CN113516406B - 一种基于实时观测分析的高铁沿线降水测点布置方法 - Google Patents
一种基于实时观测分析的高铁沿线降水测点布置方法 Download PDFInfo
- Publication number
- CN113516406B CN113516406B CN202110873120.2A CN202110873120A CN113516406B CN 113516406 B CN113516406 B CN 113516406B CN 202110873120 A CN202110873120 A CN 202110873120A CN 113516406 B CN113516406 B CN 113516406B
- Authority
- CN
- China
- Prior art keywords
- data
- rainfall
- stationing
- screening
- precipitation
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Abstract
本发明提供了一种基于实时观测分析的高铁沿线降水测点布置方法。该方案包括获取气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵；根据相关性矩阵筛选生成第一布点，其中，第一布点为最大风险的降水监测节点集合；根据相关性矩阵筛选生成第二布点，其中，第二布点为相关性超过预设阈值的降水监测节点集合；对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，第三布点为综合评估后灾害风险最大的降水节点集合；获取第一布点、第二布点和第三布点，通过数据筛选，获得目标布点。该方案通过气象探测数据进行铁路沿线的温度和灾害触发几率，在进行数据融合的基础上，实现降雨监测点的布置。
Description
技术领域
本发明涉及气象分析技术领域，更具体地，涉及一种基于实时观测分析的高铁沿线降水测点布置方法。
背景技术
铁路是交通中的重要环节。铁路通过的路段常常需要经过高海拔、严寒、炎热等极端天气。但是，由于铁路是气象灾害的高敏感行业，对于强降雨、暴雪、大风等气象灾害的影响尤为敏感。而我国的地区分布及其复杂，海拔高度变化大，区域气象条件也很恶劣。
以往技术方案，一般根据经验进行降雨监测位置的设置，降雨的监测效果差，而且很难进行完成对于铁路沿线的降雨风险精确评估。
发明内容
鉴于上述问题，本发明提出了一种基于实时观测分析的高铁沿线降水测点布置方法，该方案通过气象探测数据进行铁路沿线的温度和灾害触发几率，在进行数据融合的基础上，实现降雨监测点的布置。
根据本发明实施例第一方面，提供一种基于实时观测分析的高铁沿线降水测点布置方法。
在一个或多个实施例中，优选地，一种基于实时观测分析的高铁沿线降水测点布置方法包括：
获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵；
根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合；
根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合；
对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合；
获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点。
在一个或多个实施例中，优选地，所述获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵，具体包括：
以1km为分辨率，获取所述气象探测数据；
对所述气象探测数据中的温度数据进行提取，生成第一温度数据；
将全部的所述第一温度数据与273.15K进行对比，当温度高于273.15K时，存储到第二温度数据内；
提取所述第二温度数据对应的所述气象探测数据，存储到一个站点空间上；
利用第一计算公式确定拟选站点的降水时空序列协方差；
根据降水时空序列协方差利用第二计算公式计算相关系数；
将所有的所述降水时空序列协方差组成第三计算公式形式的相关性矩阵；
所述第一计算公式为：
其中，Cov(xit，xjt)为所述降水时空序列协方差，m为站点总数，t为1到m之间的整数，xit为降雨站点时间序列，xjt为降雨站点空间序列，i为时间序列，j为空间序列；
所述第二计算公式为：
其中，rij为相关系数，Cov(xit，xjt)为所述降水时空序列协方差，Cov(xit，xit)为降水时间序列协方差，Cov(xjt，xjt)降水空间序列协方差；
所述第三计算公式为：
其中，P为相关性矩阵，n为实测站点总数。
在一个或多个实施例中，优选地，所述根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合，具体包括：
根据所述相关性矩阵，获得每个站点附近的所述相关系数的加和；
对所有的所述相关系数加和进行排序，生成相关系数加和序列；
在所述相关系数加和序列中提取最大的400个相关度数据；
在所述气象探测数据中选择所述400个相关度数据对应的站点位置作为第一布点。
在一个或多个实施例中，优选地，所述根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合，具体包括：
根据所述相关性矩阵，利用第一阈值进行筛选，获得全部的超过所述第一阈值的降雨监测节点；
将所述降雨监测节点存储为所述第二布点；
其中，所述第一阈值为0.95。
在一个或多个实施例中，优选地，所述对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合，具体包括：
在所述气象探测数据的基础上对原始的降雨数据叠加降雨灾害风险概率，生成灾害叠加气候数据；
其中，所述降雨灾害风险概率为在降雨发生后，对应产生降雨灾害的可能性；
利用第二阈值对所述相关性矩阵进行数据筛选；
提取所有的不超过所述第二阈值的监测节点，保存为所述第三布点。
在一个或多个实施例中，优选地，所述获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点，具体包括：
获取所述第一布点、所述第二布点和所述第三布点；
将所述第一布点、所述第二布点和所述第三布点组合为第一目标布点；
删除所述第一目标布点中的重复观测点，生成第二目标布点；
获取高铁沿线上的隧道区域，删除所述第二目标布点中的隧道区域，保存为目标布点。
根据本发明实施例第二方面，提供一种基于实时观测分析的高铁沿线降水测点布置系统。
在一个或多个实施例中，优选地，一种基于实时观测分析的高铁沿线降水测点布置系统包括：
相关矩阵生成子模块，用于获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵；
第一布点生成子模块，用于根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合；
第二布点生成子模块，用于根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合；
第三布点生成子模块，用于对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合；
目标布点生成子模块，用于获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点。
在一个或多个实施例中，优选地，一种基于实时观测分析的高铁沿线降水测点布置系统，还包括：加密模块，用于通过预设的一个密码自动累加，生成密码序列。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备，包括存储器、处理器、GPS、储能电源，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，进行了对气象的测试数据的在线筛选，减少了存储数据信息；
2)本发明实施例中，根据相关矩阵计算后，获得的全部的站点数据为最大相关性节点；
3)本发明实施例中，通过降雨灾害数据与原始的降雨数据叠加，在叠加后生成灾害叠加气候数据，进而获取更加细致的布点配置。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法的流程图。
图2是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵的流程图。
图3是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合的流程图。
图4是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的根据所述相关性矩阵筛选生成第二布点的流程图。
图5是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点的流程图。
图6是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点的流程图。
图7是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置系统的示意图。
图8是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
铁路是交通中的重要环节。铁路通过的路段常常需要经过高海拔、严寒、炎热等极端天气。但是，由于铁路是气象灾害的高敏感行业，对于强降雨、暴雪、大风等气象灾害的影响尤为敏感。而我国的地区分布及其复杂，海拔高度变化大，区域气象条件也很恶劣。
以往技术方案，一般根据经验进行降雨监测位置的设置，降雨的监测效果差，而且很难进行完成对于铁路沿线的降雨风险精确评估。
本发明实施例中，提供了一种基于实时观测分析的高铁沿线降水测点布置方法。该方案通过气象探测数据进行铁路沿线的温度和灾害触发几率，在进行数据融合的基础上，实现降雨监测点的布置。
根据本发明实施例第一方面，提供一种基于实时观测分析的高铁沿线降水测点布置方法。
图1是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法的流程图。
如图1所示，在一个或多个实施例中，优选地，一种基于实时观测分析的高铁沿线降水测点布置方法包括：
S101、获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵；
S102、根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合；
S103、根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合；
S104、对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合；
S105、获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点。
在本发明实施例中，针对根据经验进行降雨监测位置的设置，降雨的监测效果差情况下，利用历史数据进行在线训练，并补充一些监测数据，完成基于分级运算和阈值对比的测点布置方式筛选方法，进而实现对铁路沿线的降雨风险精确评估。
图2是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵的流程图。
如图2所示，在一个或多个实施例中，优选地，所述获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵，具体包括：
S201、以1km为分辨率，获取所述气象探测数据；
S202、对所述气象探测数据中的温度数据进行提取，生成第一温度数据；
S203、将全部的所述第一温度数据与273.15K进行对比，当温度高于273.15K时，存储到第二温度数据内；
S204、提取所述第二温度数据对应的所述气象探测数据，存储到一个站点空间上；
S205、利用第一计算公式确定拟选站点的降水时空序列协方差；
S206、根据降水时空序列协方差利用第二计算公式计算相关系数；
S207、将所有的所述降水时空序列协方差组成第三计算公式形式的相关性矩阵；
所述第一计算公式为：
其中，Cov(xit，xjt)为所述降水时空序列协方差，m为站点总数，t为1到m之间的整数，xit为降雨站点时间序列，xjt为降雨站点空间序列，i为时间序列，j为空间序列；
所述第二计算公式为：
其中，rij为相关系数，Cov(xit，xjt)为所述降水时空序列协方差，Cov(xit，xit)为降水时间序列协方差，Cov(xjt，xjt)降水空间序列协方差；
所述第三计算公式为：
其中，P为相关性矩阵，n为实测站点总数。
在本发明实施例中，首先对于获取的全部气象探测数据进行数据提取，提取后能够获得高于一定的预设温度的数据，这些数据实际中均为降水数据，进而在进行降水数据筛选后，获得一个具备降雨特征的相关性矩阵。
图3是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合的流程图。
如图3所示，在一个或多个实施例中，优选地，所述根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合，具体包括：
S301、根据所述相关性矩阵，获得每个站点附近的所述相关系数的加和；
S302、对所有的所述相关系数加和进行排序，生成相关系数加和序列；
S303、在所述相关系数加和序列中提取最大的400个相关度数据；
S304、在所述气象探测数据中选择所述400个相关度数据对应的站点位置作为第一布点。
在本发明实施例中，根据相关矩阵计算后，获得的全部的站点数据为最大相关性节点，这些节点的数据监测将会直接与多个节点关联，因此，需要对此类节点进行配置。
图4是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的根据所述相关性矩阵筛选生成第二布点的流程图。
如图4所示，在一个或多个实施例中，优选地，所述根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合，具体包括：
S401、根据所述相关性矩阵，利用第一阈值进行筛选，获得全部的超过所述第一阈值的降雨监测节点；
S402、将所述降雨监测节点存储为所述第二布点；
其中，所述第一阈值为0.95。
在本发明实施例中，对于所述相关性矩阵中的全部相关性，当超过第一阈值时，对应的全部相关性的对应节点均为需要进行监测的布点，因此将其保存为第二节点。其中，第一阈值为0.95是一个优选值。
图5是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点的流程图。
如图5所示，在一个或多个实施例中，优选地，所述对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合，具体包括：
S501、在所述气象探测数据的基础上对原始的降雨数据叠加降雨灾害风险概率，生成灾害叠加气候数据；其中，所述降雨灾害风险概率为在降雨发生后，对应产生降雨灾害的可能性；
S502、利用第二阈值对所述相关性矩阵进行数据筛选；
S503、提取所有的不超过所述第二阈值的监测节点，保存为所述第三布点。
在本发明实施例中，通过降雨灾害数据与原始的降雨数据进行叠加，在叠加后生成灾害叠加气候数据，进而利用该数据进行第二阈值的数据筛选，筛选后能够获取更加细致的布点配置。
图6是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置方法中的对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点的流程图。
如图6所示，在一个或多个实施例中，优选地，所述获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点，具体包括：
S601、获取所述第一布点、所述第二布点和所述第三布点；
S602、将所述第一布点、所述第二布点和所述第三布点组合为第一目标布点；
S603、删除所述第一目标布点中的重复观测点，生成第二目标布点；
S604、获取高铁沿线上的隧道区域，删除所述第二目标布点中的隧道区域，保存为目标布点。
在本发明实施例中，通过设置多个层级的布点，删除了多个层级布点之间的重复节点，并获取高铁沿线上的隧道区域，最终在线生成目标布点。
根据本发明实施例第二方面，提供一种基于实时观测分析的高铁沿线降水测点布置系统。
图7是本发明一个实施例的一种基于实时观测分析的高铁沿线降水测点布置系统的示意图。
如图7所示，在一个或多个实施例中，优选地，一种基于实时观测分析的高铁沿线降水测点布置系统包括：
相关矩阵生成子模块701，用于获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵；
第一布点生成子模块702，用于根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合；
第二布点生成子模块703，用于根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合；
第三布点生成子模块704，用于对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合；
目标布点生成子模块705，用于获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点。
在一个或多个实施例中，优选地，一种基于实时观测分析的高铁沿线降水测点布置系统，还包括：加密模块，用于通过预设的一个密码自动累加，生成密码序列。
其中，提取所有的不超过所述第二阈值的监测节点，保存为第三布点，具体包括：
利用第四计算公式获取所述第二阈值；
所述第四计算公式为：
K＝80％×max(f1,f2)
其中，K为所述第二阈值，f1为监测节点一类均值，f2为监测节点2类均值；
所述第五计算的公式为：
其中，q为监测节点总数，xl为第k个监测节点的降雨量实测数据，l为1到q之间的整数；
所述第六计算公式为：
f2＝p1a1+p2a2+……+pnan
其中，p1、p2、……、pn为第1、2、……、n监测数据段的出现频率，a1、a2、……an为第1、2、……、n监测数据段的平均降雨量。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备。图8是本发明一个实施例中一种电子设备的结构图。图8所示的电子设备为降水测点布置装置，其包括通用的计算机硬件结构，其至少包括处理器801、存储器802、GPS模块807、储能电源808。处理器801与GPS模块807连接，进行位置信息的上送。储能电源808向处理器801提供电能。处理器801和存储器802通过总线803连接。存储器802适于存储处理器801可执行的指令或程序。处理器801可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器801通过执行存储器802所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线803将上述多个组件连接在一起，同时将上述组件连接到显示控制器804和显示装置以及输入/输出(I/O)装置805。输入/输出(I/O)装置805可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置805通过输入/输出(I/O)控制器806与系统相连。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，进行了对气象谈测试数据的在线筛选，减少了存储数据信息；
2)本发明实施例中，根据相关矩阵计算后，获得的全部的站点数据为最大相关性节点；
3)本发明实施例中，通过降雨灾害数据与原始的降雨数据叠加，在叠加后生成灾害叠加气候数据，进而获取更加细致的布点配置。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于实时观测分析的高铁沿线降水测点布置方法，其特征在于，g该方法包括：
获取气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵；
根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合；
根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合；
对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合；
获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点；
其中，所述对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合，具体包括：
在所述气象探测数据的基础上对原始的降雨数据叠加降雨灾害风险概率，生成灾害叠加气候数据；
其中，所述降雨灾害风险概率为在降雨发生后，对应产生降雨灾害的可能性；
利用第二阈值对所述相关性矩阵进行数据筛选；
提取所有的不超过所述第二阈值的监测节点，保存为所述第三布点；
其中，提取所有的不超过所述第二阈值的监测节点，保存为第三布点，具体包括：
利用第四计算公式获取所述第二阈值；
所述第四计算公式为：
K＝80％×max(f1,f2)
其中，K为所述第二阈值，f1为监测节点一类均值，f2为监测节点2类均值，f1和f2通过第五计算的公式和第六计算公式计算；
所述第五计算的公式为：
其中，q为监测节点总数，xl为第l个监测节点的降雨量实测数据，l为1到q之间的整数；
所述第六计算公式为：
f2＝p1a1+p2a2+……+pnan
其中，p1、p2、……、pn为第1、2、……、n监测数据段的出现频率，a1、a2、……an为第1、2、……、n监测数据段的平均降雨量；
其中，所述获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵，具体包括：
以1km为分辨率，获取所述气象探测数据；
对所述气象探测数据中的温度数据进行提取，生成第一温度数据；
将全部的所述第一温度数据与273.15K进行对比，当温度高于273.15K时，存储到第二温度数据内；
提取所述第二温度数据对应的所述气象探测数据，存储到一个站点空间上；
利用第一计算公式确定拟选站点的降水时空序列协方差；
根据降水时空序列协方差利用第二计算公式计算相关系数；
将所有的所述降水时空序列协方差组成第三计算公式形式的相关性矩阵；
所述第一计算公式为：
其中，Cov(xit，xjt)为所述降水时空序列协方差，m为站点总数，t为1到m之间的整数，xit为降雨站点时间序列，xjt为降雨站点空间序列，i为时间序列，j为空间序列；
所述第二计算公式为：
其中，rij为相关系数，Cov(xit，xjt)为所述降水时空序列协方差，Cov(xit，xit)为降水时间序列协方差，Cov(xjt，xjt)降水空间序列协方差；
所述第三计算公式为：
其中，P为相关性矩阵，n为实测站点总数；
其中，所述根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合，具体包括：
根据所述相关性矩阵，获得每个站点附近的所述相关系数的加和；
对所有的所述相关系数加和进行排序，生成相关系数加和序列；
在所述相关系数加和序列中提取最大的400个相关度数据；
在所述气象探测数据中选择所述400个相关度数据对应的站点位置作为第一布点；
其中，所述根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合，具体包括：
根据所述相关性矩阵，利用第一阈值进行筛选，获得全部的超过所述第一阈值的降雨监测节点；
将所述降雨监测节点存储为所述第二布点；
其中，所述第一阈值为0.95。
2.如权利要求1所述的一种基于实时观测分析的高铁沿线降水测点布置方法，其特征在于，所述获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点，具体包括：
获取所述第一布点、所述第二布点和所述第三布点；
将所述第一布点、所述第二布点和所述第三布点组合为第一目标布点；
删除所述第一目标布点中的重复观测点，生成第二目标布点；
获取高铁沿线上的隧道区域，删除所述第二目标布点中的隧道区域，保存为目标布点。
3.一种基于实时观测分析的高铁沿线降水测点布置系统，其特征在于，该系统包括：
相关矩阵生成子模块，用于获取气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵；
第一布点生成子模块，用于根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合；
第二布点生成子模块，用于根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合；
第三布点生成子模块，用于对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合；
目标布点生成子模块，用于获取所述第一布点、所述第二布点和所述第三布点，通过数据筛选，获得目标布点；
其中，所述对原始降雨数据叠加灾害风险概率，并进行数据筛选生成第三布点，其中，所述第三布点为综合评估后灾害风险最大的降水节点集合，具体包括：
在所述气象探测数据的基础上对原始的降雨数据叠加降雨灾害风险概率，生成灾害叠加气候数据；
其中，所述降雨灾害风险概率为在降雨发生后，对应产生降雨灾害的可能性；
利用第二阈值对所述相关性矩阵进行数据筛选；
提取所有的不超过所述第二阈值的监测节点，保存为所述第三布点；
其中，提取所有的不超过所述第二阈值的监测节点，保存为第三布点，具体包括：
利用第四计算公式获取所述第二阈值；
所述第四计算公式为：
K＝80％×max(f1,f2)
其中，K为所述第二阈值，f1为监测节点一类均值，f2为监测节点2类均值，f1和f2通过第五计算的公式和第六计算公式计算；
所述第五计算的公式为：
其中，q为监测节点总数，xl为第l个监测节点的降雨量实测数据，l为1到q之间的整数；
所述第六计算公式为：
f2＝p1a1+p2a2+……+pnan
其中，p1、p2、……、pn为第1、2、……、n监测数据段的出现频率，a1、a2、……an为第1、2、……、n监测数据段的平均降雨量；
其中，所述获取所述气象探测数据，确定站点空间，并计算拟选站点的相关性矩阵，具体包括：
以1km为分辨率，获取所述气象探测数据；
对所述气象探测数据中的温度数据进行提取，生成第一温度数据；
将全部的所述第一温度数据与273.15K进行对比，当温度高于273.15K时，存储到第二温度数据内；
提取所述第二温度数据对应的所述气象探测数据，存储到一个站点空间上；
利用第一计算公式确定拟选站点的降水时空序列协方差；
根据降水时空序列协方差利用第二计算公式计算相关系数；
将所有的所述降水时空序列协方差组成第三计算公式形式的相关性矩阵；
所述第一计算公式为：
其中，Cov(xit，xjt)为所述降水时空序列协方差，m为站点总数，t为1到m之间的整数，xit为降雨站点时间序列，xjt为降雨站点空间序列，i为时间序列，j为空间序列；
所述第二计算公式为：
其中，rij为相关系数，Cov(xit，xjt)为所述降水时空序列协方差，Cov(xit，xit)为降水时间序列协方差，Cov(xjt，xjt)降水空间序列协方差；
所述第三计算公式为：
其中，P为相关性矩阵，n为实测站点总数；
其中，所述根据所述相关性矩阵筛选生成第一布点，其中，所述第一布点为最大风险的降水监测节点集合，具体包括：
根据所述相关性矩阵，获得每个站点附近的所述相关系数的加和；
对所有的所述相关系数加和进行排序，生成相关系数加和序列；
在所述相关系数加和序列中提取最大的400个相关度数据；
在所述气象探测数据中选择所述400个相关度数据对应的站点位置作为第一布点；
其中，所述根据所述相关性矩阵筛选生成第二布点，其中，所述第二布点为相关性超过预设阈值的降水监测节点集合，具体包括：
根据所述相关性矩阵，利用第一阈值进行筛选，获得全部的超过所述第一阈值的降雨监测节点；
将所述降雨监测节点存储为所述第二布点；
其中，所述第一阈值为0.95。
4.如权利要求3所述的一种基于实时观测分析的高铁沿线降水测点布置系统，其特征在于，还包括：加密模块，用于通过预设的一个密码自动累加，生成密码序列。
5.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-2中任一项所述的方法。
6.一种电子设备，其特征在于，包括存储器、处理器、GPS、储能电源，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-2任一项所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873120.2A CN113516406B (zh) | 2021-07-30 | 2021-07-30 | 一种基于实时观测分析的高铁沿线降水测点布置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873120.2A CN113516406B (zh) | 2021-07-30 | 2021-07-30 | 一种基于实时观测分析的高铁沿线降水测点布置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113516406A CN113516406A (zh) | 2021-10-19 |
| CN113516406B true CN113516406B (zh) | 2023-04-07 |
Family
ID=78067922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110873120.2A Active CN113516406B (zh) | 2021-07-30 | 2021-07-30 | 一种基于实时观测分析的高铁沿线降水测点布置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516406B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626599A (zh) * | 2020-05-22 | 2020-09-04 | 广东省突发事件预警信息发布中心(广东省人工影响天气中心) | 一种气象灾害风险研判方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106257948B (zh) * | 2016-07-05 | 2019-05-07 | 中国水利水电科学研究院 | 一种流域降水监测无线传感器网络节点优化布局方法 |
| CN106484971B (zh) * | 2016-09-23 | 2019-07-02 | 北京清控人居环境研究院有限公司 | 一种排水管网监测点的自动识别方法 |
| CN111639865B (zh) * | 2020-06-02 | 2021-03-19 | 中国气象局气象探测中心 | 一种高铁沿线气象灾害发生风险分析方法 |
| CN111880242B (zh) * | 2020-07-22 | 2022-03-25 | 中国气象局气象探测中心 | 一种高铁沿线大风监测点布设方法 |
-
2021
- 2021-07-30 CN CN202110873120.2A patent/CN113516406B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626599A (zh) * | 2020-05-22 | 2020-09-04 | 广东省突发事件预警信息发布中心(广东省人工影响天气中心) | 一种气象灾害风险研判方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113516406A (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN103974311A (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
| CN103646167A (zh) | 一种基于遥测数据的卫星异常状态检测系统 | |
| CN104317681A (zh) | 针对计算机系统的行为异常自动检测方法及检测系统 | |
| CN104218570A (zh) | 一种电能计量装置整体计量误差的在线评估方法和系统 | |
| CN105303331A (zh) | 一种变压器维修风险决策方法 | |
| CN116822969B (zh) | 基于模型组合的水利模型云计算方法与系统 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN108562821A (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
| CN108388957A (zh) | 一种基于多特征融合技术的中小河流洪水预报方法及其预报系统 | |
| CN115375522A (zh) | 智慧城市碳中和数据分析系统 | |
| CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
| CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
| CN114358619A (zh) | 一种用于弹性配电网恢复力评估的双层评估方法及系统 | |
| Guan et al. | Development of verification methodology for extreme weather forecasts | |
| Kim et al. | A POMDP framework for integrated scheduling of infrastructure maintenance and inspection | |
| 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 | |
| CN113516406B (zh) | 一种基于实时观测分析的高铁沿线降水测点布置方法 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN111914424B (zh) | 一种基于短期测风资料的设计风速取值方法及系统 | |
| CN101923605B (zh) | 铁路防灾风预警方法 | |
| CN113516408A (zh) | 一种基于实时观测分析的高铁沿线积雪测点布置方法 | |
| CN109992579A (zh) | 一种公路基础设施多源异质数据的数据修复方法及系统 | |
| CN113255593B (zh) | 面向时空解析模型的传感器信息异常检测方法 | |
| WO2020105151A1 (ja) | 設備保守点検支援システム及び点検順序決定方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |