CN112257813A - 气象报文处理方法及装置、存储介质及电子设备 - Google Patents
气象报文处理方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112257813A CN112257813A CN202011301602.2A CN202011301602A CN112257813A CN 112257813 A CN112257813 A CN 112257813A CN 202011301602 A CN202011301602 A CN 202011301602A CN 112257813 A CN112257813 A CN 112257813A
- Authority
- CN
- China
- Prior art keywords
- weather
- flight
- sample data
- message
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 66
- 238000012706 support-vector machine Methods 0.000 claims abstract description 62
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000006978 adaptation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000009244 rapid viral response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 102100031441 Cell cycle checkpoint protein RAD17 Human genes 0.000 description 1
- 108010028778 Complement C4 Proteins 0.000 description 1
- 101100247238 Homo sapiens RAD17 gene Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- GDOPTJXRTPNYNR-UHFFFAOYSA-N methyl-cyclopentane Natural products CC1CCCC1 GDOPTJXRTPNYNR-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本申请提供了一种气象报文处理方法及装置、存储介质及电子设备，该方法包括：获取实时气象报文；对实时气象报文进行解析，从实时气象报文中提取预设的每个天气要素各自对应的数据；对每个天气要素各自对应的数据进行归一化处理；将归一化处理后的各个数据输入至预先构建的分类模型中，得到实时气象报文对应的天气是否适合飞行的判断结果；其中，分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。可见，本申请提供的技术方案，通过分类模型，直接获得实时气象报文对应天气是否适合飞行的判断，从而提高飞行派签效率。
Description
技术领域
本申请涉及航空报文解析技术领域，尤其涉及一种气象报文处理方法及装置、存储介质及电子设备。
背景技术
在机场运营过程中，气象信息是飞机的重要飞行指标，现有技术中，将气象报文解析成各个天气要素的数据，得到气象信息，飞行派签员通过浏览各个天气要素的数据，作出气象报文对应的天气是否适合飞行的判断结果，从而基于判断结果，指导航班放行。
由于天气要素种类量繁多，需要飞行派签员耗费大量的时间对解析得到的各个天气要素的数据进行一一浏览及判断，飞行派签效率较低，从而造成航班延误。
发明内容
本申请提供了一种气象报文处理方法及装置、存储介质及电子设备，目的在于解决需要飞行派签员耗费大量的时间对解析得到的各个天气要素的数据进行一一浏览及判断，飞行派签效率较低，从而造成航班延的问题。
为了实现上述目的，本申请提供了以下技术方案：
本申请第一方面公开一种气象报文处理方法，包括：
获取实时气象报文；
对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；
对每个所述天气要素各自对应的数据进行归一化处理；
将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
本申请第二方面公开一种气象报文处理装置，包括：
第一获取单元，用于获取实时气象报文；
解析单元，用于对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；
第一处理单元，用于对每个所述天气要素各自对应的数据进行归一化处理；
输入单元，用于将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
本申请第三方面公开一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行上述的气象报文处理方法。
本申请第四方面公开一种电子设备，所述电子设备包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述的气象报文处理方法。
与现有技术相比，本申请包括以下优点：
本申请提供了一种气象报文处理方法及装置、存储介质及电子设备，获取实时气象报文；对实时气象报文进行解析，从实时气象报文中提取预设的每个天气要素各自对应的数据；对每个天气要素各自对应的数据进行归一化处理；将归一化处理后的各个数据输入至预先构建的分类模型中，得到实时气象报文对应的天气是否适合飞行的判断结果；其中，分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。可见，本申请提供的技术方案，通过分类模型，直接获得实时气象报文对应天气是否适合飞行的判断，从而提高飞行派签效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种气象报文处理方法的方法流程图；
图2为本申请提供的一种气象报文处理方法的又一方法流程图；
图3为本申请提供的一种气象报文处理方法的另一方法流程图；
图4为本申请提供的一种气象报文处理方法的再一方法流程图；
图5为本申请提供的一种气象报文处理装置的结构示意图；
图6为本申请提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本申请公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本申请公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本申请实施例提供了一种气象报文处理方法，该方法可以应用在多种系统平台，其执行主体可以为运行在计算机上的处理器，所述气象报文处理方法的流程图如图1所示，具体包括：
S101、获取实时气象报文。
获取实时气象报文，其中，实时气象报文可以包括观测报文METAR和预测报文TAF。
S102、对实时气象报文进行解析，从实时气象报文中提取预设的每个天气要素各自对应的数据。
对实时气象报文进行解析，从实时气象报文中提取预设的每个天气要素各自对应的数据，其中，天气要素包括但不限于风向、风速、能见度、云层高度和温度。
需要说明的是，实时气象报文包括多个子字符串，每一个子字符串对应一个天气要素。
例如，观测报文：METAR ZSQD 260700Z 32006MPS 280V3509999R35/1100NOVC03328/24Q1005 BECMG TL082019006MPS。
其中，子字符串“METAR”代表实时气象报文的报文类型。
子字符串“ZSQD”代表国际民航组织四字地名代码。如：ZSQD代表华东青岛。
子字符串“260700Z”代表观测的日期。如：“260500Z”意为26日世界时05时整，转化为北京时间日期为前两位；小时为(中间两位+8)％24，即13时，转化的结果为2019年08月26日13时00分。
子字符串“32006MPS”代表风向。气象风以真北为基准，以风的来向的最近10度取整为单位(三位数字表示)，后跟观测前10分钟的地面平均风向风速(两位数字，也有三位数字的例外)。这些数据后紧跟KT，KMH，MPS(强调报告的风速单位)这三种缩写中的一种。例如：31015KT；静风用“00000”表示，其意义为两分钟或十分钟时距内的风速平均<0.5m/s的风。风向不定用“VRB”表示，后跟风速和单位。风向不定指在观测时距内。风向变化>180°，平均风速<2m/s。当风速>3m/s，风向变化>180°时，也应确定风向，只有明确无法确定风向时，才视为风向不定。如VRB6KMH。当在观测前10分钟时段内风向变化达到60度或以上，且平均风速超过3节时按顺时针方向编报两个极值风向，中间用“V”分开。例如：31015G27KT280V350。风向表如表1所示：
表1风向表
子字符串“280V350”代表风速。单位是“米/秒”，当最大风速超过平均风速10节或更多时，在风速后加G和两位或三位数字指示最大阵风风速。例如：31015G27KT。
子字符串“9999”代表能见度。能见度以米为单位用以下方式取整：1、当能见度小于800米时，最近的50米；2、当能见度大于800米但小于等于5000米时，最近的100米，以KM表示；3、当能见度大于5000米时，最近的1KM；4、当能见度等于或大于10000米时，编报(9999)或者(P6SM)；5、当能见度小于50米时，编报“0000”。
子字符串“R35/1100N”代表跑道状况。1、跑道视程(RVR)报文编组用前缀字母R加跑道号、斜杠“/”和以米为单位的接地端的RVR数值。如果RVR是两条或更多的跑道同时探测的，则RVR编组按此格式重复；平行跑道用加在跑道号后的字母“L”，“C”，“R”来相应地指示左，中，右跑道区别。例如：R24L/1100R24R/1150。2、当RVR值高于探测仪器所能探测的最大值，编组由字母“P”加上能够探测的最大值来表示。例如：R24/P1500。3、当RVR值低于探测仪器所能探测的最小值，编组由字母“M”加上能够探测的最小值来表示。例如：R24/M0050。4、如果能够决定RVR的平均值，则报告紧跟观测前10分钟时间段内的RVR平均值；趋势和重要的变化按照以下方式报告：a、趋势：如果在观测前10分钟时间段内RVR值显示明显上升或下降趋势，例如前5分钟和后5分钟的平均值变化超过100米或更多，则用字母U或D标注表示上升或下降趋势；否则，用字母N标注指示在10分钟时间段内无明显变化。例如：R24/1100Db。b、重要变化：当一条跑道的RVR有重大变化，例如在观测前10分钟的时间段内，有1分钟的平均极值与这10分钟的平均值相比变化超过50米或者10分钟平均值的20％(两者中较大者)，则按照从小到大的顺序报告这一分钟的平均最小值和最大值，且用字母V分隔。例如：R24/0950V1100。5、如果在紧跟观测前10分钟的时间段内包括一个标注的RVR值断点，则只用断点之后的那些数值来获取平均值。6、一个完整的RVR编组会用以下形式表示：例如：R24/0900V1100U，注：只要没有进一步的通告，英国的机场不要求报告RVR趋势和重要变化。
子字符串“OVC033”代表云组。1、前三个字符指示云量，云量按八分量进行观测，即把天空分成八等分，看天空被遮住几分，云量就是八分之几。按照《国际航空气象电码》规定，对云量，按FEW(1-2)、SCT(3-4)、BKN(5-7)、OVC(8)，分别对应少云、疏云、多云、阴天进行展示。2、后三个字符指示机场平面到云层底部的高度，单位为百英尺(乘以30＝米)。3、对云状，只报告积雨云(CB)和浓积云(TCU)。如SCT018CB。4、当5000英尺以下或最高的扇区安全高度以下(两者中较高者)无云且无积雨云或浓积云时报告“NSC”(no significantcloud)。但是，无论积雨云或浓积云的高度如何，这些云的云量，云底高和云的类型必须报告。5、天空情况不明以编码VV跟随以百英尺为单位的垂直能见度表示。如果不能探测垂直能见度则用VV///表示。例如：VV003。
子字符串“28/24”代表空气温度/露点。1、气温和露点以摄氏度表示，M表示负值。例如：10/03，01/M01；如果露点温度丢失，应报告：10///。2、气温和露点温度以最近的整数摄氏度报高，如观测值中包含0.5，则向上取整到最高的整数摄氏度。例如：+2.5℃则为3℃，-2.5℃则为-2℃。
子字符串“Q1005”代表气压。1.以Q后跟近似到整百帕的四位数值组的形式表示。如果QNH值小于1000百帕，则最前位置为0以补足4位。例如：Q1015，Q0981。(hpa)2、在报告是以英寸汞柱为单位的地方，修正海压用字母“A”作为前缀且气压数值精确到百分之一英寸，同时省略第二位和第三位数之间的小数点。例如：A3207。(mmHg)。
子字符串“BECMG TL082019006MPS”代表天气的预测趋势。TEMPO"天气临时有改变:"，BECMG"天气正在逐渐转变:"，NOSIG"未来两小时天气没有明显变化"。BECMG(becoming)或TEMPO(temporary)，后跟字符编码“FM(from)”，加上一个时间组(小时和分钟UTC)。
需要说明的是，从实时气象报文中提取每个天气要素各自对应的数据的具体过程请参见现有技术，此处不再赘述。
S103、对每个天气要素各自对应的数据进行归一化处理。
本申请实施例提供的方法中，针对每个天气要素，对该天气要素对应的数据进行归一化处理。具体的，基于各个天气要素各自对应的数据，对每个天气要素进行归一化处理。
参阅图2，对每个天气要素各自对应的数据进行归一化处理的过程，具体包括：
S201、将所有天气要素对应的数据中的最大值确定为实时气象报文的最大特征值，并将所有天气要素对应的数据中的最小值确定为实时气象报文的最小特征。
基于各个天气要素各自对应的数据，确定该实时气象报文的最大特征值和最小特征值，具体包括：确定所有天气要素对应的数据中的最大值，并将最大值确定为该实时气象报文的最大特征值，以及确定所有天气要素对应数据中的最小值，将最小值确定为该实时气象报文的最小特征。
S202、针对每一个天气要素，基于最大特征值和最小特征值、以及预设的第一边界和预设的第二边界值，对天气要素对应的数据进行归一化处理。
依据实时气象报文的最大特征值和最小特征值、以及预设的第一边界和预设的第二边界，对每个天气要素对应的数据进行归一化处理。
其中，归一化处理的具体过程，包括：
针对每一个天气要素，基于实时气象报文的最大特征值和最小特征、以及预设的第一边界值和预设的第二边界值，通过归一化公式，对该天气要素对应的数据进行归一化处理。
归一化公式为：
x'ij＝l+(u-l)*(xij-minj)/(maxj-minj)
其中，x'ij为归一化处理后的数据，xij为天气要素对应的数据，l为第一边界值，u为第二边界值，minj为最小特征值，maxj为最大特征值。
本申请实施例提供的方法中，按归一化公式，对天气要素对应的数据进行归一化处理，得到归一化处理后的数据。
S104、将归一化处理后的各个数据输入至预先构建的分类模型中，得到实时气象报文对应的天气是否适合飞行的判断结果。
本申请实施例提供的方法中，预先构建分类模型，其中分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
参阅图3，分类模型的构建过程，具体包括：
S301、获取样本数据集；样本数据集中包含多个适飞样本数据和不适飞样本数据。
获取样本数据集，样本数据集中包括多个适飞样本数据和多个不适飞样本数据，其中，每个适飞样本数据包括每个天气要素各自对应的数据、以及表征适合飞行的判断结果数据，每个不适飞样本数据包括每个天气要素各自对应的数据、以及表针不适合飞行的判断结果数据。
获取样本数据集的过程，具体包括：获取预设时间段内的各个历史气象报文的解析结果，每个历史气象报文的解析结果中包含多个预设的天气要素对应的数据，可选的，天气要素包括但不限于风向、风速、能见度、云层高度、温度等；从各个历史气象报文的解析结果中随机选取预设数值的解析结果，并将选取出的每个解析结果作为目标解析结果，获取每个目标解析结果对应的表征是否适合飞行的判断结果数据，将所每个目标解析结果和其对应的表征是否适合飞行的判断结果数据组成一个样本数据，其中，将每个表征不适合飞行的判断结果数据和其对应的目标解析结果确定为不适飞样本数据，将每个表征适合飞行的判断结果数据和其对应的目标解析结果确定为适飞样本数据。
S302、对每个适飞样本数据和每个不适飞样本数据进行归一化处理。
对每个适飞样本数据进行归一化处理、以及对每个不适飞样本数据进行归一化处理，也就是对每个适飞样本和每个不适飞样本数据中每个天气要素各自对应的数据进行归一化处理，具体包括：
针对每个样本数据，将该样本数据中所有天气要素对应的数据中的最大值确定为该样本数据的最大特征值，将该样本数据所有天气要素对应的数据中国的最小值确定为该样本数据的最小特征值；其中，样本数据为适飞样本数据或不适飞样本数据。
针对每个样本数据中的每个天气要素对应的数据；基于该样本数据的最大特征值和最小特征值、以及预设的第一边界值和预设的第二边界值，通过归一化公式，对该天气要素对应的数据进行归一化处理。其中归一化公式与上述步骤S202中提及的归一化公式为同一公式，此处不再赘述。
通过对每个适飞样本数据和每个不适飞样本数据进行归一化处理，得到归一化处理后的每个适飞样本数据和每个不适飞样本数据。
本申请实施例提供的方法中，由于每个天气要素对应数据的数值范围不一致，取值范围小的数据很可能会被取值范围大的数据淹没，通过对每个适飞样本数据中的每个天气要素对应的数据进行归一化处理、以及对每个不适飞样本数据中的每个天气要素对应的数据进行归一化处理，从而使每个天气要素各自对应的数据能够平等参与分类模型的训练。
S303、基于归一化处理后的每个适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，得到支持向量机的分类超平面。
基于归一化处理后的每个适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，从而得到支持向量机的分类超平面。
参阅图4，基于归一化处理后的每个适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，得到支持向量机的分类超平面的过程，具体包括：
S401、基于归一化处理后的每个适飞样本数据和预设的惩罚参数，通过支持向量机的核函数，得到第一矩阵。
将归一化处理后的每个适飞样本数据和预设的惩罚参数，输入到支持向量机的核函数中，得到第一矩阵。
S402、基于归一化处理后的每个不适飞样本数据和惩罚参数，通过支持向量机的核函数，得到第二矩阵。
将归一化处理后的每个不适飞样本数据和预设的惩罚参数，输入到支持向量机的核函数中，得到第二矩阵。
S403、对第一矩阵和第二矩阵进行扩维。
将第一矩阵和第二矩阵进行扩维，可选的，可以是将第一矩阵和第二矩阵分别扩展一列全1向量，从而得到扩维后的第一矩阵和扩维后的第二矩阵。
S404、基于扩维后的第一矩阵和第二矩阵，通过二次规划优化函数，得到支持向量机的超平面方程系数。
基于扩维后的第一矩阵和扩维后的第二矩阵，通过二次规划优化函数，得当支持向量机的超平面方程系统；其中，二次规划优化函数可以是quadprog函数。
具体的，基于扩维后的第一矩阵，计算第一初始矩阵，基于扩维后的第二矩阵，计算第二初始矩阵，基于第一初始矩阵和扩维后的第二矩阵，计算第一目标矩阵，基于第二初始矩阵和扩维后的第一矩阵，计算第二目标矩阵，并基于第一目标矩阵和第二目标矩阵和第一向量和二向量，通过二次规划优化函数，得到第一数值和第二数值，其中，第一向量和第一向量均为与扩维后的第一矩阵和第二矩阵维度相同的全1向量，基于第一数值、第二数值、扩维后的第一矩阵、扩维后的第二矩阵、第一初始矩阵和第二初始矩阵，计算支持向量机的超平面方程系数，其中，超平面系数包括第一系数和第二系数。
其中，基于扩维后的第一矩阵，通过第一公式，得到第一初始矩阵。其中，第一公式为：
S＝(MT*M+eps)-1
其中，S为第一初始矩阵，M为扩维后的第一矩阵，eps是一个matlab函数。
基于扩维后的第二矩阵，通过第二公式，得到第二初始矩阵，其中，第二公式为：
R＝(NT*N+eps)-1
其中，R为第二初始矩阵，N为扩维后的第二矩阵。
基于第一初始矩阵和扩维后的第二矩阵，通过公式Q1＝N*S*NT，计算第一目标矩阵，基于第二初始矩阵和扩维后的第一矩阵，通过公式Q2＝M*R*MT，计算第二目标矩阵。
基于第一数值、第一初始向量和扩维后的第二矩阵，通过公式u＝S*NT*a，得到第一系数，其中，a为第一数值，基于第二数值、第二初始向量和扩维后的第一矩阵，通过公式v＝R*MT*b，得到第一系数，其中，b为第二数值。
S405、基于超平面方程系数，确定支持向量机的分类超平面。
在计算得到超平面方程系数，也就是计算得到第一系数和第二系数后，可通过第一系数和第二系数，确定支持向量机的分类超平面。
本申请实施例提供的方法中，基于归一化处理后的每个适飞样本数据和第一不适飞样本数据，计算超平面方程系数，基于超平面方程系数，得到支持向量机的分类超平面。
S304、将确定分类超平面的支持向量机确定为分类模型。
在确定支持向量机的分类超平面后，将所确定分类超平面的支持向量机确定为分类模型。
本申请实施例提供的方法中，基于归一化处理后的各个数据，通过预先构建的分类模型，得到实时气象报文对应的天气是否适合飞行的判断结果，具体包括：将归一化后的各个数据输入至支持向量机的核函数中，得到核向量，对核向量扩展一列全1向量，将扩展向量后的核向量输入至支持向量机的分类超平面中，得到实时气象报文对应天气是否适合飞行的判断结果，也就是，基于扩展向量后的核向量k，通过公式P＝k*u+v得到实时气象报文对应天气是否适合飞行的判断结果，其中，若通过公式P＝k*u+v，输出结果大于0，所输出的判断结果表征实时气象报文对应天气适合飞行，若通过公式P＝k*u+v，输出结果小于或等于0，所输出的判断结果表征实时气象报文对应天气不适合飞行。
本申请实施例提供的气象报文处理方法，获取实时气象报文；对实时气象报文进行解析，从实时气象报文中提取预设的每个天气要素各自对应的数据；对每个天气要素各自对应的数据进行归一化处理；将归一化处理后的各个数据输入至预先构建的分类模型中，得到实时气象报文对应的天气是否适合飞行的判断结果；其中，分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。应用本申请提供实施例提供的气象报文处理方法，通过预先构建的分类模型，直接获得实时气象报文对应天气是否适合飞行的判断，从而飞行派签效率，并有效体改机场的航班放行效率。
虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。
应当理解，本申请公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请公开的范围在此方面不受限制。
与图1所述的方法相对应，本申请实施例还提供了一种气象报文处理装置，用于对图1中方法的具体实现，其结构示意图如图5示，具体包括：
第一获取单元501，用于获取实时气象报文；
解析单元502，用于对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；
第一处理单元503，用于对每个所述天气要素各自对应的数据进行归一化处理；
输入单元504，用于将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
本申请实施例提供的气象报文处理装置，通过预先构建的分类模型，直接获得实时气象报文对应天气是否适合飞行的判断，从而飞行派签效率，并有效体改机场的航班放行效率。
在本申请的一个实施例中，基于前述方案，第一处理单元503配置为：
确定子单元，用于将所有天气要素对应的数据中的最大值确定为所述实时气象报文的最大特征值，并将所有天气要素对应的数据中的最小值确定为所述实时气象报文的最小特征；
处理子单元，用于针对每一个所述天气要素对应的数据，基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，对所述天气要素对应的数据进行归一化处理。
在本申请的一个实施例中，基于前述方案，处理子单元执行针对每一个所述天气要素对应的数据，基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，对所述天气要素对应的数据进行归一化处理，用于：
基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，通过归一化公式，对所述天气要素对应的数据进行归一化处理；
所述归一化公式为：
x'ij＝l+(u-l)*(xij-minj)/(maxj-minj)
其中，x'ij为归一化处理后的数据，xij为所述天气要素对应的数据，l为第一边界值，u为第二边界值，minj为所述最小特征值，maxj为所述最大特征值。
在本申请的一个实施例中，基于前述方案，还可以配置为：
第二获取子单元，用于获取样本数据集；所述样本数据集中包含多个适飞样本数据和不适飞样本数据，每个所述适飞样本数据包括每个所述天气要素各自对应的数据、以及表征适合飞行的判断结果数据；每个所述不适飞样本数据包括每个所述天气要素各自对应的数据、以及表征不适合飞行的判断结果数据；
第二处理单元，用于对每个所述适飞样本数据和每个所述不适飞样本数据进行归一化处理；
训练单元，用于基于归一化处理后的每个所述适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，得到支持向量机的分类超平面；
确定单元，用于将确定分类超平面的支持向量机确定为分类模型。
在本申请的一个实施例中，基于前述方案，训练单元执行基于归一化处理后的每个所述适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，得到支持向量机的分类超平面，用于：
基于归一化处理后的每个所述适飞样本数据和预设的惩罚参数，通过支持向量机的核函数，得到第一矩阵；
基于归一化处理后的每个所述不适飞样本数据和所述惩罚参数，通过所述支持向量机的核函数，得到第二矩阵；
对所述第一矩阵和所述第二矩阵进行扩维；
基于扩维后的第一矩阵和第二矩阵，通过二次规划优化函数，得到支持向量机的超平面方程系数；
基于所述超平面方程系数，确定所述支持向量机的分类超平面。
本申请实施例还提供了一种存储介质，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行以下操作：
获取实时气象报文；
对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；
对每个所述天气要素各自对应的数据进行归一化处理；
将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
本申请实施例还提供了一种电子设备，其结构示意图如图6所示，具体包括存储器601，以及一个或者一个以上的指令602，其中一个或者一个以上指令602存储于存储器601中，且经配置以由一个或者一个以上处理器603执行所述一个或者一个以上指令602进行以下操作：
获取实时气象报文；
对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；
对每个所述天气要素各自对应的数据进行归一化处理；
将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
在具体实施方式部分，本申请将所有以权利要求形式进行保护的内容，以下述形式重复：
根据本申请公开的一个或多个实施例，图1提供了一种气象报文处理方法，包括：获取实时气象报文；对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；对每个所述天气要素各自对应的数据进行归一化处理；将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
根据本申请公开的一个或多个实施例，图2提供了另一种气象报文处理方法，包括：将所有天气要素对应的数据中的最大值确定为所述实时气象报文的最大特征值，并将所有天气要素对应的数据中的最小值确定为所述实时气象报文的最小特征；针对每一个所述天气要素对应的数据，基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，对所述天气要素对应的数据进行归一化处理。
以及，
基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，通过归一化公式，对所述天气要素对应的数据进行归一化处理；所述归一化公式为：x'ij＝l+(u-l)*(xij-minj)/(maxj-minj)，其中，x'ij为归一化处理后的数据，xij为所述天气要素对应的数据，l为第一边界值，u为第二边界值，minj为所述最小特征值，maxj为所述最大特征值。
根据本申请公开的一个或多个实施例，图3提供了另一种气象报文处理方法，包括：获取样本数据集；所述样本数据集中包含多个适飞样本数据和不适飞样本数据，每个所述适飞样本数据包括每个所述天气要素各自对应的数据、以及表征适合飞行的判断结果数据；每个所述不适飞样本数据包括每个所述天气要素各自对应的数据、以及表征不适合飞行的判断结果数据；对每个所述适飞样本数据和每个所述不适飞样本数据进行归一化处理；基于归一化处理后的每个所述适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，得到支持向量机的分类超平面；将确定分类超平面的支持向量机确定为分类模型。
根据本申请公开的一个或多个实施例，图4提供了另一种气象报文处理方法，包括：基于归一化处理后的每个所述适飞样本数据和预设的惩罚参数，通过支持向量机的核函数，得到第一矩阵；基于归一化处理后的每个所述不适飞样本数据和所述惩罚参数，通过所述支持向量机的核函数，得到第二矩阵；对所述第一矩阵和所述第二矩阵进行扩维；基于扩维后的第一矩阵和第二矩阵，通过二次规划优化函数，得到支持向量机的超平面方程系数；基于所述超平面方程系数，确定所述支持向量机的分类超平面。
根据本申请公开的一个或多个实施例，图5提供了另一种气象报文处理装置，包括：第一获取单元，用于获取实时气象报文；解析单元，用于对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；第一处理单元，用于对每个所述天气要素各自对应的数据进行归一化处理；输入单元，用于将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本申请公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
以上描述仅为本申请公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种气象报文处理方法，其特征在于，包括：
获取实时气象报文；
对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；
对每个所述天气要素各自对应的数据进行归一化处理；
将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
2.根据权利要求1所述的方法，其特征在于，所述对每个所述天气要素各自对应的数据进行归一化处理，包括：
将所有天气要素对应的数据中的最大值确定为所述实时气象报文的最大特征值，并将所有天气要素对应的数据中的最小值确定为所述实时气象报文的最小特征；
针对每一个所述天气要素对应的数据，基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，对所述天气要素对应的数据进行归一化处理。
3.根据权利要求2所述的方法，其特征在于，所述基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，对所述天气要素对应的数据进行归一化处理，包括：
基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，通过归一化公式，对所述天气要素对应的数据进行归一化处理；
所述归一化公式为：
x'ij＝l+(u-l)*(xij-minj)/(maxj-minj)
其中，x'ij为归一化处理后的数据，xij为所述天气要素对应的数据，l为第一边界值，u为第二边界值，minj为所述最小特征值，maxj为所述最大特征值。
4.根据权利要求2所述的方法，其特征在于，所述分类模型的构建过程，包括：
获取样本数据集；所述样本数据集中包含多个适飞样本数据和不适飞样本数据，每个所述适飞样本数据包括每个所述天气要素各自对应的数据、以及表征适合飞行的判断结果数据；每个所述不适飞样本数据包括每个所述天气要素各自对应的数据、以及表征不适合飞行的判断结果数据；
对每个所述适飞样本数据和每个所述不适飞样本数据进行归一化处理；
基于归一化处理后的每个所述适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，得到支持向量机的分类超平面；
将确定分类超平面的支持向量机确定为分类模型。
5.根据权利要求4所述的方法，其特征在于，所述基于归一化处理后的每个所述适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，得到支持向量机的分类超平面，包括：
基于归一化处理后的每个所述适飞样本数据和预设的惩罚参数，通过支持向量机的核函数，得到第一矩阵；
基于归一化处理后的每个所述不适飞样本数据和所述惩罚参数，通过所述支持向量机的核函数，得到第二矩阵；
对所述第一矩阵和所述第二矩阵进行扩维；
基于扩维后的第一矩阵和第二矩阵，通过二次规划优化函数，得到支持向量机的超平面方程系数；
基于所述超平面方程系数，确定所述支持向量机的分类超平面。
6.一种气象报文处理装置，其特征在于，包括：
第一获取单元，用于获取实时气象报文；
解析单元，用于对所述实时气象报文进行解析，从所述实时气象报文中提取预设的每个天气要素各自对应的数据；
第一处理单元，用于对每个所述天气要素各自对应的数据进行归一化处理；
输入单元，用于将归一化处理后的各个数据输入至预先构建的分类模型中，得到所述实时气象报文对应的天气是否适合飞行的判断结果；其中，所述分类模型由多个适飞样本数据和不适飞样本数据对支持向量机进行训练得到。
7.根据权利要求6所述的装置，其特征在于，所述第一处理单元，包括：
确定子单元，用于将所有天气要素对应的数据中的最大值确定为所述实时气象报文的最大特征值，并将所有天气要素对应的数据中的最小值确定为所述实时气象报文的最小特征；
处理子单元，用于针对每一个所述天气要素对应的数据，基于所述最大特征值和所述最小特征值、以及预设的第一边界和预设的第二边界值，对所述天气要素对应的数据进行归一化处理。
8.根据权利要求7所述的装置，其特征在于，还包括：
第二获取子单元，用于获取样本数据集；所述样本数据集中包含多个适飞样本数据和不适飞样本数据，每个所述适飞样本数据包括每个所述天气要素各自对应的数据、以及表征适合飞行的判断结果数据；每个所述不适飞样本数据包括每个所述天气要素各自对应的数据、以及表征不适合飞行的判断结果数据；
第二处理单元，用于对每个所述适飞样本数据和每个所述不适飞样本数据进行归一化处理；
训练单元，用于基于归一化处理后的每个所述适飞样本数据和每个不适飞样本数据，对支持向量机进行训练，得到支持向量机的分类超平面；
确定单元，用于将确定分类超平面的支持向量机确定为分类模型。
9.一种存储介质，其特征在于，所述存储介质包括存储的指令，其中，在所述指令运行时控制所述存储介质所在的设备执行如权利要求1～5任意一项所述的气象报文处理方法。
10.一种电子设备，其特征在于，包括存储器，以及一个或者一个以上的指令，其中，一个或者一个以上的指令存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1～5任意一项所述的气象报文处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011301602.2A CN112257813B (zh) | 2020-11-19 | 2020-11-19 | 气象报文处理方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011301602.2A CN112257813B (zh) | 2020-11-19 | 2020-11-19 | 气象报文处理方法及装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112257813A true CN112257813A (zh) | 2021-01-22 |
| CN112257813B CN112257813B (zh) | 2024-07-26 |
Family
ID=74266353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011301602.2A Active CN112257813B (zh) | 2020-11-19 | 2020-11-19 | 气象报文处理方法及装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257813B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853248A (zh) * | 2010-05-27 | 2010-10-06 | 河南大学 | 航空天气报告的解码方法 |
| CN107942411A (zh) * | 2017-11-30 | 2018-04-20 | 南京理工大学 | 一种大气能见度预测方法 |
| CN107991978A (zh) * | 2017-10-23 | 2018-05-04 | 北京迈特力德信息技术有限公司 | 一种基于航空气象数据的飞行决策方法及系统 |
| US20190057611A1 (en) * | 2017-08-17 | 2019-02-21 | The Boeing Compnay | System and method to analyze data based on air traffic volume |
| CN110334839A (zh) * | 2019-04-15 | 2019-10-15 | 北京航空航天大学 | 航班延误预测方法、装置、设备及存储介质 |
-
2020
- 2020-11-19 CN CN202011301602.2A patent/CN112257813B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853248A (zh) * | 2010-05-27 | 2010-10-06 | 河南大学 | 航空天气报告的解码方法 |
| US20190057611A1 (en) * | 2017-08-17 | 2019-02-21 | The Boeing Compnay | System and method to analyze data based on air traffic volume |
| CN107991978A (zh) * | 2017-10-23 | 2018-05-04 | 北京迈特力德信息技术有限公司 | 一种基于航空气象数据的飞行决策方法及系统 |
| CN107942411A (zh) * | 2017-11-30 | 2018-04-20 | 南京理工大学 | 一种大气能见度预测方法 |
| CN110334839A (zh) * | 2019-04-15 | 2019-10-15 | 北京航空航天大学 | 航班延误预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 扶雪浇: ""基于航班着陆率的航班延误研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, vol. 2013, no. 1, pages 16 - 48 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112257813B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6535817B1 (en) | Methods, systems and computer program products for generating weather forecasts from a multi-model superensemble | |
| US7069258B1 (en) | Weather prediction method for forecasting selected events | |
| Zhou et al. | Forecast of low visibility and fog from NCEP: Current status and efforts | |
| TW476850B (en) | Space weather prediction system and method | |
| Fread et al. | Modernization in the National Weather Service river and flood program | |
| CN112819064B (zh) | 基于谱聚类的终端区时序气象场景识别方法 | |
| Zhou et al. | Quantitative precipitation forecast experiment based on basic NWP variables using deep learning | |
| KR20160022421A (ko) | 북서태평양 태풍 활동성에 대한 하이브리드 계절 예측 방법 | |
| Iordanidou et al. | Investigating the relationship of lightning activity and rainfall: A case study for Crete Island | |
| Vuillaume et al. | Improving global rainfall forecasting with a weather type approach in Japan | |
| Soster et al. | On objective identification of atmospheric fronts and frontal precipitation in reanalysis datasets | |
| CN115758876A (zh) | 一种风速和风向预报准确率方法、系统及计算机设备 | |
| CN109543922B (zh) | 用于有桩共享单车站点群的分时段借还量预测方法 | |
| Bouchard et al. | Comparison of different forecasting tools for short-range lightning strike risk assessment | |
| CN112785876A (zh) | 终端区时序气象场景智能识别系统 | |
| CN116661636B (zh) | 一种轨迹显示方法、装置、设备及存储介质 | |
| CN112257813A (zh) | 气象报文处理方法及装置、存储介质及电子设备 | |
| CN117473752A (zh) | 一种大气廓线构建方法、系统及介质 | |
| Miller et al. | A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode | |
| CN115508917B (zh) | 机场气象要素预报方法、装置、设备和存储介质 | |
| CN115169592A (zh) | 能见度预测方法、装置、存储介质及计算机设备 | |
| Alves et al. | Time-series embeddings from language models: a tool for wind direction nowcasting | |
| Rogers et al. | Convection during the North American monsoon across central and southern Arizona: Applications to operational meteorology | |
| Tirone et al. | A Machine Learning Approach to Improve the Usability of Severe Thunderstorm Wind Reports | |
| CN113111528A (zh) | 一种初生对流信息确定方法、装置、设备和存储介质 |
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 |