CN114385872A - 一种涡流耗散率预测的方法、装置、电子设备及存储介质 - Google Patents
一种涡流耗散率预测的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114385872A CN114385872A CN202210285598.8A CN202210285598A CN114385872A CN 114385872 A CN114385872 A CN 114385872A CN 202210285598 A CN202210285598 A CN 202210285598A CN 114385872 A CN114385872 A CN 114385872A
- Authority
- CN
- China
- Prior art keywords
- prediction data
- data
- initial prediction
- type
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90348—Query processing by searching ordered data, e.g. alpha-numerically ordered data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及计算机技术领域,尤其涉及一种涡流耗散率预测的方法、装置、电子设备及存储介质。该方法包括:对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数,获取各个网格区域对应的预测数据和至少一类初始预测数据,其中,预设数据为目标飞行设备飞行过程中所采集的数据,根据预设数据,网格区域参数,以及至少一类初始预测数据,对至少一类初始预测数据进行筛选,获取与预设数据最接近的初始预测数据,作为中间过程预测数据。基于中间过程预测数据、预设数据确定目标涡流耗散率预测数据。通过整体方案,可以基于不同时间维度的数据,更加精准的对未来EDR情况进行预测。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种涡流耗散率预测的方法、装置、电子设备及存储介质。
背景技术
空中颠簸程度是一种衡量飞行器飞行状态的指标,对于安全飞行有着重要的意义,而要想获得空中颠簸程度,首先需要计算出涡流耗散率(Energy dissipation rate,EDR)。
现有技术下,通常通过单一指标来对涡流耗散率进行预测,进而导致了最终获得的涡流耗散率与实际观测值差距较大,无法起到真正的预测作用。
因此,需要一种涡流耗散率预测的方法、装置、电子设备及存储介质,解决上述问题。
发明内容
鉴于此,为解决现有技术中上述技术问题,本发明实施例提供一种涡流耗散率预测的方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供一种涡流耗散率预测的方法,该方法包括:
对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数;
获取各个网格区域对应的预设数据和至少一类初始预测数据,其中,预设数据为目标飞行设备飞行过程中所采集的数据;
根据预设数据,网格区域参数,以及至少一类初始预测数据,对至少一类初始预测数据进行筛选,获取与预设数据最接近的初始预测数据,作为中间过程预测数据;
基于中间过程预测数据、预设数据确定目标涡流耗散率预测数据。
在一个可能的实施方式中,根据预设数据,网格区域参数,以及至少一类初始预测数据,对至少一类初始预测数据进行筛选,获取与预设数据最接近的初始预测数据,作为中间过程预测数据,包括:
根据预设数据,网格区域参数,以及每一类初始预测数据,确定与每一类初始预测数据对应的均方根误差;
对全部均方根误差进行排序处理,获取排序处理结果;
根据排序处理结果,从至少一类初始预测数据中确定与预设数据最接近的初始预测数据,作为中间过程预测数据。
在一个可能的实施方式中,网格区域参数包括所有网格区域的数量,根据预设数据、网格区域参数,以及每一类初始预测数据,确定与每一类初始预测数据对应的均方根误差,具体包括:
获取网格区域对应的预设数据与每一类初始预测数据之间的差值;
基于差值和所有网格区域的数量,确定至少一类初始预测数据对应的均方根误差。
在一个可能的实施方式中,根据排序处理结果,从至少一类初始预测数据中确定与预设数据最接近的初始预测数据,作为中间过程预测数据,包括:
对全部均方根误差进行排序处理,将其中最小的均方根误差作为排序处理结果;
将最小的均方根误差对应的初始预测数据,确定为与预设数据最接近的初始预测数据,并将最小的均方根误差对应的初始预测数据作为过中间程预测数据。
在一个可能的实施方式中,对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数之前,还包括:
获取目标飞行设备的飞行航线;
基于飞行航线,确定目标区域。
第二方面,本申请提供了一种涡流耗散率预测的装置,包括:
获取模块,用于对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数;获取各个网格区域对应的预设数据和至少一类初始预测数据,其中,预设数据为目标飞行设备飞行过程中所采集的数据;
处理模块,用于根据预设数据,网格区域参数,以及至少一类初始预测数据,对至少一类初始预测数据进行筛选,获取与预设数据最接近的初始预测数据,作为中间过程预测数据;
预测模块,用于基于中间过程预测数据、预设数据确定目标涡流耗散率预测数据。
在一个可能的实施方式中,处理模块,具体用于:
根据预设数据,网格区域参数,以及每一类初始预测数据,确定与每一类初始预测数据对应的均方根误差;
对全部均方根误差进行排序处理,获取排序处理结果;
根据排序处理结果,从至少一类初始预测数据中确定与预设数据最接近的初始预测数据,作为中间过程预测数据。
在一个可能的实施方式中,处理模块,具体用于:
获取网格区域对应的预设数据与每一类初始预测数据之间的差值;
基于差值和所有网格区域的数量,确定至少一类初始预测数据对应的均方根误差。
第三方面,本申请提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器执行如第一方面中任一的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面中任一项的方法的步骤。
本发明实施例提供的一种涡流耗散率预测的方法,对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数,获取各个网格区域对应的预设数据和至少一类初始预测数据。根据预设数据,网格区域参数,以及至少一类初始预测数据,对至少一类初始预测数据进行筛选,获取与预设数据最接近的初始预测数据,作为中间过程预测数据,通过这样的方法,可以筛选出最合适的用于后续计算的中间过程预测数据。基于中间过程预测数据、预设数据确定目标涡流耗散率预测数据。通过整体方案,可以基于不同时间维度的数据,更加精准的对未来EDR情况进行预测,极大的提高了工作效率。
附图说明
图1为本发明实施例提供的一种涡流耗散率预测的方法流程示意图;
图2为本发明实施例提供的确定目标区域流程示意图;
图3为本发明实施例提供的确定目标区域示意图;
图4为本发明实施例提供的获取中间过程预测数据流程示意图;
图5为本发明实施例提供的获取排序处理结果流程示意图;
图6为本发明实施例提供的一种涡流耗散率预测的装置结构示意图;
图7为本发明实施例提供一种涡流耗散率预测的系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域普通技术人员在没有做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。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
针对背景技术中所提及的技术问题,本申请实施例提供了一种涡流耗散率预测方法,具体参见图1及后续附图所示:
S11,对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数。
具体的,如果没有限定目标区域,则根据预设的规则对所有可能的飞行航线均按照预先设定的标准进行网格划分。
进一步的,网格划分可以根据各种指标,例如:经度,纬度,高度,时间等等,在此不做限定。
进一步的,当飞行航线确定时,目标区域可以按照如图2所示流程,进行获取:
S111,获取目标飞行设备的飞行航线。
具体的,目标飞行设备的飞行航线可以从对应的数据库中获取。例如:任意集团公司的飞行计划数据库等等。
S112,基于飞行航线,确定目标区域。
具体的,获取飞行航线之后,将飞行航线经过的区域,全部确定为目标区域。
例如,参阅图3所示,在地图上有一段飞行航线,则可以根据预设的网格划分方法,确定目标区域,在本步骤中,假设划分方法仅考虑经纬度,则在获得飞行航线后,按照飞行航线所对应的经纬度构建一个区域,例如,图3中所示的矩形区域。当然,在实际应用中,并非一定要构建这样的一个矩形区域,也可以是其他形状的区域。具体可以根据实际情况限定。在本实施例中,构建的是矩形区域,并在该矩形区域内对飞行航线进行划分,参见图3所示,图3中阴影部分均为目标区域。
进一步的,网格区域参数包括有网格数量,网格的自身属性等等,其中网格自身属性包括但不限于网格的长、宽,网格的高度等等,实际应用中,自身属性随划分方法变化而变化,以实际应用为准。
S12,获取各个网格区域对应的预设数据和至少一类初始预测数据。
具体的,预设数据为目标飞行设备飞行过程中所采集的数据,其中,预设数据存储在数据库或相应的存储介质中。而获取初始预测数据的方式,则为利用现有技术预测得到的一些低精度数据,也存放在对应的数据库或相应的存储介质中。这些数据,后续均用于EDR的预测。
S13,根据预设数据,网格区域参数,以及至少一类初始预测数据,对至少一类初始预测数据进行筛选,获取与预设数据最接近的初始预测数据,作为中间过程预测数据。
具体的,在一个网格区域中,同时存在有多类初始预测数据,这些初始预测数据精度不一,因此需要对这些初始预测数据进行筛选。
需要说明的是,预设数据可以包括但不限于历史数据,实时数据等等,其中,历史数据为历史目标飞行设备飞行过程中所采集的数据,可以直接通过数据库查阅获得,而实时则当前目标飞行设备飞行过程中所采集的数据,也可以在采集后存放至数据库,在此不做限定。
进一步的,可以根据如图4所示的步骤,获得精度最高的初始预测数据,作为中间过程数据。
S131,根据预设数据,网格区域参数,以及每一类初始预测数据,确定与每一类初始预测数据对应的均方根误差。
进一步的,可以根据如图5所示的步骤,确定与每一类初始预测数据对应的均方根误差。
S1311,获取网格区域对应的预设数据与每一类初始预测数据之间的差值。
具体的,在计算差值时,如果网格区域内,存在有真实数据,就计算真实数据与每一类初始预测数据之间的差值,当网格区域内不存在有真实数据时,则计算预设数据与每一类初始预测数据之间的差值。
S1312,基于差值和所有网格区域的数量,确定至少一类初始预测数据对应的均方根误差。
具体的,均方根误差可以根据如下公式进行计算:
S132,对全部均方根误差进行排序处理,获取排序处理结果。
具体的,排序方式可以时从大到小,也可以从小到大,在此不做限定。
S133,根据排序处理结果,从至少一类初始预测数据中确定与预设数据最接近的初始预测数据,最小的均方根误差对应的初始预测数据作为中间过程预测数据。
具体的,均方根误差的取值越小,证明该类预测数据与真实数据之间的差距越小,即该类预测数据的真实性越高,因此,将均方根误差取值对应最小的那一类预测数据,作为中间过程预测数据。
例如,假设存在有三类初始预测数据分别为,第一类初始预测数据A,第二类初始
预测数据B,第三类初始预测数据C,则对应的β取值为:1,2和3,假设,显然,,因此,将
第一类初始预测数据A作为中间过程预测数据。
S14,基于中间过程预测数据、预设数据确定目标涡流耗散率预测数据。
具体的,可以根据如下公式计算目标涡流耗散率:
其中,x为当前时刻的中间过程预测数据,上一时刻的中间过程预测数据,B是
上一时刻所有网格的中间过程预测数据与预设数据的协方差矩阵,是上一时刻的预设
数据,R是当前时刻所有网格的中间过程预测数据与预设数据的协方差矩阵,为基
于航线和季节确定的常数,可通过现有技术加以确定,z是航线修正因素,也可以通过现有
技术加以确定,为高度修正因素,可以通过现有技术加以确定,n为网格区域总数目。
本发明实施例提供的一种涡流耗散率预测的方法,对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数,获取各个网格区域对应的预设数据和至少一类初始预测数据。根据预设数据,网格区域参数,以及至少一类初始预测数据,对至少一类初始预测数据进行筛选,获取与预设数据最接近的初始预测数据,作为中间过程预测数据,通过这样的方法,可以筛选出最合适的用于后续计算的中间过程预测数据。基于中间过程预测数据、预设数据确定目标涡流耗散率预测数据。通过整体方案,可以基于不同时间维度的数据,更加精准的对未来EDR情况进行预测,极大的提高了工作效率。
图6为本发明实施例提供的一种涡流耗散率预测装置,该装置包括:获取模块601,处理模块602,预测模块603。
获取模块601,用于对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数;获取各个网格区域对应的预设数据和至少一类初始预测数据,其中,预设数据为目标飞行设备飞行过程中所采集的数据;
处理模块602,用于根据预设数据,网格区域参数,以及至少一类初始预测数据,对至少一类初始预测数据进行筛选,获取与预设数据最接近的初始预测数据,作为中间过程预测数据;
预测模块603,用于基于中间过程预测数据、预设数据确定目标涡流耗散率预测数据。
可选地,处理模块602,具体用于:
根据预设数据,网格区域参数,以及每一类初始预测数据,确定与每一类初始预测数据对应的均方根误差;
对全部均方根误差进行排序处理,获取排序处理结果;
根据排序处理结果,从至少一类初始预测数据中确定与预设数据最接近的初始预测数据,作为中间过程预测数据。
可选地,处理模块602,具体用于:
获取网格区域对应的预设数据与每一类初始预测数据之间的差值;
基于差值和所有网格区域的数量,确定至少一类初始预测数据对应的均方根误差。
可选地,处理模块602,具体用于:
对全部均方根误差进行排序处理,将其中最小的均方根误差作为排序处理结果;
将最小的均方根误差对应的初始预测数据,确定为与预设数据最接近的初始预测数据,并将最小的均方根误差对应的初始预测数据作为过中间程预测数据。
可选地,获取模块601,还用于:
获取目标飞行设备的飞行航线;
基于飞行航线,确定目标区域。
请参阅图7,图7是本发明可选实施例提供的一种电子设备的结构示意图,如图7所示,该电子设备可以包括:至少一个处理器71,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口73,存储器74,至少一个通信总线72。其中,通信总线72用于实现这些组件之间的连接通信。其中,通信接口73可以包括显示屏(Display)、键盘(Keyboard),可选通信接口73还可以包括标准的有线接口、无线接口。存储器74可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器74可选的还可以是至少一个位于远离前述处理器71的存储装置。其中处理器71可以结合图7所描述的装置,存储器74中存储应用程序,且处理器71调用存储器74中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线72可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器74可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器74还可以包括上述种类的存储器的组合。
其中,处理器71可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器71还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic, 缩写:GAL)或其任意组合。
可选地,存储器74还用于存储程序指令。处理器71可以调用程序指令,实现如本申请任一实施例中所示的一种涡流耗散率预测方法。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的一种涡流耗散率预测方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种涡流耗散率预测的方法,其特征在于,包括:
对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数;
获取各个所述网格区域对应的预设数据和至少一类初始预测数据,其中,所述预设数据为目标飞行设备飞行过程中所采集的数据;
根据所述预设数据,所述网格区域参数,以及至少一类所述初始预测数据,对至少一类所述初始预测数据进行筛选,获取与所述预设数据最接近的初始预测数据,作为中间过程预测数据;
基于所述中间过程预测数据、所述预设数据,确定目标涡流耗散率预测数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述预设数据,所述网格区域参数,以及至少一类所述初始预测数据,对至少一类所述初始预测数据进行筛选,获取与所述预设数据最接近的初始预测数据,作为中间过程预测数据,包括:
根据所述预设数据,所述网格区域参数,以及每一类所述初始预测数据,确定与每一类所述初始预测数据对应的均方根误差;
对全部所述均方根误差进行排序处理,获取排序处理结果;
根据所述排序处理结果,从至少一类所述初始预测数据中确定与所述预设数据最接近的初始预测数据,作为所述中间过程预测数据。
3.根据权利要求2所述的方法,其特征在于,所述网格区域参数包括所有网格区域的数量,所述根据所述预设数据、所述网格区域参数,以及每一类所述初始预测数据,确定与每一类所述初始预测数据对应的均方根误差,具体包括:
获取所述网格区域对应的所述预设数据与每一类所述初始预测数据之间的差值;
基于所述差值和所有网格区域的数量,确定所述至少一类初始预测数据对应的均方根误差。
4.根据权利要求2所述的方法,其特征在于,所述根据所述排序处理结果,从至少一类所述初始预测数据中确定与所述预设数据最接近的初始预测数据,作为所述中间过程预测数据,包括:
对全部所述均方根误差进行排序处理,将其中最小的均方根误差作为所述排序处理结果;
将所述最小的均方根误差对应的初始预测数据,确定为与所述预设数据最接近的初始预测数据,并将所述最小的均方根误差对应的初始预测数据作为过中间程预测数据。
5.根据权利要求1所述的方法,其特征在于,所述对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数之前,还包括:
获取所述目标飞行设备的飞行航线;
基于所述飞行航线,确定目标区域。
6.一种涡流耗散率预测的装置,其特征在于,包括:
获取模块,用于对目标区域进行网格化处理,获取处理后的各个网格区域以及网格区域参数;获取各个所述网格区域对应的预设数据和至少一类初始预测数据,其中,所述预设数据为目标飞行设备飞行过程中所采集的数据;
处理模块,用于根据预设数据,所述网格区域参数,以及至少一类所述初始预测数据,对至少一类所述初始预测数据进行筛选,获取与所述预设数据最接近的初始预测数据,作为中间过程预测数据;
预测模块,用于基于所述中间过程预测数据、所述预设数据,确定目标涡流耗散率预测数据。
7.根据权利要求6所述的装置,其特征在于,所述处理模块,具体用于:
根据预设数据,所述网格区域参数,以及每一类所述初始预测数据,确定与每一类所述初始预测数据对应的均方根误差;
对全部所述均方根误差进行排序处理,获取排序处理结果;
根据所述排序处理结果,从至少一类所述初始预测数据中确定与预设数据最接近的初始预测数据,作为所述中间过程预测数据。
8.根据权利要求7所述的装置,其特征在于,所述处理模块,具体用于:
获取所述网格区域对应的预设数据与每一类所述初始预测数据之间的差值;
基于所述差值和所有网格区域的数量,确定所述至少一类初始预测数据对应的均方根误差。
9.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-5任一所述的方法的步骤。
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如权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285598.8A CN114385872B (zh) | 2022-03-23 | 2022-03-23 | 一种涡流耗散率预测的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285598.8A CN114385872B (zh) | 2022-03-23 | 2022-03-23 | 一种涡流耗散率预测的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114385872A true CN114385872A (zh) | 2022-04-22 |
CN114385872B CN114385872B (zh) | 2022-06-03 |
Family
ID=81205230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210285598.8A Active CN114385872B (zh) | 2022-03-23 | 2022-03-23 | 一种涡流耗散率预测的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114385872B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063867A1 (en) * | 2014-09-02 | 2016-03-03 | University Of Malta | Method and system for recovering the energy state of an aircraft during descent |
US20160333854A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital Twin Interface for Operating Wind Farms |
CN106846921A (zh) * | 2017-03-13 | 2017-06-13 | 中国民航科学技术研究院 | 颠簸信息确定方法、服务时间判断方法及装置 |
US20180155023A1 (en) * | 2016-12-05 | 2018-06-07 | Samsung Electronics Co., Ltd | Flight control method and electronic device for supporting the same |
WO2019066139A1 (ko) * | 2017-09-27 | 2019-04-04 | 제주대학교 산학협력단 | 지상 기반 라이다, 라이다 측정오차 보정 장치 및 방법 |
CN109649676A (zh) * | 2019-01-10 | 2019-04-19 | 中国民航科学技术研究院 | 颠簸风险强度确定方法、装置、电子设备及可读存储介质 |
CN111290422A (zh) * | 2020-03-24 | 2020-06-16 | 中国民航科学技术研究院 | 基于颠簸指数的飞行控制方法、装置及飞行器 |
CN111461981A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
US20210241645A1 (en) * | 2020-01-30 | 2021-08-05 | The Boeing Company | Quantitative pilot evaluation during training |
CN113658214A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
CN113673181A (zh) * | 2021-08-13 | 2021-11-19 | 中国人民解放军国防科技大学 | 一种基于多源风场数据的机场区域风切变智能识别方法 |
-
2022
- 2022-03-23 CN CN202210285598.8A patent/CN114385872B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063867A1 (en) * | 2014-09-02 | 2016-03-03 | University Of Malta | Method and system for recovering the energy state of an aircraft during descent |
US20160333854A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital Twin Interface for Operating Wind Farms |
US20180155023A1 (en) * | 2016-12-05 | 2018-06-07 | Samsung Electronics Co., Ltd | Flight control method and electronic device for supporting the same |
CN106846921A (zh) * | 2017-03-13 | 2017-06-13 | 中国民航科学技术研究院 | 颠簸信息确定方法、服务时间判断方法及装置 |
WO2019066139A1 (ko) * | 2017-09-27 | 2019-04-04 | 제주대학교 산학협력단 | 지상 기반 라이다, 라이다 측정오차 보정 장치 및 방법 |
CN109649676A (zh) * | 2019-01-10 | 2019-04-19 | 中国民航科学技术研究院 | 颠簸风险强度确定方法、装置、电子设备及可读存储介质 |
US20210241645A1 (en) * | 2020-01-30 | 2021-08-05 | The Boeing Company | Quantitative pilot evaluation during training |
CN111290422A (zh) * | 2020-03-24 | 2020-06-16 | 中国民航科学技术研究院 | 基于颠簸指数的飞行控制方法、装置及飞行器 |
CN111461981A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN113673181A (zh) * | 2021-08-13 | 2021-11-19 | 中国人民解放军国防科技大学 | 一种基于多源风场数据的机场区域风切变智能识别方法 |
CN113658214A (zh) * | 2021-08-16 | 2021-11-16 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
Non-Patent Citations (8)
Title |
---|
CHEN Q 等: "A New Turbulence Index Based on EDR and Vertical Acceleration", 《PROCEEDINGS OF THE 2020 INTERNATIONAL CONFERENCE ON AVIATION SAFETY AND INFORMATION TECHNOLOGY》 * |
CHEN Q 等: "A New Turbulence Index Based on EDR and Vertical Acceleration", 《PROCEEDINGS OF THE 2020 INTERNATIONAL CONFERENCE ON AVIATION SAFETY AND INFORMATION TECHNOLOGY》, 21 December 2020 (2020-12-21), pages 18 - 21 * |
KIM J H 等: "A Detection of Convectively Induced Turbulence Using in Situ Aircraft and Radar Spectral Width Data", 《REMOTE SENSING》 * |
KIM J H 等: "A Detection of Convectively Induced Turbulence Using in Situ Aircraft and Radar Spectral Width Data", 《REMOTE SENSING》, vol. 13, no. 4, 17 February 2021 (2021-02-17), pages 1 - 22 * |
王占海 等: "基于ATG实报的空中颠簸预防管理系统设计", 《工业安全与环保》 * |
王占海 等: "基于ATG实报的空中颠簸预防管理系统设计", 《工业安全与环保》, vol. 46, no. 3, 10 March 2020 (2020-03-10), pages 45 - 48 * |
蔡雪薇 等: "基于湍能耗散率的航空颠簸集成预报方法", 《大气科学》 * |
蔡雪薇 等: "基于湍能耗散率的航空颠簸集成预报方法", 《大气科学》, 5 January 2022 (2022-01-05), pages 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN114385872B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112735094B (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
CN109636032B (zh) | 基于多模式集成的降水预报方法、系统、终端及存储介质 | |
CN108805174A (zh) | 聚类方法及装置 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN111290422B (zh) | 基于颠簸指数的飞行控制方法、装置及飞行器 | |
CN112417734B (zh) | 一种基于风电场地理信息的风速订正方法及装置 | |
CN114611941A (zh) | 一种考虑空间危险性的滑坡灾害评价方法及系统 | |
CN115270705B (zh) | 一种设计规则违例预测方法、装置、设备及存储介质 | |
CN110517154A (zh) | 数据模型训练方法、系统及计算机设备 | |
CN112819064A (zh) | 基于谱聚类的终端区时序气象场景识别方法 | |
CN114385872B (zh) | 一种涡流耗散率预测的方法、装置、电子设备及存储介质 | |
CN112101313B (zh) | 一种机房机器人巡检方法及系统 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN115577597A (zh) | 裂隙通道中溶质超扩散的模拟方法、装置、介质、设备 | |
CN113689526B (zh) | 地图中无效区域的划分方法及装置、电子设备 | |
CN113808015B (zh) | 输电线路区域气象参数的空间插值方法、装置及设备 | |
CN114911788A (zh) | 一种数据插补方法、装置及存储介质 | |
CN114610825A (zh) | 关联网格集的确认方法、装置、电子设备及存储介质 | |
CN109559053B (zh) | 一种基于路径距离的植被可达性度量方法 | |
CN110389947A (zh) | 一种黑名单生成方法、装置、设备及介质 | |
CN117075230B (zh) | 一种降雨数据修正方法、装置、计算机设备及介质 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
CN113742849B (zh) | 类固液飞行器总体设计的变量灵敏度分析方法及装置 | |
CN114372212B (zh) | 一种基于超级计算机的数值气象预报方法和装置 | |
CN114339827B (zh) | 基站经纬度校准方法及装置 |
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 |