求，将待预测数据输入训练过后的随机森林模型和极限梯度提升模型中，得到能见度等级预测数据；对比两个模型在不同预测性能指标上的表现，综合选择预测结果作为最终的能见度预测数据。
具体包括以下步骤：
步骤1，获取气象特征数据
所述气象特征数据主要包括道路沿线在待预测时刻之前多个时刻的风速、风向、温度、湿度、气压等气象特征数据，将能见度等级作为输出变量，建立样本数据集；
步骤2，随机森林模型建立
基于随机森林算法建立基本模型，并输入步骤一得到的样本数据集训练该模型，并利用网格搜索进行参数调整，选择得分最高的参数作为最优模型参数，最终得到最优随机森林(RF)模型；
步骤3，极限梯度提升模型建立
基于极限梯度提升算法建立基本模型，并输入步骤一得到的样本数据集训练该模型，并利用网格搜索进行参数调整，选择得分最高的参数作为最优模型参数，最终得到最优极限梯度提升(XGB)模型；
步骤4，输出能见度等级预测数据
根据预测时间要求，将待预测数据输入训练过后的RF模型和XGB模型中，分别得到基于两个模型的能见度等级预测数据；
步骤5，对比RF和XGB两个模型在不同预测时间和预测性能指标上的表现，综合选择预测结果作为最终的能见度预测数据。
本发明基于集成学习预测准确性高、运算速度快、非线性预测能力强的优势，同时在不同预测时间尺度上分别建立不同的预测模型，实现了能见度的精细化、短临化预测，对于开展道路交通等领域的低能见度预警预报具有一定的指导意义。
与现有技术相比，本发明主要包括以下优点：
1.本发明利用道路沿线历史气象数据进行训练，操作简单方便。
2.本发明利用集成学习的算法建立道路能见度短临预测模型，具有准确性高、运算速度快、防止过拟合能力强等优势。同时，对两个模型的预测结果进行对比，充分发挥两个模型在不同预测时间和预测性能指标上的能力。
3.本发明能够实现在较小的预测时间尺度下进行道路能见度的预测，实现了道路能见度的短临化预测，能够提高低能见度下道路交通安全预警能力，提升道路交通安全管理水平；同时，根据不同预测时间要求分别提出了不同的预测方法，从而实现道路能见度的精准化预测，满足了道路交通精细化管理的要求。
下面结合附图对本发明做进一步详细的描述。
附图说明
图1是本发明提供的基于集成学习的道路能见度短临预测方法的步骤
图2是本发明提供的基于集成学习的道路能见度短临预测方法的流程逻辑图
图3是实施例随机森林模型和极限梯度提升模型在不同预测时间上的精确率比较
图4是实施例随机森林模型和极限梯度提升模型在不同预测时间上的召回率比较
图5是实施例随机森林模型和极限梯度提升模型在不同预测时间上的整体得分比较
具体实施方式
基于集成学习的道路能见度短临预测方法，具体步骤为：
步骤1，获取气象特征数据
所述气象特征数据主要包括道路沿线在待预测时刻之前多个时刻的风速、风向、温度、湿度、气压等气象特征数据，将能见度等级作为输出变量，建立样本数据集。
进一步，能见度等级按照平均能见度大小可以分为5个等级，如表1所示。
表1能见度等级划分
能见度等级 划分标准
一级 平均能见度＜100米
二级 100米≤平均能见度＜200米
三级 200米≤平均能见度＜500米
四级 500米≤平均能见度＜1000米
五级 平均能见度＞1000米
提取当前时刻前T时间的各个气象变量，形成新的样本数据集。其中，T∈{5min,10min,15min,20min,30min,45min,60min,90min,120min,180min}。
步骤2，随机森林(RF)模型建立
步骤2.1，将样本数据集按照一定比例分为训练集和测试集
步骤2.2，利用随机森林算法分别建立5个预测时间的基本模型，基于表2分别输入训练集进行训练。
表2不同预测时间输入的变量
预测时间 输入变量
提前5分钟 *_5、*_10、*_15三组变量
提前10分钟 *_10、*_20、*_30三组变量
提前15分钟 *_15、*_30、*_45三组变量
提前30分钟 *_30、*_60、*_90三组变量
提前60分钟 *_60、*_120、*_180三组变量
注：*_T代表待预测时刻前T时刻的各个气象变量，如*_5表示待预测时刻5分钟前的各个气象变量。
步骤2.3，利用网格搜索进行参数调整，参数调节顺序分别为：n_estimators、max_depth、max_features、min_samples_leaf、min_samples_split、criterion。
其中，
n_estimators表示随机森林中树模型的数量；
max_depth表示树的最大深度；
max_features表示在做最佳分枝的时候，考虑的特征个数；
min_samples_leaf表示一个叶节点要存在所需要的最小样本量；
min_samples_split表示一个中间节点要分枝所需要的最小样本量；
criterion表示用来衡量分枝质量的指标，包括基尼系数和信息增益两种。
利用网格搜索进行参数调整，以降低模型的泛化误差，选择得分最高的参数组合作为随机森林模型的最优参数组合，最终得到最优随机森林模型。
步骤3，极限梯度提升(XGB)模型建立
步骤3.1，将样本数据集按照一定比例分为训练集和测试集
步骤3.2，利用极限梯度提升算法分别建立5个预测时间的基本模型，基于表2分别输入训练集进行训练。
步骤3.3，利用网格搜索进行参数调整，参数调节顺序分别为：n_estimators、max_depth、min_child_weight、gamma、subsample、colsample_bytree、colsample_bylevel、reg_alpha、reg_lambda、learning_rate。
其中，
n_estimators表示集成算法中的弱分类器的数量；
max_depth表示弱分类器的最大树深度；
min_child_weight表示一个叶节点上所需的最小样本权重；
gamma表示在树的叶节点上进行进一步分枝所需的最小的目标函数的下降；
subsample表示从样本中进行采样的比例；
colsample_bytree表示构造每一棵树时随机抽样出的特征占所有特征的比例；
colsample_bylevel表示在树的每一层进行分枝时随机抽样出的特征占所有特征的比例；
reg_alpha表示目标函数中使用L1正则化时控制正则化强度；
reg_lambda表示目标函数中使用L2正则化时控制正则化强度；
learning_rate表示集成中的学习率。
利用网格搜索进行参数调整，以降低模型的泛化误差，选择得分最高的参数组合作为极限梯度提升模型的最优参数组合，最终得到最优极限梯度提升模型。
步骤4，输出能见度等级预测数据
根据预测时间要求，将待预测数据输入训练过后的RF模型和XGB模型中，分别得到基于两个模型的能见度等级预测数据。
步骤5，对比两个模型在不同预测时间和预测性能指标上的表现，综合选择预测结果作为最终的能见度预测数据。
下面结合实施例进行更详细的描述。
实施例1：
本发明实施例提供的基于集成学习的道路能见度短临预测方法，以重庆涪丰石高速公路沿线数据为例进行说明。
步骤1，获取气象特征数据
本实施例中，根据气象监测站点收集到的重庆涪丰石高速公路观音岩停车区附近2019年12月27日至2020年6月3日之间的气象数据，经过预处理剔除缺失和错误数据后共143580条数据，时间粒度为1分钟。除去时间、设备状态等系统变量，选择平均风速等8个变量作为输入变量。按照表1中的能见度等级划分条件，得到能见度等级，作为因变量。
样本数据中各个变量名称与含义如表3所示。
表3样本数据变量说明
序号 名称 含义 单位
1 TIMESTAMP 日期和时间
2 RECORD 数据条数
3 WS_ms_Avg 平均风速 m/s
4 WindDir 风向 deg
5 RH 湿度 ％
6 AirT_C_Avg 环境温度 ℃
7 DP_C_Avg 露点温度 ℃
8 BP_mbar_Avg 大气压力 mbar
9 RainT_mm 降雨 mm
10 Visibility_Avg 平均能见度 km
11 Visibility_Level 能见度等级
提取当前时刻前T时间的8个气象变量，形成新的样本数据集。其中，T∈{5min,10min,15min,20min,30min,45min,60min,90min,120min,180min}。新的样本数据集共83个变量，143580条数据。
步骤2，随机森林(RF)模型建立
步骤2.1，将样本数据集按照4:1的比例分为训练集和测试集，训练集共114864条数据，测试集共28716条数据。
步骤2.2，利用python中的sklearn包，基于随机森林算法分别建立5个预测时间的基本模型，依照表2分别输入训练集进行训练。
步骤2.3，利用网格搜索进行参数调整，以降低模型的泛化误差，选择得分最高的参数组合作为极限梯度提升模型的最优参数组合。以提前5分钟预测为例，最优参数组合为：n_estimators＝135，criterion＝”gini”,其余参数为默认值。
步骤3，极限梯度提升(XGB)模型建立
步骤3.1，将样本数据集按照4:1的比例分为训练集和测试集，训练集共114864条数据，测试集共28716条数据。
步骤3.2，利用python中的xgboost包，基于极限梯度提升算法分别建立5个预测时间的基本模型，依照表2分别输入训练集进行训练。
步骤3.3，利用网格搜索进行参数调整，以降低模型的泛化误差，选择得分最高的参数组合作为极限梯度提升模型的最优参数组合。以提前5分钟预测为例，最优参数组合为：learning_rate＝0.3,n_estimators＝400,max_depth＝5,min_child_weight＝6,subsample＝1,colsample_bytree＝1,colsample_byleve l＝1,gamma＝0,reg_alpha＝0.1,reg_lambda＝0.1其余参数为默认值。
步骤4，输出能见度等级预测数据
根据预测时间要求，将待预测数据输入训练过后的RF模型和XGB模型中，分别得到基于两个模型的能见度等级预测数据。以提前5分钟预测为例，分别得到两个模型的预测结果如表4和表5所示。
表4RF模型提前5分钟预测能见度等级分类结果
Figure BDA0002589226960000081
表5XGB模型提前5分钟预测能见度等级分类结果
Figure BDA0002589226960000082
两个模型在提前5分钟预测时的预测结果对比如表6所示。
表6提前5分钟预测两个模型预测结果对比
Figure BDA0002589226960000091
其中，
Precision为精确率，表示检测出的条目中，有多少是准确的；
Precision_Avg表示所有能见度等级精确率的加权平均数；
Precision_Avg2表示除能见度等级为5以外的精确率的加权平均数；
Recall为召回率，表示所有准确的条目有多少被检测出来了；
Recall_Avg表示所有能见度等级召回率的加权平均数；
Recall_Avg2表示除能见度等级为5以外的召回率的加权平均数；
F1_score指标综合了Precision和Recall的结果，其计算公式如下：
Figure BDA0002589226960000092
F1_score_Avg表示所有能见度等级F1值的加权平均数；
F1_score_Avg2表示除能见度等级为5以外的F1值的加权平均数；
run time表示模型训练所花费的时间。
由表6可以看出，在四个低能见度等级中，两个模型均对能见度等级1和2的预测表现较好；RF模型在精确率方面表现较好，XGB模型在召回率方面表现较好，且整体得分(F1值)较高；RF模型在运行时间方面优势明显。
步骤5，对比两个模型在不同预测时间和预测性能指标上的表现，综合选择预测结果作为最终的能见度预测数据。
本实施例中，RF模型和XGB模型在不同预测时间上的精确率、召回率和F1得分比较如附图3、附图4、和附图5所示。
本实施例中，基于集成学习的道路能见度短临预测方法对能见度等级1(平均能见度小于100m)的预测能力最强，精确率可达到84％。RF模型在预测结果的精确率方面具有优势，其在提前15分钟对低能见度的预测精确率最高，平均精确率达到69.0％，其余时段的平均精确率也都超过63％。从两个模型在各个预测时间上的整体性能来看，在提前15分钟预测时，可采用RF模型；在提前5分钟和提前60分钟预测时，可采用XGB模型。

Claims (2)

1.一种基于集成学习的道路能见度短临预测方法，其特征在于，包括：获取道路沿线在待预测时刻之前多个时刻的气象特征数据，构建样本气象数据集；利用样本数据集训练随机森林，得到随机森林模型；利用样本数据集训练梯度提升树，并利用极限梯度提升算法进行训练，得到极限梯度提升模型；根据预测时间要求，将待预测数据输入训练过后的随机森林模型和极限梯度提升模型中，得到能见度等级预测数据；对比两个模型在不同预测性能指标上的表现，选择预测结果作为最终的能见度预测数据。
2.如权利要求1所述的方法，其特征在于，具体包括以下步骤：
步骤1，获取气象特征数据
所述气象特征数据主要包括道路沿线在待预测时刻之前多个时刻的风速、风向、温度、湿度、气压气象特征数据，将能见度等级作为输出变量，建立样本数据集；
步骤2，随机森林模型建立
基于随机森林算法建立基本模型，输入步骤一得到的样本数据集训练该模型，并利用网格搜索进行参数调整，选择得分最高的参数作为最优模型参数，最终得到最优随机森林(RF)模型；
步骤3，极限梯度提升模型建立
基于极限梯度提升算法建立基本模型，输入步骤一得到的样本数据集训练该模型，并利用网格搜索进行参数调整，选择得分最高的参数作为最优模型参数，最终得到最优极限梯度提升(XGB)模型；
步骤4，输出能见度等级预测数据
根据预测时间要求，将待预测数据输入训练过后的RF模型和XGB模型中，分别得到基于两个模型的能见度等级预测数据；
步骤5，对比RF和XGB两个模型在不同预测时间和预测性能指标上的表现，综合选择预测结果作为最终的能见度预测数据。
CN202010690635.4A 2020-07-17 2020-07-17 一种基于集成学习的道路能见度短临预测方法 Pending CN111915068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010690635.4A CN111915068A (zh) 2020-07-17 2020-07-17 一种基于集成学习的道路能见度短临预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010690635.4A CN111915068A (zh) 2020-07-17 2020-07-17 一种基于集成学习的道路能见度短临预测方法

Publications (1)

Publication Number Publication Date
CN111915068A true CN111915068A (zh) 2020-11-10

Family

ID=73281866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010690635.4A Pending CN111915068A (zh) 2020-07-17 2020-07-17 一种基于集成学习的道路能见度短临预测方法

Country Status (1)

Country Link
CN (1) CN111915068A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906298A (zh) * 2021-02-05 2021-06-04 重庆邮电大学 一种基于机器学习的蓝莓产量预测方法
CN113807454A (zh) * 2021-09-18 2021-12-17 航天新气象科技有限公司 能见度确定方法、装置、计算机设备及可读存储介质
CN113919608A (zh) * 2021-12-15 2022-01-11 中国气象局公共气象服务中心(国家预警信息发布中心) 一种预报机场能见度的方法及装置
KR20230018625A (ko) * 2021-07-30 2023-02-07 대한민국(기상청 국립기상과학원장) 랜덤포레스트 기계학습과 기상 관측 및 모델 예측 자료를 이용한 실시간 시정 산출 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110969290A (zh) * 2019-11-18 2020-04-07 国电湖南巫水水电开发有限公司 一种基于深度学习的径流概率预测方法及系统
CN111339092A (zh) * 2020-02-24 2020-06-26 江苏省南通环境监测中心 一种基于深度学习的多尺度空气质量预报方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110969290A (zh) * 2019-11-18 2020-04-07 国电湖南巫水水电开发有限公司 一种基于深度学习的径流概率预测方法及系统
CN111339092A (zh) * 2020-02-24 2020-06-26 江苏省南通环境监测中心 一种基于深度学习的多尺度空气质量预报方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜兆宇: "多时空尺度的风力发电预测方法综述", 《自动化学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112906298A (zh) * 2021-02-05 2021-06-04 重庆邮电大学 一种基于机器学习的蓝莓产量预测方法
CN112906298B (zh) * 2021-02-05 2023-05-26 重庆邮电大学 一种基于机器学习的蓝莓产量预测方法
KR20230018625A (ko) * 2021-07-30 2023-02-07 대한민국(기상청 국립기상과학원장) 랜덤포레스트 기계학습과 기상 관측 및 모델 예측 자료를 이용한 실시간 시정 산출 방법
KR102591379B1 (ko) * 2021-07-30 2023-10-19 대한민국 랜덤포레스트 기계학습과 기상 관측 및 모델 예측 자료를 이용한 실시간 시정 산출 방법
CN113807454A (zh) * 2021-09-18 2021-12-17 航天新气象科技有限公司 能见度确定方法、装置、计算机设备及可读存储介质
CN113807454B (zh) * 2021-09-18 2024-09-27 航天新气象科技有限公司 能见度确定方法、装置、计算机设备及可读存储介质
CN113919608A (zh) * 2021-12-15 2022-01-11 中国气象局公共气象服务中心(国家预警信息发布中心) 一种预报机场能见度的方法及装置

Similar Documents

Publication Publication Date Title
CN111915068A (zh) 一种基于集成学习的道路能见度短临预测方法
CN110197218B (zh) 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN108152059B (zh) 基于多传感器数据融合的高速列车转向架故障检测方法
CN106507315B (zh) 基于网络社交媒体数据的城市交通事故预测方法和系统
CN108256714A (zh) 一种基于车联网大数据的行车轨迹实时风险评估模型
CN112508237B (zh) 基于数据分析的雨型区域划分方法和实时雨型预测方法
CN112285807A (zh) 一种气象信息预测方法及装置
CN109887279B (zh) 一种交通拥堵预测方法及系统
CN107480698A (zh) 基于多个监测指标的质量控制方法
CN111126868B (zh) 一种道路交通事故发生风险确定方法及系统
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统
CN111539842A (zh) 基于气象和地理环境的架空输电线路覆冰预测方法
CN112149922A (zh) 高速公路隧道下行线出入口区域事故严重程度预测方法
CN116739619A (zh) 一种能源电力碳排放监测分析建模方法及装置
CN116663742A (zh) 基于多因素和模型融合的区域运力预测方法
CN115034451A (zh) 一种高速公路浓雾低能见度Logistic回归的短时预警方法
CN117275220B (zh) 基于非完备数据的山区高速公路实时事故风险预测方法
CN115222065A (zh) 一种基于Stacking集成学习的井口压力在线多步预测方法
CN117995027A (zh) 一种飞行计划备降场推荐方法、系统、设备及介质
CN111427101B (zh) 一种雷雨大风分级预警方法、系统、存储介质
CN116660678A (zh) 一种用于输电网故障测距与故障的评估系统
Sun et al. Traffic flow prediction model based on spatio-temporal dilated graph convolution
CN115796590A (zh) 道路团雾事故风险的预测方法、装置、电子设备及介质
CN113837436A (zh) 重点管控区域污染防控管理办法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201110

WD01 Invention patent application deemed withdrawn after publication