CN112765886A - 时空点气象数据确定方法、装置、计算机设备及存储介质 - Google Patents
时空点气象数据确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112765886A CN112765886A CN202110069286.9A CN202110069286A CN112765886A CN 112765886 A CN112765886 A CN 112765886A CN 202110069286 A CN202110069286 A CN 202110069286A CN 112765886 A CN112765886 A CN 112765886A
- Authority
- CN
- China
- Prior art keywords
- space
- time
- meteorological data
- variation function
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002068 genetic effect Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 132
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于计算机技术领域,提供一种时空点气象数据确定方法、装置、计算机设备及存储介质,所述方法包括获取多个样本时空点的采集气象数据;首先拟合纯时间域变异函数以及纯空间域变异函数,并构建时空变异模型;根据改进的自适应遗传算法确定最优时空变异函数模型,并求解多个样本时空点的权重系数;根据多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。本发明提供的时空点气象数据确定方法,一方面,构建出考虑了时空关联性的时空变异函数模型,模型准确率更高,另一方面,通过改进的自适应遗传算法优化时空变异函数模型中的参数,解决了参数过多难以解算、解算出的模型准确度差的技术问题,提高了解算效率以及准确度。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种时空点气象数据确定方法、装置、计算机设备及存储介质。
背景技术
高时空分辨率的大气资料是监测空间环境的重要信息源,同时也是研究气候变化现象和极端天气事件的关键要素。目前大多数的气象站分布不均、观测数据不连续,使得大气产品的时空分辨率较低,难以全面并精细化捕捉大气的快速变化过程。提高大气产品的时空分辨率,解决时空数据的不连续、不均匀问题,是研究天气预报和气候变化的关键内容。
为解决上述问题,许多研究人员建立了一些时空插值模型。然而,目前大多数时空插值方法主要基于参数的长期趋势,对于短期的趋势变化,即精细的大气参数时空插值较少。时空克里金是一种同时兼顾时间和空间相关性的高精度插值模型,该方法在降雨量、地形分析和水质监测等具有广泛的运用。但由于该方法对时空变异函数建模过程中待求参数较多,采用常规的最小二乘模型收敛速度慢且模型准确率较低,影响了后续的对气象数据的时空分析。
可见,在现有的利用不连续气象数据求解连续气象数据的算法中,传统时空插值模型例如时空克里金模型还存在着模型收敛速度慢、模型准确率不高的技术问题。
发明内容
本发明实施例的目的在于提供一种时空点气象数据确定方法,旨在解决现有的利用不连续气象数据求解连续气象数据的算法中,传统时空插值模型例如时空克里金模型还存在的模型收敛速度慢、模型准确率不高的技术问题。
本发明实施例是这样实现的,一种时空点气象数据确定方法,所述方法包括:
获取多个样本时空点的采集气象数据;
根据所述多个样本时空点的采集气象数据分别拟合纯时间域变异函数以及纯空间域变异函数;
根据所述纯时间域变异函数以及纯空间域变异函数构建含有多个可变参数的时空变异函数模型;
根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数模型的最优参数数组,并确定最优时空变异函数模型;
根据最优时空变异函数模型求解多个样本时空点的权重系数;
根据所述多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。
本发明实施例的另一目的在于提供一种时空点气象数据确定装置,所述装置包括:
样本气象数据获取单元,用于获取多个样本时空点的采集气象数据;
纯时间域与空间域变异函数拟合单元,用于根据所述多个样本时空点的采集气象数据分别拟合纯时间域变异函数函数以及纯空间域变异函数;
时空变异函数模型构建单元,用于根据所述纯时间域变异函数以及纯空间域变异函数构建含有多个可变参数的时空变异函数模型;
最优时空变异函数模型确定单元,用于根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数模型的最优参数数组,并确定最优时空变异函数模型;
权重系数确定单元,用于根据最优时空变异函数模型求解多个样本时空点的权重系数;
任意时空点气象数据确定单元,用于根据所述多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。
本发明实施例的另一目的在于提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述所述时空点气象数据确定方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述所述时空点气象数据确定方法的步骤。
本发明实施例提供的一种时空点气象数据确定方法,在获取到多个样本时空点的采集气象数据后,先分别拟合出纯时间域变异函数以及纯空间域变异函数,然后构建时空变异模型,并通过改进的自适应遗传算法确定最优时空变异函数模型,从而确定多个样本时空点的权重系数,如此,就能够根据多个样本时空点的采集气象数据及其权重系数求解出任意时空点的气象数据,实现气象数据的连续求解。本发明提供的时空点气象数据确定方法,一方面,先拟合纯时间域变异函数以及纯空间域变异函数,并以两者为基础构建出考虑了时空关联性的时空变异函数模型,相比于现有技术中将时间和空间分离,破坏了时空的完整性,忽略了大气参数的时空相关性的插值方法,模型准确率更高,另一方面,通过改进的自适应遗传算法优化时空变异函数模型中的参数,有效解决了时空变异函数模型当中参数过多难以解算、解算出的模型准确度差的技术问题,提高了解算效率以及准确度。
附图说明
图1为本发明实施例提供的一种时空点气象数据确定方法的步骤流程图;
图2为本发明实施例提供的另一种时空点气象数据确定方法的步骤流程图;
图3为本发明实施例提供的一种根据改进自适应遗传算法求解模型最优参数的步骤流程图;
图4为本发明实施例提供的另一种根据改进自适应遗传算法求解模型最优参数的步骤流程图;
图5(a)~图5(d)依次示出了求解温度数据过程中,样本采集数据以及各个函数模型的示意图;
图6(a)~图6(d)依次示出了求解气压数据过程中,样本采集数据以及各个函数模型的示意图;
图7为本发明实施例提供的一种时空点气象数据确定装置的结构示意图;
图8为本发明实施例提供的一种执行时空点气象数据确定方法的计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为本发明实施例提供的一种时空点气象数据确定方法的步骤流程图,具体包括以下步骤:
步骤S102,获取多个样本时空点的采集气象数据。
在本发明实施例中国,所述采集的气象数据例如可以是温度、气压、湿度等等,所述多个样本时空点的采集气象数据在时空上是非连续的。
在本发明实施例中,可以用mi来表述第i个样本时空点的采集气象数据,其中第i个样本时空点的时间和空间位置通常用点对(si,ti)描述。
在本发明实施例中,是利用多个样本时空点的采集气象数据来求出任意时空点下的气象数据,从而便于后续对气象数据的分析。
步骤S104,根据所述多个样本时空点的采集气象数据分别拟合纯时间域变异函数以及纯空间域变异函数。
在本发明实施例中,分别在时间域和空间域分别拟合纯空间域变异函数γ(s)和纯时间域变异函数γ(t)。
步骤S106,根据所述纯时间域变异函数以及纯空间域变异函数构建含有多个可变参数的时空变异函数模型。
在本发明实施例中,以纯空间域变异函数γ(s)和纯时间域变异函数γ(t)为基础,构建时空变异函数γ(s,t),其中γ(s,t)中的系数是待确定的。
在本发明实施例中,相对于现有技术将时间和空间分离,破坏了时空的完整性,忽略了大气参数的时空相关性的插值方法,本发明构建的时空变异函数γ(s,t)考虑了时空关联性,最终计算的结果准确率更高。
步骤S108,根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数模型的最优参数数组,并确定最优时空变异函数模型。
在本发明实施例中,具体是通过改进的自适应遗传算法来对时空变异函数模型当中的参数进行优化,具体请参阅图3、图4及其解释说明的内容。
步骤S110,根据最优时空变异函数模型求解多个样本时空点的权重系数。
在本发明实施例中,在满足无偏性和估计方差最小的前提下,有下式成立:
其中,μ为拉格朗日因子,γ为理论时空变异函数,λi为第i个样本时空点m(si,ti)的权重系数,根据最优时空变异函数模型结合拉格朗日乘数法即可求解上述待定系数。
步骤S112,根据所述多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。
在本发明实施例中,任意时空点的气象数据可以根据其邻近的k个样本时空点的采集气象数据及其权重系数求解确定,具体计算公式为:
本发明实施例提供的一种时空点气象数据确定方法,在获取到多个样本时空点的采集气象数据后,先分别拟合出纯时间域变异函数以及纯空间域变异函数,然后构建时空变异模型,并通过改进的自适应遗传算法确定最优时空函数模型,从而确定多个样本时空点的权重系数,如此,就能够根据多个样本时空点的采集气象数据及其权重系数求解出任意时空点的气象数据,实现气象数据的连续求解。本发明提供的时空点气象数据确定方法,一方面,先拟合纯时间域变异函数以及纯空间域变异函数,并以两者为基础构建出考虑了时空关联性的时空变异函数模型,相比于现有技术中将时间和空间分离,破坏了时空的完整性,忽略了大气参数的时空相关性的插值方法,模型准确率更高,另一方面,通过改进的自适应遗传算法优化时空变异函数模型中的参数,有效解决了时空变异函数模型当中参数过多难以解算、解算出的模型准确度差的技术问题,提高了解算效率以及准确度。
如图2所示,为本发明实施例提供的另一种时空点气象数据确定方法的步骤流程图,详述如下。
在本发明实施例中,与图1所示出的一种时空点气象数据确定方法的步骤流程图的区别在于,在所述步骤S102后,还包括:
步骤S202,对所述多个样本时空点的采集气象数据进行归一化处理,确定归一化处理后的多个样本时空点的采集气象数据。
在本发明实施例中,对采集气象数据进行归一化处理后的计算公式具体为:
如图3所示,为本发明实施例提供的一种根据改进自适应遗传算法求解模型最优参数的步骤流程图,具体包括:
步骤S302,构建含有多个初始化的参数数组个体的解集种群。
在本发明实施例中,所述参数数组个体是指将模型当中的参数按照序列依次排列,每一串参数数组对应一个参数数组个体,即对应一个模型。
在本发明实施例中,随机产生多个初始化的参数数组个体作为初代解集种群。
步骤S304,根据预设的交叉规则以及交叉概率对当前解集种群进行交叉处理。
在本发明实施例中,交叉处理是指初代解集种群当中以随机概率随机交换两个参数数组个体的部分参数数组,从而形成新的个体,当然具体的交叉规则以及交叉概率可以根据实际情况来确定。
作为本发明的一个优选实施例,具体是以“门当户对”的原则选择最优父本进行交叉操作,即适应度相似的样本进行配对,其中适应度的计算规则具体请参阅后续步骤S308以及S310的内容。
作为本发明的一个优选实施例,交叉概率是根据各个时空变异个体模型的适应度的平均值自适应调整的,具体的计算公式为:
其中,pc0为常数项,表示初始交叉概率,α为区间[0,1]的常量,fc为交叉个体的适应度,faver表示所有个体中的平均适应度,fmax表示所有个体中的最大适应度。
通常上述公式调整交叉概率,可以保证子代适应度较差时,增大交叉概率,提高遗传系数,增加最优解寻求次数,而子代适应度较强时,减小交叉概率,加速收敛。
步骤S306,根据预设的变异规则以及变异概率对交叉处理后的解集种群进行变异处理,生成子代解集种群。
在本发明实施例中,变异处理是指对以随机概率随机替换某个参数数组个体的部分参数数组,从而形成新的个体。
作为本发明的一个优选实施例,利用混沌序列确定染色体中发生变异的多个基因位置,采用多点变异的方式以减小算法过早收敛,以保证群体的多样性。
作为本发明的一个优选实施例,与交叉概率相似,变异概率也是根据各个时空变异个体模型的适应度的平均值自适应调整的,具体的计算公式为:
其中,pb0为初始变异概率,β为区间[0,1]的常量,fb表示变异个体的适应度,faver表示所有个体中的平均适应度,fmax表示所有个体中的最大适应度。
同样的,通常上述公式调整变异概率,可以保证子代适应度较差时,增大交叉概率,提高遗传系数,增加最优解寻求次数,而子代适应度较强时,减小交叉概率,加速收敛。
步骤S308,根据当前解集种群与子代解集种群中各个参数数组个体确定相应的时空变异个体模型,并计算多个样本时空点在各个时空变异个体模型下的响应气象数据。
在本发明实施例中,对应每一个参数数组个体都可以对应确定一个时空变异个体模型,在该时空变异个体模型可以求出多个样本时空点在各个时空变异个体模型下的响应气象数据。
步骤S310,根据预设的适应度计算规则对多个样本时空点在各个时空变异个体模型下的响应气象数据以及多个样本时空点的采集气象数据进行处理确定各个时空变异个体模型的适应度。
在本发明实施例中,可以理解,当样本时空点在时空变异个体模型下的响应气象数据与真实采集气象数据越接近时,则时空变异个体模型的拟合效果越好,时空变异个体模型越准确,其中,具体求解时空变异个体模型的适应度的过程为:
根据预设的半方差值计算公式对多个样本时空点的采集气象数据进行处理确定理论半方差值。
根据预设的半方差值计算公式对多个样本时空点在各个时空变异个体模型下的响应气象数据进行处理确定各个时空变异个体模型的模型半方差值。
根据各个时空变异个体模型的模型半方差值以及理论半方差值确定各个时空变异个体模型的适应度。
其中,需要根据半方差值计算公式计算所有点对(mi,mj)也就是(si,ti)和的(sj,tj)半方差值γ(si-sj,ti-tj),具体计算公式为:
其中,si-sj为两点对的空间距离,ti-tj为两点对的时间距离。
其中,F(x)即为适应度函数,该值越大时,模型的拟合程度越高。
步骤S312,判断是否满足预设的遗传结束条件。当判断否时,执行步骤S314;当判断是时,执行步骤S316。
在本发明实施例中,预设的遗传结束条件通常是以迭代次数或者种群中最大适应度是否超过预设的阈值来判断,当满足预设的遗传结束条件,则算法结束,确定当中最优个体作为最优解,当不满足预设的遗传结束条件,需要进行进一步的遗传优化。
步骤S314,根据预设的适应度挑选规则以及所述各个时空变异个体模型的适应度确定多个优选参数数组个体,并组合更新当前解集种群,然后返回至步骤S304。
在本发明实施例中,根据适应度来确定多个优选参数数组个体,并重新组合更新当前解集种群,用于模拟优胜略汰,逐步逼近最优解,然后返回至步骤S304重新进行交叉变异。
步骤S306,将适应度最高的时空变异个体模型所对应的参数数据确定为最优参数数组。
在本发明实施例中,显然,适应度最高的时空变异个体模型即为最优时空变异函数模型。
如图4所示,为本发明实施例提供的另一种根据改进自适应遗传算法求解模型最优参数的步骤流程图,详述如下。
在本发明实施例中,与图3所示出的一种根据改进自适应遗传算法求解模型最优参数的步骤流程图的区别在于,在所述步骤S302之后,还包括:
步骤S404,根据改良圈算法对所述参数数组个体进行优化并确定较优初始解集种群。
在本发明实施例中,随机产生的参数数组个体中参数编码序列为L0=l1l2l3…lili+1li+2…ln,对应参数解集为x0,对该序列进行检索并进行移位操作,当检索至i号序列时,生成新的序列L1=lnln-1…ln-i+1li+1li+2…ln-i+2li…l2l1,对应参数解集为x1,若F(x1)>F(x0),则利用新生成的序列lnln-1…ln-i+1li+1li+2…ln-i+2li…l2l1代替初始序列l1l2l3…lili+ 1li+2…ln。
在本发明实施例中,通过利用改良圈算法来挑选较优的初始个体,得到较优的初始种群,从而提高算法取得最优解效率。
如图5(a)~图5(d)的组图所示,示出了在求解温度数据过程中,样本采集数据以及各个函数模型的示意图,详述如下。
如图5(a)所示,为多个样本时空点的采集温度数据,该数据在时空上非连续。如图5(b)所示,为拟合出的温度随空间变化的变异函数。如图5(c)所示,为拟合出的温度随时间变化的变异函数。如图5(d)所示,为温度的时空变异函数模型。
如图6(a)~图6(d)的组图所示,示出了在求解气压数据过程中,样本采集数据以及各个函数模型的示意图,详述如下。
如图6(a)所示,为多个样本时空点的采集气压数据,该数据在时空上非连续。如图6(b)所示,为拟合出的气压随空间变化的变异函数。如图6(c)所示,为拟合出的气压随时间变化的变异函数。如图6(d)所示,为气压的时空变异函数模型。
如图7所示,为本发明实施例提供的一种时空点气象数据确定装置的结构示意图,具体包括以下单元。
样本气象数据获取单元710,用于获取多个样本时空点的采集气象数据。
在本发明实施例中国,所述采集的气象数据例如可以是温度、气压、湿度等等,所述多个样本时空点的采集气象数据在时空上是非连续的。
在本发明实施例中,可以用mi来表述第i个样本时空点的采集气象数据,其中第i个样本时空点的时间和空间位置通常用点对(si,ti)描述。
在本发明实施例中,是利用多个样本时空点的采集气象数据来求出任意时空点下的气象数据,从而便于后续对气象数据的分析。
纯时间域与空间域时空变异函数拟合单元720,用于根据所述多个样本时空点的采集气象数据分别拟合纯时间域变异函数以及纯空间域变异函数。
在本发明实施例中,分别在时间域和空间域分别拟合纯空间域变异函数γ(s)和纯时间域变异函数γ(t)。
时空变异函数模型构建单元730,用于根据所述纯时间域变异函数以及纯空间域变异函数构建含有多个可变参数的时空变异函数模型。
在本发明实施例中,以纯空间域变异函数γ(s)和纯时间域变异函数γ(t)为基础,构建时空变异函数γ(s,t),其中γ(s,t)中的系数是待确定的。
在本发明实施例中,相对于现有技术将时间和空间分离,破坏了时空的完整性,忽略了大气参数的时空相关性的插值方法,本发明构建的时空变异函数γ(s,t)考虑了时空关联性,最终计算的结果准确率更高。
最优时空变异函数模型确定单元740,用于根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数模型的最优参数数组,并确定最优时空变异函数模型。
在本发明实施例中,具体是通过改进的自适应遗传算法来对时空变异函数模型当中的参数进行优化,具体请参阅图3、图4及其解释说明的内容。
权重系数确定单元750,用于根据最优时空变异函数模型求解多个样本时空点的权重系数。
在本发明实施例中,在满足无偏性和估计方差最小的前提下,有下式成立:
其中,μ为拉格朗日因子,γ为理论时空变异函数,λi为第i个样本时空点m(si,ti)的权重系数,根据最优时空变异函数模型结合拉格朗日乘数法即可求解上述待定系数。
任意时空点气象数据确定单元760,用于根据所述多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。
在本发明实施例中,任意时空点的气象数据可以根据其邻近的k个样本时空点的采集气象数据及其权重系数求解确定,具体计算公式为:
本发明实施例提供的一种时空点气象数据确定装置,在获取到多个样本时空点的采集气象数据后,先分别拟合出纯时间域变异函数以及纯空间域变异函数,然后构建时空变异函数模型,并通过改进的自适应遗传算法确定最优时空变异函数模型,从而确定多个样本时空点的权重系数,如此,就能够根据多个样本时空点的采集气象数据及其权重系数求解出任意时空点的气象数据,实现气象数据的连续求解。本发明提供的时空点气象数据确定装置,一方面,先拟合纯时间域变异函数以及纯空间域变异函数,并以两者为基础构建出考虑了时空关联性的时空变异函数模型,相比于现有技术中将时间和空间分离,破坏了时空的完整性,忽略了大气参数的时空相关性的插值方法,模型准确率更高,另一方面,通过改进的自适应遗传算法优化时空变异函数模型中的参数,有效解决了时空变异函数模型当中参数过多难以解算、解算出的模型准确度差的技术问题,提高了解算效率以及准确度。
图8示出了一个实施例中计算机设备的内部结构图。如图8所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现时空点气象数据确定方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行时空点气象数据确定方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的时空点气象数据确定装置可以实现为一种计算机程序的形式,计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该时空点气象数据确定装置的各个程序模块,比如,图7所示的样本气象数据获取单元710、纯时间域与空间域变异函数拟合单元720以及时空变异函数模型构建单元730等等。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的时空点气象数据确定方法中的步骤。
例如,图8所示的计算机设备可以通过如图7所示的时空点气象数据确定装置中的样本气象数据获取单元710执行步骤S102;计算机设备可通过纯时间域与空间域变异函数拟合单元720执行步骤S104;计算机设备可通过时空变异函数模型构建单元730执行步骤S106。
在一个实施例中,提出了一种计算机设备,所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多个样本时空点的采集气象数据;
根据所述多个样本时空点的采集气象数据分别拟合纯时间域变异函数以及纯空间域变异函数;
根据所述纯时间域变异函数以及纯空间域变异函数构建含有多个可变参数的时空变异函数模型;
根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数模型的最优参数数组,并确定最优时空变异函数模型;
根据最优时空变异函数模型求解多个样本时空点的权重系数;
根据所述多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行以下步骤:
获取多个样本时空点的采集气象数据;
根据所述多个样本时空点的采集气象数据分别拟合纯时间域变异函数以及纯空间域变异函数;
根据所述纯时间域变异函数以及纯空间域变异函数构建含有多个可变参数的时空变异函数模型;
根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数模型的最优参数数组,并确定最优时空变异函数模型;
根据最优时空变异函数模型求解多个样本时空点的权重系数;
根据所述多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种时空点气象数据确定方法,其特征在于,所述方法包括:
获取多个样本时空点的采集气象数据;
根据所述多个样本时空点的采集气象数据分别拟合纯时间域变异函数以及纯空间域变异函数;
根据所述纯时间域变异函数以及纯空间域变异函数构建含有多个可变参数的时空变异函数模型;
根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数的最优参数数组,并确定最优时空变异函数模型;
根据最优时空变异函数模型求解多个样本时空点的权重系数;
根据所述多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。
2.根据权利要求1所述的时空点气象数据确定方法,其特征在于,在所述获取多个样本时空点的采集气象数据的步骤之后,还包括:
对所述多个样本时空点的采集气象数据进行归一化处理,确定归一化处理后的多个样本时空点的采集气象数据。
3.根据权利要求1所述的时空点气象数据确定方法,其特征在于,所述根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数模型的最优参数,并确定最优时空变异函数模型的步骤,具体包括:
构建含有多个初始化的参数数组个体的解集种群;
根据预设的交叉规则以及交叉概率对当前解集种群进行交叉处理;
根据预设的变异规则以及变异概率对交叉处理后的解集种群进行变异处理,生成子代解集种群;
根据当前解集种群与子代解集种群中各个参数数组个体确定相应的时空变异个体模型,并计算多个样本时空点在各个时空变异个体模型下的响应气象数据;
根据预设的适应度计算规则对多个样本时空点在各个时空变异个体模型下的响应气象数据以及多个样本时空点的采集气象数据进行处理确定各个时空变异个体模型的适应度;所述各个时空变异个体模型的适应度描述了对应参数数组个体的优劣性;
判断是否满足预设的遗传结束条件;
当判断没有满足预设的遗传结束条件时,根据预设的适应度挑选规则以及所述各个时空变异个体模型的适应度确定多个优选参数数组个体,并组合更新当前解集种群,然后返回至所述根据预设的交叉规则以及交叉概率对当前解集种群进行交叉处理的步骤;
当判断满足预设的遗传结束条件时,将适应度最高的时空变异个体模型所对应的参数数据确定为最优参数数组;所述适应度最高的时空变异个体模型即为最优时空变异函数模型。
4.根据权利要求3所述的时空点气象数据确定方法,其特征在于,在所述构建含有多个初始化的参数数组个体的解集种群的步骤之后,还包括:
根据改良圈算法对所述参数数组个体进行优化并确定较优初始解集种群。
5.根据权利要求3所述的时空点气象数据确定方法,其特征在于,所述根据预设的适应度计算规则对多个样本时空点在各个时空变异个体模型下的响应气象数据以及多个样本时空点的采集气象数据进行处理确定各个时空变异个体模型的适应度的步骤,具体包括:
根据预设的半方差值计算公式对多个样本时空点的采集气象数据进行处理确定理论半方差值;
根据预设的半方差值计算公式对多个样本时空点在各个时空变异个体模型下的响应气象数据进行处理确定各个时空变异个体模型的模型半方差值;
根据各个时空变异个体模型的模型半方差值以及理论半方差值确定各个时空变异个体模型的适应度。
6.根据权利要求5所述的时空点气象数据确定方法,其特征在于,所述根据预设的交叉规则以及交叉概率对当前解集种群进行交叉处理的步骤中,所述交叉概率是根据各个时空变异个体模型的适应度的平均值自适应调整的。
7.根据权利要求5所示的时空点气象数据确定方法,其特征在于,所述根据预设的变异规则以及变异概率对交叉处理后的解集种群进行变异处理的步骤,所述变异概率是根据各个时空变异个体模型的适应度的平均值自适应调整的。
8.一种时空点气象数据确定装置,其特征在于,所述装置包括:
样本气象数据获取单元,用于获取多个样本时空点的采集气象数据;
纯时间域与空间域变异函数拟合单元,用于根据所述多个样本时空点的采集气象数据分别拟合纯时间域变异函数以及纯空间域变异函数;
时空变异函数模型构建单元,用于根据所述纯时间域变异函数以及纯空间域变异函数构建含有多个可变参数的时空变异函数模型;
最优时空变异函数模型确定单元,用于根据改进的自适应遗传算法以及所述多个样本时空点的采集气象数据确定时空变异函数模型的最优参数数组,并确定最优时空变异函数模型;
权重系数确定单元,用于根据最优时空变异函数模型求解多个样本时空点的权重系数;
任意时空点气象数据确定单元,用于根据所述多个样本时空点的采集气象数据及其权重系数求解任意时空点的气象数据。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至7中任一项权利要求所述时空点气象数据确定方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至7中任一项权利要求所述时空点气象数据确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069286.9A CN112765886A (zh) | 2021-01-19 | 2021-01-19 | 时空点气象数据确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069286.9A CN112765886A (zh) | 2021-01-19 | 2021-01-19 | 时空点气象数据确定方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112765886A true CN112765886A (zh) | 2021-05-07 |
Family
ID=75703159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110069286.9A Pending CN112765886A (zh) | 2021-01-19 | 2021-01-19 | 时空点气象数据确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112765886A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855392A (zh) * | 2012-08-10 | 2013-01-02 | 河海大学 | 一种基于遗传算法的Kriging插值的地面沉降空间监控方法 |
CN105277974A (zh) * | 2014-07-23 | 2016-01-27 | 中国石油化工股份有限公司 | 一种地层数据插值方法 |
CN107292022A (zh) * | 2017-06-20 | 2017-10-24 | 哈尔滨工业大学 | 一种基于时变温度响应的桥梁结构概率基准有限元模型构建方法 |
CN107515978A (zh) * | 2017-08-17 | 2017-12-26 | 广东工业大学 | 基于遗传算法构建响应面模型的方法及应用其的系统 |
CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
CN108062454A (zh) * | 2018-01-19 | 2018-05-22 | 宁波市镇海规划勘测设计研究院 | 污染物时空分布不确定性特征分析方法、系统及存储介质 |
CN110826715A (zh) * | 2019-11-08 | 2020-02-21 | 江西理工大学 | 一种用于加密边坡监测数据的改进时空Kriging插值算法 |
-
2021
- 2021-01-19 CN CN202110069286.9A patent/CN112765886A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855392A (zh) * | 2012-08-10 | 2013-01-02 | 河海大学 | 一种基于遗传算法的Kriging插值的地面沉降空间监控方法 |
CN105277974A (zh) * | 2014-07-23 | 2016-01-27 | 中国石油化工股份有限公司 | 一种地层数据插值方法 |
CN107292022A (zh) * | 2017-06-20 | 2017-10-24 | 哈尔滨工业大学 | 一种基于时变温度响应的桥梁结构概率基准有限元模型构建方法 |
CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
CN107515978A (zh) * | 2017-08-17 | 2017-12-26 | 广东工业大学 | 基于遗传算法构建响应面模型的方法及应用其的系统 |
CN108062454A (zh) * | 2018-01-19 | 2018-05-22 | 宁波市镇海规划勘测设计研究院 | 污染物时空分布不确定性特征分析方法、系统及存储介质 |
CN110826715A (zh) * | 2019-11-08 | 2020-02-21 | 江西理工大学 | 一种用于加密边坡监测数据的改进时空Kriging插值算法 |
Non-Patent Citations (3)
Title |
---|
何琦敏 等: "IAGA模型支持下的灾区基站组网优化", 《测绘通报》, no. 08, pages 7 - 12 * |
何琦敏: "地基GNSS水汽反演及其在极端天气中的应用研究", 《中国博士学位论文全文数据库 基础科学辑》, no. 02, pages 008 - 29 * |
肖海平 等: "An Improved Spatio-Temporal Kriging Interpolation Algorithm and Its Application in Slope", 《IEEE ACCESS》, pages 90718 - 90729 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639787B (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN111079931A (zh) | 一种基于图神经网络的状态空间概率性多时间序列预测方法 | |
Parker | Whose probabilities? Predicting climate change with ensembles of models | |
CN102798384B (zh) | 一种基于压缩采样的海洋遥感图像水色水温监测方法 | |
CN109344992B (zh) | 一种融合时空因素的智能家居用户操控行为习惯建模方法 | |
Martínez-Ballesteros et al. | Selecting the best measures to discover quantitative association rules | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及系统 | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN111209968B (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
CN114021811A (zh) | 基于注意力改进的交通预测方法及计算机介质 | |
CN115797781A (zh) | 农作物识别方法、装置、计算机设备和存储介质 | |
Bishop et al. | Generating continuous maps of genetic diversity using moving windows | |
He et al. | A coalitional game for distributed estimation in wireless sensor networks | |
CN117332227A (zh) | 一种多时空尺度注意力机制的环境变量预测方法及设备 | |
CN112261609A (zh) | 毫米波车联网资源分配方法、装置、电子设备及存储介质 | |
CN112765886A (zh) | 时空点气象数据确定方法、装置、计算机设备及存储介质 | |
CN116796291A (zh) | 一种基于lstm-mea-svr空气质量预报的系统 | |
CN114819325A (zh) | 基于图神经网络的成绩预测方法、系统、装置及存储介质 | |
CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
CN113341419A (zh) | 基于VAN-ConvLSTM的天气外推方法及系统 |
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 |