CN112799156B - 气象一体化突发事件预警发布方法及装置 - Google Patents

气象一体化突发事件预警发布方法及装置 Download PDF

Info

Publication number
CN112799156B
CN112799156B CN202110339367.6A CN202110339367A CN112799156B CN 112799156 B CN112799156 B CN 112799156B CN 202110339367 A CN202110339367 A CN 202110339367A CN 112799156 B CN112799156 B CN 112799156B
Authority
CN
China
Prior art keywords
data
meteorological
prediction model
processing
event
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
CN202110339367.6A
Other languages
English (en)
Other versions
CN112799156A (zh
Inventor
陈晓民
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.)
China Datacom Corp ltd
Original Assignee
China Datacom Corp ltd
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 China Datacom Corp ltd filed Critical China Datacom Corp ltd
Priority to CN202110339367.6A priority Critical patent/CN112799156B/zh
Publication of CN112799156A publication Critical patent/CN112799156A/zh
Application granted granted Critical
Publication of CN112799156B publication Critical patent/CN112799156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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"
    • 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)
  • Strategic Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于气象预警技术领域，具体涉及气象一体化突发事件预警发布方法及装置，所述方法执行以下步骤：步骤1：获取原始气象数据；所述原始气象数据至少包括：时间、地理位置、海拔、事件发生生命周期、实际发生率和气象类型；再为每个原始气象数据添加事件紧急程度的数据标签；步骤2：对原始气象数据进行数据预处理，得到预处理气象数据；步骤3：将预处理气象数据作为训练数据，建立气象预测模型，使用该训练数据训练气象预测模型。其采用气象预测模型对气象的发生率进行预测，对发生率高于临界线的气象事件进行预警，同时，气象预测模型将根据将进行误差调整。

Description

气象一体化突发事件预警发布方法及装置
技术领域
本发明属于气象预警技术领域，具体涉及气象一体化突发事件预警发布方法及装置。
背景技术
天气是指某一个地区距离地表较近的大气层在短时间内的具体状态。而天气现象则是指发生在大气中的各种自然现象，即某瞬时内大气中各种气象要素（如气温、气压、湿度、风、云、雾、雨、闪、雪、霜、雷、雹、霾等）空间分布的综合表现。
天气过程就是一定地区的天气现象随时间的变化过程。各种天气系统都具有一定的空间尺度和时间尺度，而且各种尺度系统间相互交织、相互作用。许多天气系统的组合，构成大范围的天气形势，构成半球甚至全球的大气环流。天气系统总是处在不断新生、发展和消亡过程中，在不同发展阶段有着其相对应的天气现象分布。
气象灾害预警信号（以下简称预警信号）种类共有14种（此处为国家文件中的气象预警，不含地方性气象预警），为人们所熟悉的黑色台风预警信号已退出历史舞台。新版气象灾害预警信号总体上分为蓝色、黄色、橙色和红色四个等级（Ⅳ、Ⅲ、Ⅱ、Ⅰ级），分别代表一般、较重、严重和特别严重。预警信号由名称、图标、标准和防御指南组成，分为台风、暴雨、暴雪、寒潮、大风、沙尘暴、高温、干旱、雷电、冰雹、霜冻、大雾、霾、道路结冰等。
发明内容
本发明的主要目的在于提供气象一体化突发事件预警发布方法及装置，其采用气象预测模型对气象的发生率进行预测，对发生率高于临界线的气象事件进行预警，同时，气象预测模型将根据将进行误差调整，一方面，由于地域的不同，气象事件的事件发生生命周期和事件紧急程度的变化将出现不同的趋势，针对不同的地域进行模型调整，可以提升模型的准确率；另一方面，随着海拔高度的变化实际发生率和预测发生率之间的差异也会有不同，针对不同的海拔出现的误差，对模型进行调整，进一步提升了模型准确率。
为达到上述目的，本发明的技术方案是这样实现的：
气象一体化突发事件预警发布方法，所述方法执行以下步骤：
步骤1：获取原始气象数据；所述原始气象数据至少包括：时间、地理位置、海拔、事件发生生命周期、实际发生率和气象类型；再为每个原始气象数据添加事件紧急程度的数据标签；
步骤2：对原始气象数据进行数据预处理，得到预处理气象数据；
步骤3：获取历史气象数据，将历史气象数据作为训练数据，建立第一预测模型，使用该训练数据训练第一预测模型；
步骤4：将预处理气象数据按照地理位置，以西部、中部和东部这三种类别进行分类，再对每个类别中的预处理数据进行数据分析，得到同一地理位置类别和同一气象类型下，事件紧急程度随着事件发生生命周期变化的函数；
步骤5：将预处理气象数据输入第一预测模型，计算第一预测发生率；分析实际发生率和第一预测发生率之间的误差，基于误差，调整预测模型的参数，得到第二预测模型，以使得预测模型的误差函数得到的误差值最小，提升预测模型的精确度；所述参数至少包括：预测模型的池化参数和激活参数；
步骤6：再将步骤4中得到的事件紧急程度随着事件发生生命周期变化的函数，对模型进行第二次校正，调整模型的参数，得到气象预测模型，以使得预测模型的误差函数得到的误差值最小，提升模型的精确度；所述参数至少包括：预测模型的池化参数和激活参数。
进一步的，所述步骤2：对原始气象数据进行数据预处理，得到预处理气象数据的方法包括：步骤2.1：去除原始气象数据的唯一属性，得到第一处理数据；步骤2.2：对第一处理数据进行缺失值处理，得到第二处理数据；步骤2.3：对第二处理数据进行异常值检测处理，得到第三处理数据；步骤2.4：对第三处理数据进行数据规约处理，得到第四处理数据；步骤2.5：对第四处理数据进行数据标准化处理，得到预处理气象数据。
进一步的，所述步骤2.4：对第三处理数据进行数据规约处理，得到第四处理数据的方法包括：对第三处理数据进行去平均值后，进行小波变换，得到小波变化结果，基于小波变换结果计算协方差矩阵、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中；最后得到第四处理数据；所述第四处理数据中的所有数据之间两两不相干，但保持原有的信息。
进一步的，所述步骤2.5：对第四处理数据进行数据标准化处理，得到预处理气象数据的方法包括：将第四处理数据按比例缩放，使之落入一个小的特定区间；其中，使用如下的转换函数，对数据进行线性变换，使结果落到[0,1]区间，转换函数如下：
Figure 685615DEST_PATH_IMAGE001
；其中，
Figure 668615DEST_PATH_IMAGE002
为数据标准化处理后的结果；
Figure 329403DEST_PATH_IMAGE003
为第四处理数据；
Figure 347038DEST_PATH_IMAGE004
为第四处理数据中的最小值；
Figure 245199DEST_PATH_IMAGE005
为第四数据中的最大值。
进一步的，所述第一预测模型为：
Figure 43391DEST_PATH_IMAGE006
；其中，
Figure 586499DEST_PATH_IMAGE007
为第一预测发生率，t为时间权重，取值范围为0.2~0.4，其值将随着所述步骤5的作用而变化；
Figure 193061DEST_PATH_IMAGE008
为事件紧急程度，取值范围为：1~5；
Figure 389687DEST_PATH_IMAGE009
为实际发生率；
Figure 675175DEST_PATH_IMAGE010
为事件发生生命周期的上限，即事件发生的结束时间节点；H为海拔；
Figure 553132DEST_PATH_IMAGE011
为调整参数，其值将随着所述步骤6的作用而变化。
进一步的，所述步骤5中调整预测模型的参数，提升预测模型的精确度的方法包括：基于预处理气象数据的海拔和事件发生生命周期，分析实际发生率，同时，将预处理气象数据重新输入第一预测模型，得到第一预测发生率；分析实际发生率和第一预测发生率之间的误差，该误差使用如下公式表示：
Figure 279779DEST_PATH_IMAGE012
；其中，
Figure 975203DEST_PATH_IMAGE013
为实际发生率；
Figure 623353DEST_PATH_IMAGE014
为第一预测发生率；
Figure 104669DEST_PATH_IMAGE015
为分析的次数，该次数等于预处理气象数据的个数；
Figure 685823DEST_PATH_IMAGE016
为误差。
进一步的，在经过所述步骤5后，得到第二预测模型为：
Figure 693093DEST_PATH_IMAGE017
，
Figure 625277DEST_PATH_IMAGE018
为第二预测发生率。
进一步的，所述步骤4得到的事件紧急程度随着事件发生生命周期变化的函数表示为：
Figure 641774DEST_PATH_IMAGE019
；由此得到经过所述步骤6后，得到气象预测模型为：
Figure 670910DEST_PATH_IMAGE020
，
Figure 583503DEST_PATH_IMAGE021
是最终预测发生率。
用于实现上述方法的气象一体化突发事件预警发布装置。
本发明的气象一体化突发事件预警发布方法及装置，具有如下有益效果：其采用气象预测模型对气象的发生率进行预测，对发生率高于临界线的气象事件进行预警，同时，气象预测模型将根据将进行误差调整，一方面，由于地域的不同，气象事件的事件发生生命周期和事件紧急程度的变化将出现不同的趋势，针对不同的地域进行模型调整，可以提升模型的准确率；另一方面，随着海拔高度的变化实际发生率和预测发生率之间的差异也会有不同，针对不同的海拔出现的误差，对模型进行调整，进一步提升了模型准确率。
附图说明
图1为本发明的实施例提供的气象一体化突发事件预警发布方法的方法流程示意图；
图2为本发明的实施例提供的气象一体化突发事件预警发布方法的步骤2的流程示意图；
图3为本发明的实施例提供的气象一体化突发事件预警发布方法及装置的临界线示意图；
图4为本发明的实施例提供的气象一体化突发事件预警发布方法及装置的不同地域分布下，事件发生生命周期和事件紧急程度的变化曲线；
图5为本发明的实施例提供的气象一体化突发事件预警发布方法及装置的不同海拔下，事件的实际发生率和实际发生率随着时间发生生命周期变化的曲线示意图。
具体实施方式
以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述：
实施例1
如图1所示，气象一体化突发事件预警发布方法，所述方法执行以下步骤：
步骤1：获取原始气象数据；所述原始气象数据至少包括：时间、地理位置、海拔、事件发生生命周期、实际发生率和气象类型；再为每个原始气象数据添加事件紧急程度的数据标签；
步骤2：对原始气象数据进行数据预处理，得到预处理气象数据；
步骤3：获取历史气象数据，将历史气象数据作为训练数据，建立第一预测模型，使用该训练数据训练第一预测模型；
步骤4：将预处理气象数据按照地理位置，以西部、中部和东部这三种类别进行分类，再对每个类别中的预处理数据进行数据分析，得到同一地理位置类别和同一气象类型下，事件紧急程度随着事件发生生命周期变化的函数；
步骤5：将预处理气象数据输入第一预测模型，计算第一预测发生率；分析实际发生率和第一预测发生率之间的误差，基于误差，调整预测模型的参数，得到第二预测模型，以使得预测模型的误差函数得到的误差值最小，提升预测模型的精确度；所述参数至少包括：预测模型的池化参数和激活参数；
步骤6：再将步骤4中得到的事件紧急程度随着事件发生生命周期变化的函数，对模型进行第二次校正，调整模型的参数，得到气象预测模型，以使得预测模型的误差函数得到的误差值最小，提升模型的精确度；所述参数至少包括：预测模型的池化参数和激活参数。
采用上述技术方案，本发明采用气象预测模型对气象的发生率进行预测，对发生率高于临界线的气象事件进行预警，同时，气象预测模型将根据将进行误差调整，一方面，由于地域的不同，气象事件的事件发生生命周期和事件紧急程度的变化将出现不同的趋势，针对不同的地域进行模型调整，可以提升模型的准确率；另一方面，随着海拔高度的变化实际发生率和预测发生率之间的差异也会有不同，针对不同的海拔出现的误差，对模型进行调整，进一步提升了模型准确率。
如图3所示，本发明在使用气象预测模型进行预测后，得到预测发生率，该发生率将会与临界线进行比较，若高于临界线，则进行预警，若低于临界线，则不进行预警。
本发明主要通过以下三个过程实现：
1.数据的预处理，本发明针对获取的气象原始数据进行数据预处理；主要包括：对原始气象数据进行数据预处理，得到预处理气象数据的方法包括：去除原始气象数据的唯一属性，得到第一处理数据；对第一处理数据进行缺失值处理，得到第二处理数据；对第二处理数据进行异常值检测处理，得到第三处理数据；对第三处理数据进行数据规约处理，得到第四处理数据；对第四处理数据进行数据标准化处理，得到预处理气象数据。
经过数据预处理后的数据，数据的误差更少，使得最终的结果更加准确。
2.如图4所示，本发明将预处理气象数据按照地理位置，以西部、中部和东部这三种类别进行分类，再对每个类别中的预处理数据进行数据分析，得到同一地理位置类别和同一气象类型下，事件紧急程度随着事件发生生命周期变化的函数；因为不同的地域，时间紧急程度和事件发生生命周期的变化趋势将截然不同，若使用同一预测模型对不同地域进行预测，其预测准确率将显著降低，因此本发明针对预测结果，基于函数进行调整和校正，将显著提升准确率。
3.如图5所示，本发明基于预处理气象数据的海拔和事件发生生命周期，分析实际发生率，同时，将预处理气象数据重新输入气象预测模型，得到预测发生率；分析实际发生率和预测发生率之间的误差，基于误差，调整预测模型的参数，提升预测模型的精确度；因为随着海拔的变化，气象事件的发生率将也会出现很大的变化，因此如果使用同一模型对不同海拔的区域进行气象预测，结果一样会非常不准确。本发明针对预测结果，进行基于海拔的校正，提升了准确率。
实施例2
在上一实施例的基础上，所述事件紧急程度为人为定义数据；获取到所述原始气象数据后，为每个原始气象数据添加数值为1~5的事件紧急程度的数据标签。
实施例3
在上一实施例的基础上，所述步骤2：对原始气象数据进行数据预处理，得到预处理气象数据的方法包括：步骤2.1：去除原始气象数据的唯一属性，得到第一处理数据；步骤2.2：对第一处理数据进行缺失值处理，得到第二处理数据；步骤2.3：对第二处理数据进行异常值检测处理，得到第三处理数据；步骤2.4：对第三处理数据进行数据规约处理，得到第四处理数据；步骤2.5：对第四处理数据进行数据标准化处理，得到预处理气象数据。
具体的，数据预处理（data preprocessing）是指在主要的处理以前对数据进行的一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等。
实施例4
在上一实施例的基础上，所述步骤2.4：对第三处理数据进行数据规约处理，得到第四处理数据的方法包括：对第三处理数据进行去平均值后，进行小波变换，得到小波变化结果，基于小波变换结果计算协方差矩阵、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中；最后得到第四处理数据；所述第四处理数据中的所有数据之间两两不相干，但保持原有的信息。
具体的，特征归约是从原有的特征中删除不重要或不相关的特征，或者通过对特征进行重组来减少特征的个数。其原则是在保留、甚至提高原有判别能力的同时减少特征向量的维度。特征归约算法的输入是一组特征，输出是它的一个子集。在领域知识缺乏的情况下进行特征归约时一般包括3个步骤:
(1)搜索过程:在特征空间中搜索特征子集，每个子集称为一个状态由选中的特征构成。
(2)评估过程:输入一个状态，通过评估函数或预先设定的阈值输出一个评估值搜索算法的目的是使评估值达到最优。
(3)分类过程:使用最终的特征集完成最后的算法。
实施例5
在上一实施例的基础上，所述步骤2.5：对第四处理数据进行数据标准化处理，得到预处理气象数据的方法包括：将第四处理数据按比例缩放，使之落入一个小的特定区间；其中，使用如下的转换函数，对数据进行线性变换，使结果落到[0,1]区间，转换函数如下：
Figure 471824DEST_PATH_IMAGE001
；其中，
Figure 292013DEST_PATH_IMAGE002
为数据标准化处理后的结果；
Figure 454616DEST_PATH_IMAGE003
为第四处理数据；
Figure 538110DEST_PATH_IMAGE022
为第四处理数据中的最小值；
Figure 444886DEST_PATH_IMAGE005
为第四数据中的最大值。
具体的，在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上。
实施例6
在上一实施例的基础上，所述第一预测模型使用如下公式进行表示：
Figure 537607DEST_PATH_IMAGE023
；其中，
Figure 213439DEST_PATH_IMAGE007
为第一预测发生率，t为时间权重，取值范围为0.2~0.4，其值将随着所述步骤5的作用而变化；
Figure 459045DEST_PATH_IMAGE008
为事件紧急程度，取值范围为：1~5；
Figure 587538DEST_PATH_IMAGE009
为实际发生率；
Figure 343004DEST_PATH_IMAGE010
为事件发生生命周期的上限，即事件发生的结束时间节点；H为海拔；
Figure 545447DEST_PATH_IMAGE011
为调整参数，其值将随着所述步骤6的作用而变化。
实施例7
在上一实施例的基础上，所述步骤5中调整预测模型的参数，提升预测模型的精确度的方法包括：基于预处理气象数据的海拔和事件发生生命周期，分析实际发生率，同时，将预处理气象数据重新输入第一预测模型，得到第一预测发生率；分析实际发生率和第一预测发生率之间的误差，该误差使用如下公式表示：
Figure 564218DEST_PATH_IMAGE024
；其中，
Figure 852111DEST_PATH_IMAGE013
为实际发生率；
Figure 817793DEST_PATH_IMAGE007
为第一预测发生率；
Figure 671480DEST_PATH_IMAGE015
为分析的次数，该次数等于预处理气象数据的个数；
Figure 61485DEST_PATH_IMAGE016
为误差。
实施例8
在上一实施例的基础上，在经过所述步骤5后，得到第二气象预测模型为：
Figure 367833DEST_PATH_IMAGE017
，
Figure 199522DEST_PATH_IMAGE018
为第二预测发生率。
实施例9
在上一实施例的基础上，所述步骤4得到的事件紧急程度随着事件发生生命周期变化的函数表示为：
Figure 907715DEST_PATH_IMAGE019
；由此得到经过所述步骤6后，得到气象预测模型为：
Figure 205973DEST_PATH_IMAGE020
，
Figure 796354DEST_PATH_IMAGE021
是最终预测发生率。
实施例10
用于实现上述方法的装置，所述装置包括：数据获取单元，配置用于获取原始气象数据；所述原始气象数据至少包括：时间、地理位置、海拔、事件发生生命周期、实际发生率和气象类型；再为每个原始气象数据添加事件紧急程度的数据标签；数据预处理单元，配置用于对原始气象数据进行数据预处理，得到预处理气象数据；气象预测模型，配置用于将预处理气象数据作为训练数据，建立气象预测模型，使用该训练数据训练气象预测模型；地域分析单元，配置用于将预处理气象数据按照地理位置，以西部、中部和东部这三种类别进行分类，再对每个类别中的预处理数据进行数据分析，得到同一地理位置类别和同一气象类型下，事件紧急程度随着事件发生生命周期变化的函数；海拔分析单元，配置用于基于预处理气象数据的海拔和事件发生生命周期，分析实际发生率，同时，将预处理气象数据重新输入气象预测模型，得到预测发生率；分析实际发生率和预测发生率之间的误差，基于误差，调整预测模型的参数，提升预测模型的精确度；校正单元，配置用于再将步骤4中得到的事件紧急程度随着事件发生生命周期变化的函数，对模型进行第二次校正，调整模型的参数，提升模型的精确度。
具体的，本发明主要通过以下三个过程实现：
1.数据的预处理，本发明针对获取的气象原始数据进行数据预处理；主要包括：对原始气象数据进行数据预处理，得到预处理气象数据的方法包括：去除原始气象数据的唯一属性，得到第一处理数据；对第一处理数据进行缺失值处理，得到第二处理数据；对第二处理数据进行异常值检测处理，得到第三处理数据；对第三处理数据进行数据规约处理，得到第四处理数据；对第四处理数据进行数据标准化处理，得到预处理气象数据。
经过数据预处理后的数据，数据的误差更少，使得最终的结果更加准确。
2.如图4所示，本发明将预处理气象数据按照地理位置，以西部、中部和东部这三种类别进行分类，再对每个类别中的预处理数据进行数据分析，得到同一地理位置类别和同一气象类型下，事件紧急程度随着事件发生生命周期变化的函数；因为不同的地域，时间紧急程度和事件发生生命周期的变化趋势将截然不同，若使用同一预测模型对不同地域进行预测，其预测准确率将显著降低，因此本发明针对预测结果，基于函数进行调整和校正，将显著提升准确率。
3.如图5所示，本发明基于预处理气象数据的海拔和事件发生生命周期，分析实际发生率，同时，将预处理气象数据重新输入气象预测模型，得到预测发生率；分析实际发生率和预测发生率之间的误差，基于误差，调整预测模型的参数，提升预测模型的精确度；因为随着海拔的变化，气象事件的发生率将也会出现很大的变化，因此如果使用同一模型对不同海拔的区域进行气象预测，结果一样会非常不准确。本发明针对预测结果，进行基于海拔的校正，提升了准确率。
以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (2)

1.气象一体化突发事件预警发布方法，其特征在于，所述方法执行以下步骤：
步骤1：获取原始气象数据；所述原始气象数据至少包括：时间、地理位置、海拔、事件发生生命周期、实际发生率和气象类型；再为每个原始气象数据添加事件紧急程度的数据标签；
步骤2：对原始气象数据进行数据预处理，得到预处理气象数据；
步骤3：获取历史气象数据，将历史气象数据作为训练数据，建立第一预测模型，使用该训练数据训练第一预测模型；
步骤4：将预处理气象数据按照地理位置，以西部、中部和东部这三种类别进行分类，再对每个类别中的预处理数据进行数据分析，得到同一地理位置类别和同一气象类型下，事件紧急程度随着事件发生生命周期变化的函数；
步骤5：将预处理气象数据输入第一预测模型，计算第一预测发生率；分析实际发生率和预测发生率之间的误差，基于误差，调整第一预测模型的参数，得到第二预测模型，以使得预测模型的误差函数得到的误差值最小，提升预测模型的精确度；所述参数至少包括：预测模型的池化参数和激活参数；
步骤6：再将步骤4中得到的事件紧急程度随着事件发生生命周期变化的函数，对模型进行第二次校正，调整模型的参数，得到气象预测模型，以使得预测模型的误差函数得到的误差值最小，提升模型的精确度；所述参数至少包括：预测模型的池化参数和激活参数；
所述事件紧急程度为人为定义数据；获取到所述原始气象数据后，为每个原始气象数据添加数值为1~5的事件紧急程度的数据标签；
所述步骤2：对原始气象数据进行数据预处理，得到预处理气象数据的方法包括：步骤2.1：去除原始气象数据的唯一属性，得到第一处理数据；步骤2.2：对第一处理数据进行缺失值处理，得到第二处理数据；步骤2.3：对第二处理数据进行异常值检测处理，得到第三处理数据；步骤2.4：对第三处理数据进行数据规约处理，得到第四处理数据；步骤2.5：对第四处理数据进行数据标准化处理，得到预处理气象数据；
所述步骤2.4：对第三处理数据进行数据规约处理，得到第四处理数据的方法包括：对第三处理数据进行去平均值后，进行小波变换，得到小波变化结果，基于小波变换结果计算协方差矩阵、对特征值从大到小排序、保留最大的特征向量、将数据转换到特征向量构建的新空间中；最后得到第四处理数据；所述第四处理数据中的所有数据之间两两不相干，但保持原有的信息；
所述步骤2.5：对第四处理数据进行数据标准化处理，得到预处理气象数据的方法包括：将第四处理数据按比例缩放，使之落入一个小的特定区间；其中，使用如下的转换函数，对数据进行线性变换，使结果落到[0,1]区间，转换函数如下：
Figure 1
；其中，
Figure 3
为数据标准化处理后的结果；
Figure 608648DEST_PATH_IMAGE003
为第四处理数据；
Figure 389522DEST_PATH_IMAGE004
为第四处理数据中的最小值；
Figure 781320DEST_PATH_IMAGE005
为第四数据中的最大值；
步骤3中，所述第一预测模型为：
Figure 622237DEST_PATH_IMAGE006
；其中，
Figure 841430DEST_PATH_IMAGE007
为第一预测发生率，t为时间权重，取值范围为0.2~0.4，其值将随着所述步骤5的作用而变化；
Figure 425995DEST_PATH_IMAGE008
为事件紧急程度，取值范围为：1~5；
Figure 672299DEST_PATH_IMAGE009
为实际发生率；
Figure 684118DEST_PATH_IMAGE010
为事件发生生命周期的上限，即事件发生的结束时间节点；H为海拔；
Figure 632351DEST_PATH_IMAGE011
为调整参数，其值将随着所述步骤6的作用而变化；
所述步骤5中调整预测模型的参数，提升预测模型的精确度的方法包括：基于预处理气象数据的海拔和事件发生生命周期，分析实际发生率，同时，将预处理气象数据重新输入第一预测模型，得到第一预测发生率；分析实际发生率和第一预测发生率之间的误差，该误差使用如下公式表示：
Figure 20607DEST_PATH_IMAGE012
；其中，
Figure 386997DEST_PATH_IMAGE013
为实际发生率；
Figure 569717DEST_PATH_IMAGE007
为第一预测发生率；
Figure 772291DEST_PATH_IMAGE014
为分析的次数，该次数等于预处理气象数据的个数；
Figure 698658DEST_PATH_IMAGE015
为误差；
在经过所述步骤5后，得到第二预测模型为：
Figure 653976DEST_PATH_IMAGE016
，
Figure 663389DEST_PATH_IMAGE017
为第二预测发生率；
所述步骤4得到的事件紧急程度随着事件发生生命周期变化的函数表示为：
Figure 461581DEST_PATH_IMAGE018
；由此得到经过所述步骤6后，得到气象预测模型为：
Figure 801426DEST_PATH_IMAGE019
，
Figure 1464DEST_PATH_IMAGE020
为最终预测发生率。
2.用于实现权利要求1所述方法的气象一体化突发事件预警发布装置。
CN202110339367.6A 2021-03-30 2021-03-30 气象一体化突发事件预警发布方法及装置 Active CN112799156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110339367.6A CN112799156B (zh) 2021-03-30 2021-03-30 气象一体化突发事件预警发布方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110339367.6A CN112799156B (zh) 2021-03-30 2021-03-30 气象一体化突发事件预警发布方法及装置

Publications (2)

Publication Number Publication Date
CN112799156A CN112799156A (zh) 2021-05-14
CN112799156B true CN112799156B (zh) 2021-07-20

Family

ID=75815862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110339367.6A Active CN112799156B (zh) 2021-03-30 2021-03-30 气象一体化突发事件预警发布方法及装置

Country Status (1)

Country Link
CN (1) CN112799156B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1906648A (zh) * 2004-06-30 2007-01-31 瑞士再保险公司 用于针对洪水风险的自动位置依赖的识别的系统和方法
CN109002905A (zh) * 2018-06-25 2018-12-14 北京嘀嘀无限科技发展有限公司 预估到达时间的方法及系统
CN110348622A (zh) * 2019-07-02 2019-10-18 创新奇智(成都)科技有限公司 一种基于机器学习的时间序列预测方法、系统及电子设备
CN110459036A (zh) * 2019-09-09 2019-11-15 四川省水利科学研究院 一种基于深度学习的山洪预警方法
CN110751416A (zh) * 2019-10-29 2020-02-04 杭州鲁尔物联科技有限公司 一种用水量的预测方法、装置及设备
CN110837137A (zh) * 2019-11-07 2020-02-25 刘健华 一种台风预测报警方法
CN110955956A (zh) * 2019-11-07 2020-04-03 北京科技大学 基于lf炉精炼过程钢水温度和成分联合预测的方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1906648A (zh) * 2004-06-30 2007-01-31 瑞士再保险公司 用于针对洪水风险的自动位置依赖的识别的系统和方法
CN109002905A (zh) * 2018-06-25 2018-12-14 北京嘀嘀无限科技发展有限公司 预估到达时间的方法及系统
CN110348622A (zh) * 2019-07-02 2019-10-18 创新奇智(成都)科技有限公司 一种基于机器学习的时间序列预测方法、系统及电子设备
CN110459036A (zh) * 2019-09-09 2019-11-15 四川省水利科学研究院 一种基于深度学习的山洪预警方法
CN110751416A (zh) * 2019-10-29 2020-02-04 杭州鲁尔物联科技有限公司 一种用水量的预测方法、装置及设备
CN110837137A (zh) * 2019-11-07 2020-02-25 刘健华 一种台风预测报警方法
CN110955956A (zh) * 2019-11-07 2020-04-03 北京科技大学 基于lf炉精炼过程钢水温度和成分联合预测的方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Fog attenuation prediction for optical and infrared waves;Al Naboulsi Maher et al.;《Optical Engineering》;20040229;第43卷(第2期);319-329 *
The regional scale atmospheric dispersion analysis and environmental radiation impacts assessment for the hypothetical accident in Haiyang nuclear power plant;Zhihong Tang et al.;《Progress in Nuclear Energy》;20200513;第125卷;1-15 *
基于舆情大数据的突发事件负面情感引导"时度效"研究;夏一雪 等;《图书与情报》;20191031(第5期);120-126 *
天津市突发性地质灾害气象预警系统的设计与应用;王爽 等;《地质调查与研究》;20150630;第38卷(第2期);155-160 *

Also Published As

Publication number Publication date
CN112799156A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
Gagne II et al. Interpretable deep learning for spatial analysis of severe hailstorms
CN110728411B (zh) 一种基于卷积神经网络的高低空区域联合降雨预测方法
WO2022016884A1 (zh) 一种基于K-means聚类算法的海面风速方法
Davis et al. The method for object-based diagnostic evaluation (MODE) applied to numerical forecasts from the 2005 NSSL/SPC Spring Program
CN107728234B (zh) 一种基于大气电场数据的雷电强度值预测方法
CN109946762B (zh) 一种基于概率分布短时预报降水的方法及系统
CN112907113B (zh) 一种考虑空间相关性的植被变化成因识别方法
Lee et al. Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data
CN112949953B (zh) 基于pp理论和af模型的暴雨预报方法
CN112819064B (zh) 基于谱聚类的终端区时序气象场景识别方法
CN115437036A (zh) 一种基于葵花卫星的对流初生预报方法
Behrangi et al. Evaluating the utility of multispectral information in delineating the areal extent of precipitation
CN113469278A (zh) 一种基于深度卷积神经网络的强天气目标识别方法
Pinheiro et al. Sensitivity of identifying cut-off lows in the Southern Hemisphere using multiple criteria: Implications for numbers, seasonality and intensity
CN115201938A (zh) 基于雷暴高压分析的强对流天气临近预报方法及系统
Feser et al. North Atlantic winter storm activity in modern reanalyses and pressure-based observations
CN115205528A (zh) 一种用于面向地理对象影像分析的特征选择方法
Han et al. Investigation of raindrop size distribution and its potential influential factors during warm season over China
Sansom et al. Improved objective identification of meteorological fronts: a case study with ERA-Interim
CN112785876B (zh) 终端区时序气象场景智能识别系统
CN112799156B (zh) 气象一体化突发事件预警发布方法及装置
Miller et al. A preliminary assessment of using spatiotemporal lightning patterns for a binary classification of thunderstorm mode
CN110263412B (zh) 副热带急流或极锋急流强度和径向位置协同变化的表征方法
CN111339155A (zh) 一种关联分析系统
Dixon et al. Three-dimensional convective–stratiform echo-type classification and convectivity retrieval from radar reflectivity

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