CN113627511A - 气候变化对交通业的影响模型训练方法及影响监测方法 - Google Patents

气候变化对交通业的影响模型训练方法及影响监测方法 Download PDF

Info

Publication number
CN113627511A
CN113627511A CN202110891213.8A CN202110891213A CN113627511A CN 113627511 A CN113627511 A CN 113627511A CN 202110891213 A CN202110891213 A CN 202110891213A CN 113627511 A CN113627511 A CN 113627511A
Authority
CN
China
Prior art keywords
influence
historical
parameters
year
traffic
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
Application number
CN202110891213.8A
Other languages
English (en)
Other versions
CN113627511B (zh
Inventor
刘宇
崔琦
柳雅文
羊凌玉
李欣蓓
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.)
Institute Of Science And Development Chinese Academy Of Sciences
Original Assignee
Institute Of Science And Development Chinese Academy Of Sciences
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 Institute Of Science And Development Chinese Academy Of Sciences filed Critical Institute Of Science And Development Chinese Academy Of Sciences
Priority to CN202110891213.8A priority Critical patent/CN113627511B/zh
Publication of CN113627511A publication Critical patent/CN113627511A/zh
Application granted granted Critical
Publication of CN113627511B publication Critical patent/CN113627511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种气候变化对交通业的影响模型训练方法及影响监测方法，在获取各历史年份的气候相关参数和交通相关参数后，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数，并将各历史年份和历史影响参数进行区间离散化处理。选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。训练出的影响模型可根据输入参数输出影响分析结果，且影响分析结果与基准参考年份的历史影响参数相关联，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。

Description

气候变化对交通业的影响模型训练方法及影响监测方法
技术领域
本发明涉及气象气候应用技术领域，特别是涉及一种气候变化对交通业的影响模型训练方法及影响监测方法。
背景技术
气候变化是指气候平均状态随时间的变化，即气候平均状态和离差(距平)两者中的一个或两个一起出现了统计意义上的显著变化。离差值越大，表明气候变化的幅度越大，气候状态越不稳定。自工业化时代以来，温室气体排放量的大幅增加给人类带来一系列气候问题：大气和海洋温度明显升高、极地冰层融化、海平面持续上升等。因此，气候变化一直是人们关注的焦点，影响人们生产生活的方方面面。
交通业(又称交通运输业)作为生产生活的重要组成部分，是指使用运输工具将货物或者旅客送达目的地，使其空间位置得到转移的业务活动，主要包括铁路运输、公路运输、水路运输和航空运输。同样，交通业也受到气候变化尤其是温度变化的影响，其中最突出是对交通运输效率的影响。目前，针对气候变换对生产生活的影响监测，主要是通过建立各类方程进行定量计算，将气候变化转换为具体的生产生活相关参数。
然而，交通业受气候影响的机理十分复杂，传统的监测方式无法将交通业与气候变化方程化，难以满足气候变化对交通业的影响监测需求。
发明内容
基于此，有必要针对传统监测方式无法将交通业与气候变化方程化，难以满足气候变化对交通业的影响监测需求的问题，提供一种气候变化对交通业的影响模型训练方法及影响监测方法。
一种气候变化对交通业的影响模型训练方法，包括步骤：
获取各历史年份的气候相关参数和交通相关参数；
根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数；
将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果；
选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；
将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。
上述的气候变化对交通业的影响模型训练方法，在获取各历史年份的气候相关参数和交通相关参数后，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数，并将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果。进一步地，选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；最后将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。基于此，训练出的影响模型可根据输入参数输出影响分析结果，且影响分析结果与基准参考年份的历史影响参数相关联，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
在其中一个实施例中，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数的过程，包括步骤：
根据该历史年份下，气候相关参数的单位变化下交通相关参数的变化，作为历史影响参数。
在其中一个实施例中，将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果的过程，包括步骤：
选取各不同年份区间的历史年份；
将年份区间内各历史年份的历史影响参数进行离散化处理，获得离散处理结果。
在其中一个实施例中，在将离散处理结果作为训练数据的过程之前，还包括步骤：
将离散处理结果进行归一化处理。
在其中一个实施例中，将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型的过程，包括步骤：
将基准参考年份的历史影响参数作为训练样本，将离散处理结果作为分类样本，根据分类算法训练出用于输出影响分析结果的影响模型。
在其中一个实施例中，分类算法包括KNN邻近分类算法。
在其中一个实施例中，气候相关参数包括温度。
在其中一个实施例中，交通相关参数包括交通效率。
在其中一个实施例中，交通效率包括航空交通效率、公路交通效率、水路交通效率和铁路交通效率中的一者或多者。
一种气候变化对交通业的影响模型训练装置，包括：
参数获取模块，用于获取各历史年份的气候相关参数和交通相关参数；
参数处理模块，用于根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数；
离散处理模块，用于将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果；
基准选取模块，用于选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；
模型训练模块，用于将基准参考年份的历史影响参数、基准参考年份以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。
上述的气候变化对交通业的影响模型训练装置，在获取各历史年份的气候相关参数和交通相关参数后，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数，并将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果。进一步地，选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；最后将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。基于此，训练出的影响模型可根据输入参数输出影响分析结果，且影响分析结果与基准参考年份的历史影响参数相关联，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的气候变化对交通业的影响模型训练方法。
上述的计算机存储介质，在获取各历史年份的气候相关参数和交通相关参数后，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数，并将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果。进一步地，选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；最后将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。基于此，训练出的影响模型可根据输入参数输出影响分析结果，且影响分析结果与基准参考年份的历史影响参数相关联，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的气候变化对交通业的影响模型训练方法。
上述的计算机设备，在获取各历史年份的气候相关参数和交通相关参数后，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数，并将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果。进一步地，选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；最后将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。基于此，训练出的影响模型可根据输入参数输出影响分析结果，且影响分析结果与基准参考年份的历史影响参数相关联，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
一种气候变化对交通业的影响监测方法，包括步骤：
获取待监测年份的气候相关参数；
根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数；
根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据；
将模型输入数据输入至影响模型中，以获得影响分析结果。
上述的气候变化对交通业的影响监测方法，在获取待监测年份的气候相关参数后，根据气候相关参数和基准参考年份的获得影响监测参数。进一步地，根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据，并将模型输入数据输入至影响模型中，以获得影响分析结果。基于此，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
一种气候变化对交通业的影响监测装置，包括步骤：
数据获取模块，用于获取待监测年份的气候相关参数；
参数计算模块，用于根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数；
参数调整模块，用于根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据；
结果获取模块，用于将模型输入数据输入至影响模型中，以获得影响分析结果。
上述的气候变化对交通业的影响监测装置，在获取待监测年份的气候相关参数后，根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数。进一步地，根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据，并将模型输入数据输入至影响模型中，以获得影响分析结果。基于此，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的气候变化对交通业的影响监测方法。
上述的计算机存储介质，在获取待监测年份的气候相关参数后，根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数。进一步地，根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据，并将模型输入数据输入至影响模型中，以获得影响分析结果。基于此，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的气候变化对交通业的影响监测方法。
上述的计算机设备，在获取待监测年份的气候相关参数后，根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数。进一步地，根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据，并将模型输入数据输入至影响模型中，以获得影响分析结果。基于此，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
附图说明
图1为一实施方式的CEMA模型示意图；
图2为一实施方式的气候变化对交通业的影响模型训练方法流程图；
图3为另一实施方式的气候变化对交通业的影响模型训练方法流程图；
图4为一实施方式的年份区间划分示意图；
图5为一实施方式的气候变化对交通业的影响模型训练装置模块结构图；
图6为一实施方式的气候变化对交通业的影响监测方法流程图；
图7为一实施方式的气候变化对交通业的影响监测装置模块结构图；
图8为一实施方式的计算机内部构造示意图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。
为建立气候变化与交通业的影响关联，本发明实施例提供了一种CEMA(ClimateEconomic Model for Assessment)模型。图1为一实施方式的CEMA模型示意图，如图1所示，以CEMA模型的碳循环模块来表征气候变化。其中，与经济中交通业相关联的气候变化，在工业时代最突出的是二氧化碳CO2的浓度变化，进而影响气候响应，表征为辐射强迫后的温度变化。最后，温度变化作用于交通业。
因此，基于CEMA模型，本发明实施例的气候相关参数优选选用温度。需要注意的是，在CEMA模型的构建逻辑下，气候相关参数还可选用降雨量、季风次数等与气候类型相关的参数。在其中一个实施例中，气候相关参数可从历年的气候记录中获取。
基于此，本发明实施例提供了一种气候变化对交通业的影响模型训练方法。
图2为一实施方式的气候变化对交通业的影响模型训练方法流程图，如图2所示，一实施方式的气候变化对交通业的影响模型训练方法包括步骤S100至步骤S104：
S100，获取各历史年份的气候相关参数和交通相关参数；
S101，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数；
S102，将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果；
S103，选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；
S104，将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。
在确定气候相关参数后，交通相关参数可从交通业的历年记录中获取，包括单位运输成本、交通效率或交通方式占比等。作为一个较优的实施方式，交通相关参数选用交通效率。其中，交通业包括航空交通运输、公路交通运输、水路交通运输、铁路交通运输和管道运输。由于管道运输在历年的变化不明显，因此以交通效率包括航空交通效率、公路交通效率、水路交通效率和铁路交通效率四项进行模型训练。同时，训练后的影响模型也用于航空交通运输、公路交通运输、水路交通运输和铁路交通运输的影响监测分析。
其中，气候相关参数和交通相关参数的获取以年为单位。一历史年份中的气候相关参数和交通相关参数以平均值或方差等进行获取。在其中一个实施例中，以该历史年份的平均值获取气候相关参数和交通相关参数。
根据该历史年份的气候相关参数和交通相关参数，建立气候相关参数和交通相关参数的关联，根据关联的表征确定历史影响参数，即表征该历史年份气候变化对交通业的影响。
在其中一个实施例中，图3为另一实施方式的气候变化对交通业的影响模型训练方法流程图，如图3所示，步骤S101中根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数的过程，包括步骤S200：
S200，根据该历史年份下，气候相关参数的单位变化下交通相关参数的变化，作为历史影响参数。
其中，气候相关参数的单位变化，包括摄氏度、降雨单位时间毫米量等。交通相关参数的变化包括效率变化、成本变化等。以气候相关参数选用温度，交通相关参数选用交通效率为例，历史影响参数为每摄氏度的交通效率变化(每度效率变化)。以下一历史年份的历史影响参数(每度效率变化)表格为例进行解释，以便于理解：
表1某历史年份的历史影响参数表
Figure BDA0003195983910000101
在其中一个实施例中，如图3所示，步骤S102中将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果的过程，包括步骤S300和步骤S301：
S300，选取各不同年份区间的历史年份；
S301，将年份区间内各历史年份的历史影响参数进行离散化处理，获得离散处理结果。
图4为一实施方式的年份区间划分示意图，如图4所示，以时间为轴，将各历史年份进行随机的区间划分处理，区间的划分随机数覆盖各类型得到年份区间。将各年份区间内的历史影响参数作为标记数组，进行离散化处理，获取各历史年份的历史影响参数映射特征数据，作为离散处理结果。
在其中一个实施例中，特征数据与历史影响参数根据映射关系，在后续影响模型中可根据特征数据反向确定历史影响参数。
在其中一个实施例中，在步骤S104中将离散处理结果作为训练数据的过程之前，还包括步骤：
将离散处理结果进行归一化处理。
通过归一化处理，消除离散处理结果中的异常数据，统一离散处理结果的分布性和样本特征，便于后续训练数据的建立。
在确定离散处理结果后，汇总各年份区间的离散处理结果。基于此，在步骤S103中，将各历史年份的历史影响参数与各离散处理结果进行相似度比较，选取相似度排名符合预设排名要求的历史年份，作为基准参考年份。
在其中一个实施例中，通过相似度比较算法比较各历史年份的历史影响参数与各离散处理结果。
在其中一个实施例中，预设排名要求包括相似度排行从高至低的预设个数的年份。作为一个较优的实施方式，预设个数为8个，即选取8个基准参考年份。
基于此，将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。
在其中一个实施例中，如图3所示，步骤S104中将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型的过程，包括步骤S400：
S400，将基准参考年份的历史影响参数作为训练样本，将离散处理结果作为分类样本，根据分类算法训练出用于输出影响分析结果的影响模型。
其中，根据分类算法执行模型训练，将离散处理结果作为分类样本，计算分类样本的基准参考年份的历史影响参数的距离，将各离散处理结果基于基准参考年份的历史影响参数执行分类，得到影响模型。
基于此，该影响模型，在输入一个经离散处理后的数据时，可根据影响模型的预先训练的分类关系，输出一个历史影响参数作为影响分析结果。
在其中一个实施例中，分类算法选用KNN邻近分类算法。
本发明实施例还提供了一种气候变化对交通业的影响模型训练装置。
图5为一实施方式的气候变化对交通业的影响模型训练装置模块结构图，如图5所示，一实施方式的气候变化对交通业的影响模型训练装置包括模块100、模块101、模块102、模块103和模块104：
参数获取模块100，用于获取各历史年份的气候相关参数和交通相关参数；
参数处理模块101，用于根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数；
离散处理模块102，用于将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果；
基准选取模块103，用于选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；
模型训练模块104，用于将基准参考年份的历史影响参数、基准参考年份以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。
上述的气候变化对交通业的影响模型训练装置，在获取各历史年份的气候相关参数和交通相关参数后，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数，并将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果。进一步地，选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；最后将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。基于此，训练出的影响模型可根据输入参数输出影响分析结果，且影响分析结果与基准参考年份的历史影响参数相关联，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
基于上述的影响模型，本发明实施例还提供了一种气候变化对交通业的影响监测方法。
图6为一实施方式的气候变化对交通业的影响监测方法流程图，如图6所示，一实施方式的气候变化对交通业的影响监测方法包括步骤S500至步骤S503：
S500，获取待监测年份的气候相关参数；
S501，根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数；
S502，根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据；
S503，将模型输入数据输入至影响模型中，以获得影响分析结果。
上述的气候变化对交通业的影响监测方法，在获取待监测年份的气候相关参数后，根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数。进一步地，根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据，并将模型输入数据输入至影响模型中，以获得影响分析结果。基于此，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
其中，根据待监测年份的气候相关参数和基准参考年份的交通相关参数获得影响监测参数的过程，与步骤S101中根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数的处理过程相同。
根据待监测年份与基准参考年份建立有限个数的年份区间，以步骤S102的离散化处理方式对影响监测参数执行处理，获得与离散处理结果数据形式统一的模型输入数据。
将模型输入数据输入至影响模型中，以获得影响分析结果。其中，影响分析结果基于基准参考年份的历史影响参数，以此得到待监测年份的历史影响参数，满足气候变化对交通业影响的监测需求。
在其中一个实施例中，根据待监测年份的历史影响参数和气候相关参数确定待监测年份的交通相关参数，以进一步指导交通业的生产生活。
上述各实施例，通过基准参考年份的确定，间接需要历史年份中气候变化的平均点，通过以基准参考年份为参考，便于将气候变化对交通业的影响量化，为影响监测分析提供有效数据预测支持。
本发明实施例还提供了一种气候变化对交通业的影响监测装置。
图7为一实施方式的气候变化对交通业的影响监测装置模块结构图，如图7所示，一实施方式的气候变化对交通业的影响监测装置包括模块200、模块201、模块202和模块203：
数据获取模块200，用于获取待监测年份的气候相关参数；
参数计算模块201，用于根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数；
参数调整模块202，用于根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据；
结果获取模块203，用于将模型输入数据输入至影响模型中，以获得影响分析结果。
上述的气候变化对交通业的影响监测装置，在获取待监测年份的气候相关参数后，根据气候相关参数和基准参考年份的交通相关参数获得影响监测参数。进一步地，根据基准参考年份和待监测年份，将影响监测参数离散化处理，获得模型输入数据，并将模型输入数据输入至影响模型中，以获得影响分析结果。基于此，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的气候变化对交通业的影响模型训练方法或气候变化对交通业的影响监测方法。
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，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/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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种气候变化对交通业的影响模型训练方法或气候变化对交通业的影响监测方法。
该计算机设备可以是终端，其内部结构图可以如图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、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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种气候变化对交通业的影响模型训练方法或气候变化对交通业的影响监测方法。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。
上述计算机设备，在获取各历史年份的气候相关参数和交通相关参数后，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数，并将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果。进一步地，选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；最后将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。基于此，训练出的影响模型可根据输入参数输出影响分析结果，且影响分析结果与基准参考年份的历史影响参数相关联，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
或，在获取各历史年份的气候相关参数和交通相关参数后，根据气候相关参数和交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数，并将各历史年份和历史影响参数进行区间离散化处理，获得离散处理结果。进一步地，选取历史影响参数与离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；最后将基准参考年份的历史影响参数以及离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。基于此，训练出的影响模型可根据输入参数输出影响分析结果，且影响分析结果与基准参考年份的历史影响参数相关联，以近似的方式将影响分析结果量化，满足气候变化对交通业的影响监测需求。
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。

Claims (10)

1.一种气候变化对交通业的影响模型训练方法，其特征在于，包括步骤：
获取各历史年份的气候相关参数和交通相关参数；
根据所述气候相关参数和所述交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数；
将各所述历史年份和所述历史影响参数进行区间离散化处理，获得离散处理结果；
选取历史影响参数与所述离散处理结果相似度排名符合预设排名要求的历史年份，作为基准参考年份；
将所述基准参考年份的历史影响参数以及所述离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型。
2.根据权利要求1所述的气候变化对交通业的影响模型训练方法，其特征在于，所述根据所述气候相关参数和所述交通相关参数，获取用于表征该历史年份气候变化对交通业的历史影响参数的过程，包括步骤：
根据该历史年份下，所述气候相关参数的单位变化下所述交通相关参数的变化，作为所述历史影响参数。
3.根据权利要求1所述的气候变化对交通业的影响模型训练方法，其特征在于，所述将各所述历史年份和所述历史影响参数进行区间离散化处理，获得离散处理结果的过程，包括步骤：
选取各不同年份区间的历史年份；
将所述年份区间内各所述历史年份的历史影响参数进行离散化处理，获得所述离散处理结果。
4.根据权利要求1至3任意一项所述的气候变化对交通业的影响模型训练方法，其特征在于，在将所述离散处理结果作为训练数据的过程之前，还包括步骤：
将所述离散处理结果进行归一化处理。
5.根据权利要求1所述的气候变化对交通业的影响模型训练方法，其特征在于，所述将所述基准参考年份的历史影响参数以及所述离散处理结果作为训练数据，训练出用于输出影响分析结果的影响模型的过程，包括步骤：
将所述基准参考年份的历史影响参数作为训练样本，将所述离散处理结果作为分类样本，根据分类算法训练出用于输出影响分析结果的影响模型。
6.根据权利要求5所述的气候变化对交通业的影响模型训练方法，其特征在于，所述分类算法包括KNN邻近分类算法。
7.根据权利要求1至6任意一项所述的气候变化对交通业的影响模型训练方法，其特征在于，所述气候相关参数包括温度。
8.根据权利要求1至3、5至6任意一项所述的气候变化对交通业的影响模型训练方法，其特征在于，所述交通相关参数包括交通效率。
9.根据权利要求8所述的气候变化对交通业的影响模型训练方法，其特征在于，所述交通效率包括航空交通效率、公路交通效率、水路交通效率和铁路交通效率中的一者或多者。
10.一种气候变化对交通业的影响监测方法，其特征在于，包括步骤：
获取待监测年份的气候相关参数；
根据所述气候相关参数和基准参考年份的交通相关参数获得影响监测参数；
根据所述基准参考年份和所述待监测年份，将所述影响监测参数离散化处理，获得模型输入数据；
将所述模型输入数据输入至影响模型中，以获得影响分析结果。
CN202110891213.8A 2021-08-04 2021-08-04 气候变化对交通业的影响模型训练方法及影响监测方法 Active CN113627511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110891213.8A CN113627511B (zh) 2021-08-04 2021-08-04 气候变化对交通业的影响模型训练方法及影响监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110891213.8A CN113627511B (zh) 2021-08-04 2021-08-04 气候变化对交通业的影响模型训练方法及影响监测方法

Publications (2)

Publication Number Publication Date
CN113627511A true CN113627511A (zh) 2021-11-09
CN113627511B CN113627511B (zh) 2024-02-02

Family

ID=78382634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110891213.8A Active CN113627511B (zh) 2021-08-04 2021-08-04 气候变化对交通业的影响模型训练方法及影响监测方法

Country Status (1)

Country Link
CN (1) CN113627511B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120066163A1 (en) * 2010-09-13 2012-03-15 Nottingham Trent University Time to event data analysis method and system
CN102539098A (zh) * 2011-12-15 2012-07-04 东南大学 基于神经网络技术的桥梁动载测试方法
CN103617325A (zh) * 2013-12-06 2014-03-05 国网山东省电力公司 用电环境对负荷特性影响模型的建立方法
US20170168472A1 (en) * 2015-09-29 2017-06-15 Kabushiki Kaisha Toshiba Information processing apparatus or information communication terminal, and information processing method
CN107045788A (zh) * 2017-06-28 2017-08-15 北京数行健科技有限公司 交通路况预测方法及装置
CN107941344A (zh) * 2017-11-15 2018-04-20 中国科学院遥感与数字地球研究所 一种基于地表温度遥感反演的钢铁厂去产能监测方法
CN109146172A (zh) * 2018-08-17 2019-01-04 中国科学院地理科学与资源研究所 一种气候变化应对策略的多主体建模方法
CN109559512A (zh) * 2018-12-05 2019-04-02 北京掌行通信息技术有限公司 一种区域交通流量预测方法及装置
CN110211382A (zh) * 2019-06-11 2019-09-06 九江学院 汽车限速预警方法及系统
CN110766225A (zh) * 2019-10-23 2020-02-07 新奥数能科技有限公司 一种基于神经网络的电力日前交易收益预测方法及装置
CN110852585A (zh) * 2019-10-30 2020-02-28 北京师范大学 植被生长稳定性的计算方法及装置
CN111105104A (zh) * 2020-02-20 2020-05-05 河南理工大学 一种基于相似日和rbf神经网络的短期电力负荷预测方法
CN111251819A (zh) * 2020-01-03 2020-06-09 武汉理工大学 一种基于车联网与大数据的车载空调智能调节方法与系统
CN112396572A (zh) * 2020-11-18 2021-02-23 国网浙江省电力有限公司电力科学研究院 基于特征增强和高斯金字塔的复合绝缘子双光融合方法
CN112534452A (zh) * 2018-05-06 2021-03-19 强力交易投资组合2018有限公司 用于改进自动执行能源、计算、存储和其它资源的现货和远期市场中的分布式账本和其它交易的机器和系统的方法和系统
US20210097449A1 (en) * 2020-12-11 2021-04-01 Intel Corporation Memory-efficient system for decision tree machine learning
WO2021063033A1 (zh) * 2019-09-30 2021-04-08 北京国双科技有限公司 空调能耗模型训练方法与空调系统控制方法
CN113128791A (zh) * 2021-05-18 2021-07-16 中科三清科技有限公司 基于moves模型的机动车排放清单测算方法及装置
CN113593712A (zh) * 2021-08-10 2021-11-02 中国科学院科技战略咨询研究院 温升对人体健康的影响监测方法及装置
CN113609453A (zh) * 2021-08-10 2021-11-05 中国科学院科技战略咨询研究院 温升对农渔业的影响定量监测方法及装置
CN113626755A (zh) * 2021-08-10 2021-11-09 中国科学院科技战略咨询研究院 基于传导路径的家庭能源消费需求结构监测方法及装置

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120066163A1 (en) * 2010-09-13 2012-03-15 Nottingham Trent University Time to event data analysis method and system
CN102539098A (zh) * 2011-12-15 2012-07-04 东南大学 基于神经网络技术的桥梁动载测试方法
CN103617325A (zh) * 2013-12-06 2014-03-05 国网山东省电力公司 用电环境对负荷特性影响模型的建立方法
US20170168472A1 (en) * 2015-09-29 2017-06-15 Kabushiki Kaisha Toshiba Information processing apparatus or information communication terminal, and information processing method
CN107045788A (zh) * 2017-06-28 2017-08-15 北京数行健科技有限公司 交通路况预测方法及装置
CN107941344A (zh) * 2017-11-15 2018-04-20 中国科学院遥感与数字地球研究所 一种基于地表温度遥感反演的钢铁厂去产能监测方法
CN112534452A (zh) * 2018-05-06 2021-03-19 强力交易投资组合2018有限公司 用于改进自动执行能源、计算、存储和其它资源的现货和远期市场中的分布式账本和其它交易的机器和系统的方法和系统
CN109146172A (zh) * 2018-08-17 2019-01-04 中国科学院地理科学与资源研究所 一种气候变化应对策略的多主体建模方法
CN109559512A (zh) * 2018-12-05 2019-04-02 北京掌行通信息技术有限公司 一种区域交通流量预测方法及装置
CN110211382A (zh) * 2019-06-11 2019-09-06 九江学院 汽车限速预警方法及系统
WO2021063033A1 (zh) * 2019-09-30 2021-04-08 北京国双科技有限公司 空调能耗模型训练方法与空调系统控制方法
CN110766225A (zh) * 2019-10-23 2020-02-07 新奥数能科技有限公司 一种基于神经网络的电力日前交易收益预测方法及装置
CN110852585A (zh) * 2019-10-30 2020-02-28 北京师范大学 植被生长稳定性的计算方法及装置
CN111251819A (zh) * 2020-01-03 2020-06-09 武汉理工大学 一种基于车联网与大数据的车载空调智能调节方法与系统
CN111105104A (zh) * 2020-02-20 2020-05-05 河南理工大学 一种基于相似日和rbf神经网络的短期电力负荷预测方法
CN112396572A (zh) * 2020-11-18 2021-02-23 国网浙江省电力有限公司电力科学研究院 基于特征增强和高斯金字塔的复合绝缘子双光融合方法
US20210097449A1 (en) * 2020-12-11 2021-04-01 Intel Corporation Memory-efficient system for decision tree machine learning
CN113128791A (zh) * 2021-05-18 2021-07-16 中科三清科技有限公司 基于moves模型的机动车排放清单测算方法及装置
CN113593712A (zh) * 2021-08-10 2021-11-02 中国科学院科技战略咨询研究院 温升对人体健康的影响监测方法及装置
CN113609453A (zh) * 2021-08-10 2021-11-05 中国科学院科技战略咨询研究院 温升对农渔业的影响定量监测方法及装置
CN113626755A (zh) * 2021-08-10 2021-11-09 中国科学院科技战略咨询研究院 基于传导路径的家庭能源消费需求结构监测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
IDA KARLSSON等: "Reaching net-zero carbon emissions in construction supply chains – Analysis of a Swedish road construction project", 《 RENEWABLE AND SUSTAINABLE ENERGY REVIEWS》, vol. 120, pages 1 - 14 *
XUEBIAO ZHANG等: "Impacts of climate change on self-sufficiency of rice in China: A CGE-model-based evidence with alternative regional feedback mechanisms", 《JOURNAL OF CLEANER PRODUCTION》, pages 150 - 161 *
李佳玉: "需求不确定下的城市地下快速通道交通效率研究", 《》, no. 07, pages 034 - 496 *
黄艳雁等: "基于气候特征的低碳城市评价指标体系构建", 《地域研究与开发》, vol. 35, no. 6, pages 77 - 80 *

Also Published As

Publication number Publication date
CN113627511B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Yeganeh et al. Prediction of CO concentrations based on a hybrid Partial Least Square and Support Vector Machine model
Ciroth et al. Empirically based uncertainty factors for the pedigree matrix in ecoinvent
Arhami et al. Predicting hourly air pollutant levels using artificial neural networks coupled with uncertainty analysis by Monte Carlo simulations
Kannan et al. Prediction of daily rainfall state in a river basin using statistical downscaling from GCM output
CN114266384A (zh) 一种基于融合模型的快速预测台风路径的方法及其装置
Zaidan et al. Predicting atmospheric particle formation days by Bayesian classification of the time series features
CN111753461A (zh) 潮汐水位修正方法、目标余水位获取方法、装置和设备
Zhang et al. New fuel consumption model considering vehicular speed, acceleration, and jerk
Nahar et al. Air quality index using machine learning–a jordan case study
He et al. Potential geographical distribution and its multi-factor analysis of Pinus massoniana in China based on the maxent model
Zhao Machine learning algorithms for predicting roadside fine particulate matter concentration level in Hong Kong Central
US20200118012A1 (en) Monitoring the Thermal Health of an Electronic Device
CN113591187B (zh) 基于bim实景模型的道路桥梁设计方法及其系统
Zhang et al. Accounting for the spatial structure of weather systems in detected changes in precipitation extremes
Suarez-Gutierrez et al. Extreme heat and drought typical of an end-of-century climate could occur over Europe soon and repeatedly
CN113627511A (zh) 气候变化对交通业的影响模型训练方法及影响监测方法
CN117521912A (zh) 一种碳排放测算模型及对比评价方法及其应用
Egwim et al. A comparative study on machine learning algorithms for assessing energy efficiency of buildings
Lange et al. Machine-learning models to replicate large-eddy simulations of air pollutant concentrations along boulevard-type streets
Kaczmarska et al. Local generalised method of moments: an application to point process‐based rainfall models
Abaurrea et al. Modeling and projecting the occurrence of bivariate extreme heat events using a non-homogeneous common Poisson shock process
CN113609453B (zh) 温升对农渔业的影响定量监测方法及装置
Conde-Amboage et al. Predicting trace gas concentrations using quantile regression models
Del Sarto et al. Modelling spatio-temporal air pollution data from a mobile monitoring station
Arnesen et al. Bayesian detection of changepoints in finite-state Markov chains for multiple sequences

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