CN113570122A - 预测风速的方法、装置、计算机设备和存储介质 - Google Patents
预测风速的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113570122A CN113570122A CN202110779737.8A CN202110779737A CN113570122A CN 113570122 A CN113570122 A CN 113570122A CN 202110779737 A CN202110779737 A CN 202110779737A CN 113570122 A CN113570122 A CN 113570122A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- predicted
- point
- points
- observation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000877 morphologic effect Effects 0.000 claims abstract description 67
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 52
- 238000012795 verification Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Ecology (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及气象信息技术领域,提供了一种预测风速的方法、装置、设备和介质。本申请能够提高风速预测的准确性。该方法包括:获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定待预测点和关联观测点各自的高度,确定待预测点与关联观测点间的距离;获取关联观测点在待预测时间的实测风速;根据区域形态特征、高度、距离和实测风速得到模型输入数据并将该模型输入数据输入至预先构建的风速预测模型;根据该风速预测模型输出的风速预测结果得到待预测点在待预测时间的预测风速。
Description
技术领域
本申请涉及气象信息技术领域,特别是涉及一种预测风速的方法、装置、计算机设备和存储介质。
背景技术
气象上可用的资料包括观测站资料、再分析卫星资料等,其观测精度一般是千米量级,难以为例如城市等区域提供精细的风速分布信息而通常需要进行降尺度的解析。
传统技术所提供的预测风速的方法包括多元线性回归、非线性回归和空间线性回归方法等,其中,空间线性回归方法具体包括反距离权重法(Inverse DistanceWeighting,IDW)和各种克里金方法(kriging)。然而,通过这些传统方法预测得到的风速与实际测量结果误差仍较大,存在风速预测准确性低的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种预测风速的方法、装置、计算机设备和存储介质。
一种预测风速的方法,所述方法包括:
获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定所述待预测点和关联观测点各自的高度,确定所述待预测点与所述关联观测点间的距离;
获取所述关联观测点在待预测时间的实测风速;
根据所述区域形态特征、高度、距离和实测风速得到模型输入数据,将所述模型输入数据输入至预先构建的风速预测模型;
根据所述风速预测模型输出的风速预测结果,得到所述待预测点在所述待预测时间的预测风速。
一种预测风速的装置,包括:
第一获取模块,用于获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定所述待预测点和关联观测点各自的高度,确定所述待预测点与所述关联观测点间的距离;
第二获取模块,用于获取所述关联观测点在待预测时间的实测风速;
数据输入模块,用于根据所述区域形态特征、高度、距离和实测风速得到模型输入数据,将所述模型输入数据输入至预先构建的风速预测模型;
风速预测模块,用于根据所述风速预测模型输出的风速预测结果,得到所述待预测点在所述待预测时间的预测风速。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定所述待预测点和关联观测点各自的高度,确定所述待预测点与所述关联观测点间的距离;获取所述关联观测点在待预测时间的实测风速;根据所述区域形态特征、高度、距离和实测风速得到模型输入数据,将所述模型输入数据输入至预先构建的风速预测模型;根据所述风速预测模型输出的风速预测结果,得到所述待预测点在所述待预测时间的预测风速。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定所述待预测点和关联观测点各自的高度,确定所述待预测点与所述关联观测点间的距离;获取所述关联观测点在待预测时间的实测风速;根据所述区域形态特征、高度、距离和实测风速得到模型输入数据,将所述模型输入数据输入至预先构建的风速预测模型;根据所述风速预测模型输出的风速预测结果,得到所述待预测点在所述待预测时间的预测风速。
上述预测风速的方法、装置、计算机设备和存储介质,获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定待预测点和关联观测点各自的高度,确定待预测点与关联观测点间的距离;获取关联观测点在待预测时间的实测风速;接着根据区域形态特征、高度、距离和实测风速得到模型输入数据并将该模型输入数据输入至预先构建的风速预测模型,然后根据该风速预测模型输出的风速预测结果得到待预测点在待预测时间的预测风速。该方案主要基于区域形态特征和人工智能技术,具体使用待预测点和关联观测点的区域形态特征、高度和距离以及关联观测点在待预测时间的实测风速作为风速预测因素,并运用风速预测模型对该待预测点在待预测时间的风速进行预测,充分考虑了对风速预测具有影响的包括区域形态特征在内的多项因素,提高风速预测的准确性,而利用该方案还能实现对如城市等区域的风速进行全区域的、精细的空间插值预报。
附图说明
图1为一个实施例中预测风速的方法的流程示意图;
图2为一个实施例中获取区域形态特征的步骤的流程示意图;
图3为一个实施例中构建风速预测模型的步骤的流程示意图;
图4为一个实施例中预测风速的装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的预测风速的方法,可以由计算机设备执行,该计算机设备可以是终端,也可以是服务器。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
以下结合实施例和相应附图对本申请提供的预测风速的方法进行说明。
在一个实施例中,如图1所示,提供了一种预测风速的方法,可以包括以下步骤:
步骤S101,获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定待预测点和关联观测点各自的高度,确定待预测点与关联观测点间的距离;
本步骤主要是获取待预测点和关联观测点的用于风速预测的一些基本信息,这些基本信息主要有区域形态特征、高度和距离。具体来说,对某区域进行风速预测时,可在该区域内选取一位置点作为待预测点,所选的待预测点本身所具有的基础信息可以包括在该区域内所处的位置及其海拔高度或距离地面的高度(本申请统称高度)等,为对该区域进行风速的空间插值预测,可将区域划分为多个区域块,依据待预测点在该区域内所处的位置可确定其所处的区域块。其中,区域可具有其形态特征(本申请统称区域形态特征),该形态特征可主要由区域表面所附着的物体(本申请统称附着物)或区域表面自身的起伏情况来表征,不同的区域或同一区域的不同区域块所对应的区域形态特征通常是不同的,而不同的区域形态特征对风速的影响不同,本申请将区域形态特征作为预测风速的影响因素之一,以充分考虑区域形态特性提高风速预测准确性。
本步骤中,在选取待预测点后,可获取其所处的区域块对应的区域形态特征及其高度。还为待预测点选取关联观测点,该关联观测点是与该待预测点关联的观测点,该观测点具体可以是具有对风速等气象信息的观测能力的气象观测点,而观测点与待预测点的关联性可通过距离等因素来体现,例如可以选取距离待预测点最近的气象观测点作为关联观测点,而待预测点的关联观测点的数量可以是多个,例如可以选取距离待预测点最近的若干个气象观测点作为关联观测点。同样的,在选取关联观测点后,获取关联观测点所处的区域块对应的区域形态特征及其高度。除高度、区域形态特征外,本步骤还获取待预测点与关联观测点间的距离,即除高度、区域形态特征外,本申请还将待预测点与关联观测点间的距离作为预测风速的影响因素,以充分考虑各种影响因素对风速预测的影响。
对于区域块的划分,在一个实施例中,可在步骤S101之前,通过如下步骤划分区域块,具体包括:按照预设区域划分尺寸,将待预测点和关联观测点各自所处的区域划分为多个区域块。
本实施例中,预设区域划分尺寸可以由对风速进行预测的空间精度来进行确定,示例性的,可将200米×200米作为预设区域划分尺寸,也可以将更高的空间精度如50米×50米作为预设区域划分尺寸。示例性的,设待预测点和关联观测点位于同一区域如都位于某市内,本实施例可按照200米×200米的区域划分尺寸将该区域划分为多个区域块,从而完成待预测点和关联观测点各自所处的区域的多个区域块的划分,而对于待预测点和关联观测点位于不同区域的情况,也可按照类似的方式进行划分。
对于关联观测点的选取,在一个实施例中,可在步骤S101之前,通过如下步骤为待预测点选取多个关联观测点,具体包括:确定待预测点的可选观测点集,基于待预测点的位置,从可选观测点集中选取满足预设距离条件和预设分布方向条件的多个观测点作为关联观测点。
本实施例中,待预测点的可选观测点集可以由所有的观测点构成,即在初始状态下,可将已知的所有观测点作为待预测点的可选观测点,然后从可选观测点集中选取关联观测点。具体的,关联观测点需满足预设距离条件和预设分布方向条件,该预设距离条件可以是与待预测点相距最近,预设分布方向条件可以是以待预测点的位置为基础,均匀分布在待预测点的周围各个方向。由此,本实施例的方案可从可选观测点集中选取与待预测点相距最近且均匀分布在待预测点的周围各个方向上的如10个观测点作为关联观测点,以提高风速预测精度。
步骤S102,获取关联观测点在待预测时间的实测风速;
其中,每一关联观测点均可对风速进行实时测量,本步骤可获取各关联观测点针对同一待预测时间(如05:00:00时刻)的实测风速。具体的,该待预测时间是针对该待预测点而言的,对于具备风速实测能力的关联观测点,只需在待预测时间实时测量风速即可得到实测风速,
步骤S103,根据区域形态特征、高度、距离和实测风速得到模型输入数据,将模型输入数据输入至预先构建的风速预测模型;
本步骤中,可按照一定的数据组织规则,将区域形态特征、高度、距离和实测风速转化成模型输入数据,并且还可进一步对模型输入数据进行预处理,将预处理的模型输入数据输入至预先构建的风速预测模型。
示例性的,设关联观测点的数量为10个,本步骤可将模型输入数据组织为:[[待预测点的高度,待预测点的区域形态特征,待预测点与关联观测点1的距离,关联观测点1的高度,关联观测点1的区域形态特征,关联观测点1的实测风速]…[待预测点的高度,待预测点的区域形态特征,待预测点与关联观测点10的距离,关联观测点10的高度,关联观测点10的区域形态特征,关联观测点10的实测风速]]。然后可对该模型输入数据进行预处理,该预处理主要是归一化处理,以消除不同数据的量纲和单位的差异,具体做法可以是将模型输入数据缩放到[0,1]范围内,可采用如下公式转换:
其中,x为预处理前的数据,x′为预处理后的数据,xmin为所有数据中最小的数据,xmax为所有数据中最大的数据。然后可以将预处理的模型输入数据输入至预先构建的风速预测模型进行风速预测。在具体应用中,该风速预测模型具体可以采用BP(BackPropagation,反向传播)神经网络,该BP神经网络可包含7个全连接层,可采用relu作为激活函数,该激活函数可增加模型的非线性表达能力。
步骤S104,根据风速预测模型输出的风速预测结果,得到待预测点在待预测时间的预测风速。
本步骤可将风速预测模型输出的风速预测结果作为待预测点在待预测时间的预测风速。
上述预测风速的方法,获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定待预测点和关联观测点各自的高度,确定待预测点与关联观测点间的距离;获取关联观测点在待预测时间的实测风速;接着根据区域形态特征、高度、距离和实测风速得到模型输入数据并将该模型输入数据输入至预先构建的风速预测模型,然后根据该风速预测模型输出的风速预测结果得到待预测点在待预测时间的预测风速。该方案主要基于区域形态特征和人工智能技术,具体使用待预测点和关联观测点的区域形态特征、高度和距离以及关联观测点在待预测时间的实测风速作为风速预测因素,并运用风速预测模型对该待预测点在待预测时间的风速进行预测,充分考虑了对风速预测具有影响的包括区域形态特征在内的多项因素,提高风速预测的准确性,而利用该方案还能实现对如城市等区域的风速进行全区域的、精细的空间插值预报。
在一个实施例中,如图2所示,步骤S101中的获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,可以包括:
步骤S201,确定待预测点和关联观测点各自所处的区域在预设时段内的盛行风向;
其中,盛行风向可以区域为单位进行确定,盛行风向具体可以是某区域(如某市)在预设时段内(如最近一季度)出现频数最多的风向。设待预测点和关联观测点均位于同一区域,本步骤可获取该区域在预设时段内的盛行风向(如东西向)。
步骤S202,获取待预测点和关联观测点各自所处的区域块的附着物信息;
其中,区域块的附着物信息为附着于区域块上的物体的如其形状、位置、高度、大小和占地面积等相关信息。以城市区域为例,城市区域的附着物主要是建筑物,在城市区域被划分为多个区域块后,可针对待预测点和关联观测点各自所处的区域块,获取相应区域块内各建筑物的相关信息作为该区域块的附着物信息。
步骤S203,根据附着物信息和盛行风向,得到区域形态特征。
对于不同的风向,区域块所表现的区域形态特征应当有所不同,为提高风速预测精度,本实施例方案结合区域的盛行风向和附着物的相关信息,以准确捕捉该区域中区域块的区域形态特征。
在一些实施例中,步骤S203具体包括:根据附着物信息和盛行风向获取区域块中各附着物在盛行风向的迎风面积比,以及根据附着物信息获取区域块中各附着物的占地面积比、附着物平均高度和附着物平均高度标准差;将迎风面积比、占地面积比、附着物平均高度和附着物平均高度标准差,作为区域形态特征。
本实施例中,对于迎风面积比的计算,由于如建筑物等附着物的形态在不同方向上不同,所以在不同的风向下所得到的迎风面积比也是不同的,需根据区域块的附着物信息和该区域的盛行风向来获取该区域块中各附着物在盛行风向的迎风面积比。而对于区域块中各附着物的占地面积比、附着物平均高度和附着物平均高度标准差,则一般不受盛行风向的影响,可直接根据附着物信息获取得到,在得到迎风面积比、占地面积比、附着物平均高度和附着物平均高度标准差后,可直接作为相应区域块的区域形态特征,由此提供形成区域块的区域形态特征的一种可行方式。示例性的,下面将建筑物作为附着物为例,介绍迎风面积比、占地面积比、附着物平均高度和附着物平均高度标准差的具体计算过程:
其中,Hi表示区域块中第i个建筑物的高度,n为区域块中建筑物的数量。
对于建筑物平均高度标准差Hstd:
其中,Hi表示区域块中第i个建筑物的高度,n为区域块中建筑物的数量。
对于风速预测模型的构建,在一个实施例中,如图3所示,在对待预测点进行风速预测前,可通过如下步骤构建风速预测模型,具体包括:
步骤S301,从原始观测数据集中数量均匀地获取对应于各预设风速范围的原始观测数据。
其中,原始观测数据集是指由具有对风速等气象信息的观测能力的各观测点在历史观测时间观测得到的观测数据所形成的数据集,可以包括各观测点在历史观测时间的实测风速(为作区分,本申请统称为实测风速样本);对于各预设风速范围,示例性的,具体包括风速的大小在(0.4,1.675)、(1.675,2.5)、(2.5,3.9)、(3.9,11.2)的范围,(0.4,1.675)即为其中一个预设风速范围。本步骤中,数量均匀是指在确定需从原始观测数据集中获取的原始观测数据的总数后,分别从前述每个预设风速范围中获取等量或基本等量的原始观测数据,如需获取20000个原始观测数据,则从前述四个预设风速范围中分别获取5000个原始观测数据。
对于预设风速范围的确定,在一个实施例中,具体步骤可包括:根据原始观测数据集,得到风速的多个分位数;根据该多个分位数,确定各预设风速范围。
本实施例中,在获取原始观测数据集后,可选取一测试数据时刻如(20XX-XX-XX05:00:00时刻),计算在此测试数据时刻下,原始观测数据集中风速的大小处于0%、25%、50%、75%和100%的分位数a、b、c、d、e(本申请称为风速的多个分位数),由此可确定各预设风速范围为(a,b)、(b,c)、(c,d)、(d,e)。示例性的,测试数据时刻选定为:20XX-XX-XX05:00:00时刻,其分位数为:0.4、1.675、2.5、3.9、11.2,则各预设风速范围为(0.4,1.675)、(1.675,2.5)、(2.5,3.9)、(3.9,11.2)。
步骤S302,基于原始观测数据,获取模型训练基础样本集;
本步骤主要是基于步骤S301所获取的原始观测数据,生成模型训练基础样本集。该模型训练基础样本集是指可用于对风速预测模型进行训练和验证的样本集合,该模型训练基础样本集包括多个模型训练基础样本,模型训练基础样本具体可以包括各观测点各自所处的区域块对应的区域形态特征样本、各观测点各自的高度样本、各观测点间的距离样本和实测风速样本等。示例性的,一模型训练基础样本具体可以包括观测点1所处的区域块对应的区域形态特征、观测点1的高度、观测点1分别与其他观测点(如观测点2、观测点3、……)间的距离、观测点A在历史观测时间的实测风速等。
步骤S303,从模型训练基础样本集中随机选取模型训练基础样本作为模型验证样本,将剩余的模型训练基础样本作为模型训练样本;
本步骤主要是对模型训练基础样本集进行模型验证样本和模型训练样本的划分,即一部分用于风速预测模型的训练,一部分用于风速预测模型的验证。在具体应用中,模型验证样本的划分比例可以是20%,即模型训练基础样本集中20%的模型训练基础样本作为模型验证样本。本步骤通过随机选取的方式,从模型训练基础样本集中选取如20%的模型训练基础样本作为模型验证样本,将剩余的如80%的模型训练基础样本作为模型训练样本。
步骤S304,利用模型训练样本和模型验证样本对待训练的风速预测模型进行训练,构建得到风速预测模型。
本步骤中,可先利用模型训练样本对对待训练的风速预测模型进行初始训练,训练后通过模型验证样本进行验证。其中,模型训练样本和模型验证样本的数据组织方式可参考步骤S103中的应用构建后的风速预测模型时的模型输入数据组织,示例性的,模型训练样本的数据组织方式(包括用于模型训练/验证的输入样本X和输出样本Y)可以是:
输入样本X:[[观测点1的高度样本,观测点1的区域形态特征样本,观测点1与关联观测点1的距离样本,关联观测点1的高度样本,关联观测点1的区域形态特征样本,关联观测点1的实测风速样本]…[观测点1的高度样本,观测点1的区域形态特征样本,观测点1与关联观测点10的距离样本,关联观测点10的高度样本,关联观测点10的区域形态特征样本,关联观测点10的实测风速样本]];输出样本Y:[观测点1的实测风速样本]。
更具体的,以城市区域及建筑物作为其附着物为例对输入/输出样本进行说明,关联观测点1至10为均匀分布在观测点1周围的10个相邻观测点,区域形态特征样本包括该城市区域的盛行风向(如东西向)的迎风面积比样本,以及观测点所在区域块中建筑物的占地面积比样本、建筑物平均高度样本和建筑物平均高度标准差样本,输入样本X和输出样本Y为:
输入样本X:[[观测点1的高度样本,观测点1的建筑物平均高度样本,观测点1的建筑物平均高度标准差样本,观测点1的迎风面积比样本,观测点1的占地面积比样本,观测点1与相邻观测点1的距离样本,相邻观测点1的高度样本,相邻观测点1的建筑物平均高度样本,相邻观测点1的建筑物平均高度标准差样本,相邻观测点1的迎风面积比样本,相邻观测点1的占地面积比样本,相邻观测点1的实测风速样本]…[观测点1的高度样本,观测点1的建筑物平均高度样本,观测点1的建筑物平均高度标准差样本,观测点1的迎风面积比样本,观测点1的占地面积比样本,观测点1与相邻观测点10的距离样本,相邻观测点10的高度样本,相邻观测点10的建筑物平均高度样本,相邻观测点10的建筑物平均高度标准差样本,相邻观测点10的迎风面积比样本,相邻观测点10的占地面积比样本,相邻观测点10的实测风速样本]];输出样本Y:[观测点1的实测风速样本]。
在得到输入/输出样本后,同样可采用前述实施例提供的归一化处理对其进行数据预处理。在具体应用中,模型的具体训练过程,可采用均方误差(MSE,Mean SquareError)作为误差函数,并采用Adam算法作为优化算法。
本实施例提供的技术方案,一方面为风速预测模型提供了一种可行的方式,另一方面通过在多个预设风速范围数量均匀地选取训练样本并据此结合随机选取的方式形成分布一致的模型训练样本和模型验证样本,使训练所得的风速预测模型能具有更小的预测误差。
如下表1呈现本申请提供的预测风速的方法相比于若干传统方案具有更高的风速预测准确度。
表1
不失一般性地,本申请选取了三个时间点,使用若干方案对同一城市区域的风速进行插值预测,上表1展示了本申请提供的预测风速的方法(NN2)与反距离权重法(IDW)、传统克里金方法(OK)、回归-克里金方法(RK)、径向基函数插值法(RBF)和传统的神经网络方法(NN1)等方法得到结果的误差,包括MAE(MeanAbsolute Error,平均绝对误差)、MSE(MeanSquare Error,均方误差)和RMSE(Root Mean Square Error,均方根误差),这些误差信息可表明本申请提供的预测风速的方法相比于若干传统方案对城市区域具有更高的风速预测准确度,能够改进城市中风速空间插值的准确度。
在整体上,本申请提供的预测风速的方法改进了对风速进行空间插值时的预报误差,特别是在城市地形及建筑分布复杂情况下对空间风速进行插值后的误差,取得了更好的预报效果,这有利于城市区域的风速预报,尤其在台风等恶劣天气下,基于城市中精准的风速预报可提前对建筑玻璃、幕墙、悬挂物的进行加固,从而保护建筑及街道行人的安全,同时可以准确预报污染分布等,有效提高各区域的风速精细化预报的准确性和可靠性,为例如城市环境、污染及城市规划提供参考,同时进一步提高气象服务保障水平,提升灾害性天气分析预警和服务能力,更好地服务于相应区域的防灾减灾工作。而且,基于本申请提供的预测风速的方法结合各城市区域的气象观测资料,可建立风速与城市区域包括建筑信息在内的复杂下垫面信息以及历史气象观测资料的气象信息预报系统,该系统可充分利用历史空间各观测点的历史观测资料或空间各预报点的预报资料,准确预测城市各个地段的风速,减小插值误差,预报精度可达50×50m2。
应该理解的是,虽然如上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,如上流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种预测风速的装置,该装置400可以包括:
第一获取模块401,用于获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定所述待预测点和关联观测点各自的高度,确定所述待预测点与所述关联观测点间的距离;
第二获取模块402,用于获取所述关联观测点在待预测时间的实测风速;
数据输入模块403,用于根据所述区域形态特征、高度、距离和实测风速得到模型输入数据,将所述模型输入数据输入至预先构建的风速预测模型;
风速预测模块404,用于根据所述风速预测模型输出的风速预测结果,得到所述待预测点在所述待预测时间的预测风速。
在一个实施例中,第一获取模块401,用于确定所述待预测点和关联观测点各自所处的区域在预设时段内的盛行风向;获取所述待预测点和关联观测点各自所处的区域块的附着物信息;根据所述附着物信息和盛行风向,得到所述区域形态特征。
在一个实施例中,第一获取模块401,用于根据所述附着物信息和盛行风向获取所述区域块中各附着物在所述盛行风向的迎风面积比,以及根据所述附着物信息获取所述区域块中各附着物的占地面积比、附着物平均高度和附着物平均高度标准差;将所述迎风面积比、占地面积比、附着物平均高度和附着物平均高度标准差,作为所述区域形态特征。
在一个实施例中,所述关联观测点的数量为多个;该装置400还包括:关联点选取单元,用于确定所述待预测点的可选观测点集;基于所述待预测点的位置,从所述可选观测点集中选取满足预设距离条件和预设分布方向条件的多个观测点作为所述关联观测点。
在一个实施例中,该装置400还包括:区域划分单元,用于按照预设区域划分尺寸,将所述待预测点和关联观测点各自所处的区域划分为多个区域块。
在一个实施例中,该装置400还包括:模型构建单元,用于从原始观测数据集中数量均匀地获取对应于各预设风速范围的原始观测数据;所述原始观测数据包括各观测点在历史观测时间的实测风速样本;基于所述原始观测数据,获取模型训练基础样本集;所述模型训练基础样本集包括多个模型训练基础样本;所述模型训练基础样本包括所述各观测点各自所处的区域块对应的区域形态特征样本、各观测点各自的高度样本、各观测点间的距离样本和实测风速样本;从所述模型训练基础样本集中随机选取模型训练基础样本作为模型验证样本,将剩余的模型训练基础样本作为模型训练样本;利用所述模型训练样本和模型验证样本对待训练的风速预测模型进行训练,构建得到所述风速预测模型。
在一个实施例中,模型构建单元,用于根据所述原始观测数据集,得到风速的多个分位数;根据所述多个分位数,确定所述各预设风速范围。
关于预测风速的装置的具体限定可以参见上文中对于预测风速的方法的限定,在此不再赘述。上述预测风速的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5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、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种预测风速的方法。该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,该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5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,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。
以上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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种预测风速的方法,其特征在于,所述方法包括:
获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定所述待预测点和关联观测点各自的高度,确定所述待预测点与所述关联观测点间的距离;
获取所述关联观测点在待预测时间的实测风速;
根据所述区域形态特征、高度、距离和实测风速得到模型输入数据,将所述模型输入数据输入至预先构建的风速预测模型;
根据所述风速预测模型输出的风速预测结果,得到所述待预测点在所述待预测时间的预测风速。
2.根据权利要求1所述的方法,其特征在于,所述获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,包括:
确定所述待预测点和关联观测点各自所处的区域在预设时段内的盛行风向;
获取所述待预测点和关联观测点各自所处的区域块的附着物信息;
根据所述附着物信息和盛行风向,得到所述区域形态特征。
3.根据权利要求2所述的方法,其特征在于,所述根据所述附着物信息和盛行风向,得到所述区域形态特征,包括:
根据所述附着物信息和盛行风向获取所述区域块中各附着物在所述盛行风向的迎风面积比,以及根据所述附着物信息获取所述区域块中各附着物的占地面积比、附着物平均高度和附着物平均高度标准差;
将所述迎风面积比、占地面积比、附着物平均高度和附着物平均高度标准差,作为所述区域形态特征。
4.根据权利要求1所述的方法,其特征在于,所述关联观测点的数量为多个;所述获取待预测点和关联观测点各自所处的区域块对应的区域形态特征之前,所述方法还包括:
确定所述待预测点的可选观测点集;
基于所述待预测点的位置,从所述可选观测点集中选取满足预设距离条件和预设分布方向条件的多个观测点作为所述关联观测点。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照预设区域划分尺寸,将所述待预测点和关联观测点各自所处的区域划分为多个区域块。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述方法还包括:
从原始观测数据集中数量均匀地获取对应于各预设风速范围的原始观测数据;所述原始观测数据包括各观测点在历史观测时间的实测风速样本;
基于所述原始观测数据,获取模型训练基础样本集;所述模型训练基础样本集包括多个模型训练基础样本;所述模型训练基础样本包括所述各观测点各自所处的区域块对应的区域形态特征样本、各观测点各自的高度样本、各观测点间的距离样本和实测风速样本;
从所述模型训练基础样本集中随机选取模型训练基础样本作为模型验证样本,将剩余的模型训练基础样本作为模型训练样本;
利用所述模型训练样本和模型验证样本对待训练的风速预测模型进行训练,构建得到所述风速预测模型。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述原始观测数据集,得到风速的多个分位数;
根据所述多个分位数,确定所述各预设风速范围。
8.一种预测风速的装置,其特征在于,包括:
第一获取模块,用于获取待预测点和关联观测点各自所处的区域块对应的区域形态特征,以及确定所述待预测点和关联观测点各自的高度,确定所述待预测点与所述关联观测点间的距离;
第二获取模块,用于获取所述关联观测点在待预测时间的实测风速;
数据输入模块,用于根据所述区域形态特征、高度、距离和实测风速得到模型输入数据,将所述模型输入数据输入至预先构建的风速预测模型;
风速预测模块,用于根据所述风速预测模型输出的风速预测结果,得到所述待预测点在所述待预测时间的预测风速。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779737.8A CN113570122B (zh) | 2021-07-09 | 预测风速的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779737.8A CN113570122B (zh) | 2021-07-09 | 预测风速的方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570122A true CN113570122A (zh) | 2021-10-29 |
CN113570122B CN113570122B (zh) | 2024-06-28 |
Family
ID=
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971372A (zh) * | 2021-11-02 | 2022-01-25 | 浙江凌镜智能有限公司 | 基于神经网络的风速预测方法及装置 |
CN114324975A (zh) * | 2021-12-29 | 2022-04-12 | 航天科工火箭技术有限公司 | 一种风向确定方法、装置、设备和介质 |
CN114662737A (zh) * | 2022-02-17 | 2022-06-24 | 佛山冠今光电科技有限公司 | 地理观测数据的预测方法、计算机设备及可读存储介质 |
CN114723120A (zh) * | 2022-03-30 | 2022-07-08 | 北京城市气象研究院 | 一种近地面风速预报方法以及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006153787A (ja) * | 2004-12-01 | 2006-06-15 | Gastar Corp | 大気情報予報装置 |
KR20100106174A (ko) * | 2009-03-23 | 2010-10-01 | 주식회사 서부에너지기술 | 학교 및 공공기관의 기반시설을 이용한 국지기상정보 제공방법 및 그 시스템 |
CN104376214A (zh) * | 2014-11-18 | 2015-02-25 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN110009037A (zh) * | 2019-04-03 | 2019-07-12 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及系统 |
CN110555538A (zh) * | 2018-05-31 | 2019-12-10 | 北京金风科创风电设备有限公司 | 风电场风速预测方法及预测系统 |
CN112015784A (zh) * | 2020-09-07 | 2020-12-01 | 华北电力大学(保定) | 风况数据挖掘方法、装置、测风装置和数据挖掘设备 |
CN112417734A (zh) * | 2020-11-25 | 2021-02-26 | 国能日新科技股份有限公司 | 一种基于风电场地理信息的风速订正方法及装置 |
CN112596126A (zh) * | 2020-06-30 | 2021-04-02 | 北京金风慧能技术有限公司 | 风速预测模型训练方法、预测方法、装置及电子设备 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006153787A (ja) * | 2004-12-01 | 2006-06-15 | Gastar Corp | 大気情報予報装置 |
KR20100106174A (ko) * | 2009-03-23 | 2010-10-01 | 주식회사 서부에너지기술 | 학교 및 공공기관의 기반시설을 이용한 국지기상정보 제공방법 및 그 시스템 |
CN104376214A (zh) * | 2014-11-18 | 2015-02-25 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN110555538A (zh) * | 2018-05-31 | 2019-12-10 | 北京金风科创风电设备有限公司 | 风电场风速预测方法及预测系统 |
CN110009037A (zh) * | 2019-04-03 | 2019-07-12 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及系统 |
CN112596126A (zh) * | 2020-06-30 | 2021-04-02 | 北京金风慧能技术有限公司 | 风速预测模型训练方法、预测方法、装置及电子设备 |
CN112015784A (zh) * | 2020-09-07 | 2020-12-01 | 华北电力大学(保定) | 风况数据挖掘方法、装置、测风装置和数据挖掘设备 |
CN112417734A (zh) * | 2020-11-25 | 2021-02-26 | 国能日新科技股份有限公司 | 一种基于风电场地理信息的风速订正方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971372A (zh) * | 2021-11-02 | 2022-01-25 | 浙江凌镜智能有限公司 | 基于神经网络的风速预测方法及装置 |
CN114324975A (zh) * | 2021-12-29 | 2022-04-12 | 航天科工火箭技术有限公司 | 一种风向确定方法、装置、设备和介质 |
CN114324975B (zh) * | 2021-12-29 | 2024-01-09 | 航天科工火箭技术有限公司 | 一种风向确定方法、装置、设备和介质 |
CN114662737A (zh) * | 2022-02-17 | 2022-06-24 | 佛山冠今光电科技有限公司 | 地理观测数据的预测方法、计算机设备及可读存储介质 |
CN114723120A (zh) * | 2022-03-30 | 2022-07-08 | 北京城市气象研究院 | 一种近地面风速预报方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3534187B1 (en) | Process and system for hydrological analysis and management for river basins | |
CN110503267B (zh) | 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 | |
CN112308969B (zh) | 三维地图生成方法及装置 | |
JP2020134300A (ja) | 予測方法、予測プログラム及び情報処理装置 | |
CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
Pickard et al. | Validating land change models based on configuration disagreement | |
CN113537846B (zh) | 基于气象灾害的输配电线路杆塔的风险分析方法及系统 | |
CN117081088B (zh) | 电网负荷调度控制方法、装置、计算机设备及存储介质 | |
CN113570122B (zh) | 预测风速的方法、装置、计算机设备和存储介质 | |
CN117037482A (zh) | 道路交通运行状态实时感知方法、系统、设备及存储介质 | |
US20240005067A1 (en) | Method and system for modal prediction and analysis of geotechnical engineering structure | |
Papadopoulou et al. | Evaluating predictive performance of sensor configurations in wind studies around buildings | |
CN113570122A (zh) | 预测风速的方法、装置、计算机设备和存储介质 | |
JP2020149209A (ja) | 残差特性推定モデル作成方法および残差特性推定モデル作成システム | |
CN114419113A (zh) | 建筑施工进度的识别方法、装置及电子设备 | |
JP2022145440A (ja) | 測量情報管理システム、測量情報管理方法、及び測量情報管理プログラム | |
CN114690782A (zh) | 无人船的航迹规划方法、装置、设备和存储介质 | |
CN114419112A (zh) | 建筑施工高度的识别方法、装置及电子设备 | |
CN114118719A (zh) | 基于分区加权Voronoi和协同推荐的共享机房选址定容方法 | |
CN112257233A (zh) | 弹性电网恢复力评估方法、装置、计算机设备和介质 | |
CN110389947A (zh) | 一种黑名单生成方法、装置、设备及介质 | |
CN111626494A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN117291554B (zh) | 一种电力行业的云网协同运营方法与系统 | |
CN116449456B (zh) | 阵风预报输出方法、装置、计算机设备和存储介质 | |
CN115660143A (zh) | 台风灾害下停电持续时间预测方法、系统、设备及介质 |
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 |