CN114594532A - 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 - Google Patents
一种寒潮天气预测方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN114594532A CN114594532A CN202210222268.4A CN202210222268A CN114594532A CN 114594532 A CN114594532 A CN 114594532A CN 202210222268 A CN202210222268 A CN 202210222268A CN 114594532 A CN114594532 A CN 114594532A
- Authority
- CN
- China
- Prior art keywords
- target area
- cold
- characteristic curve
- temperature
- weather
- 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 63
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000013277 forecasting method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种寒潮天气预测方法、装置、电子设备及计算机可读介质。该方法包括:获取目标区域内的多个观测站点在多个预设时间点的温度数据;基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;基于所述特征曲线对所述目标区域的寒潮天气进行识别。本申请涉及的寒潮天气预测方法、装置、电子设备及计算机可读介质,能够排除了人工主观分析的影响,提取温度在时间维度的变化特征,并以此来自动识别寒潮天气,提高了识别速度和准确率。
Description
技术领域
本申请涉及天气预测领域,具体而言,涉及一种寒潮天气预测方法、装置、电子设备及计算机可读介质。
背景技术
寒潮,是一种自然天气现象。指来自高纬度地区的寒冷空气,在特定的天气形势下迅速加强并向中低纬度地区侵入,造成沿途地区大范围剧烈降温、大风和雨雪天气。这种冷空气南侵达到一定标准的就称为寒潮。在秋、冬、春三季均可出现,往往对我国大范围国土产生巨大影响,常伴有大风降温、暴雪、冰冻、沙尘暴等灾害性天气现象,并引发低温、霜冻、积雪凝冻、道路及电线积冰等次生灾害,对人民生命财产甚至社会安定造成巨大而深远的影响,每一次准确预报寒潮过程往往直接服务于数亿人民的工作生活诸多方面。
目前人工预测寒潮的流程如下:具体来说,预报员在500hPa环流形势分析过程中,首先将各个格点的位势高度值在地图上一一标出,然后对位势高度场进行等值线分析,针对不同等值线的走向、弯曲、转折、闭合等情况,分别判断出冷暖空气构成的天气系统性质、位置、强度、移动等信息,在此基础上综合分析出环流形势,这一过程的各个环节均表现出较高的技术要求,客观自动识别存在较大难度。
当前对于寒潮的识别基本上需要通过预报人员的人工操作进行,并根据预报人员的经验分析位势高度、气温、风等气象场资料。由于此操作需要大量的人工解读工作,所以对寒潮的预报存在着很大的个体从差异。目前还有一些技术是对上述操作进行量化和自动识别。但是只是对气象要素的简单处理。目前的技术对寒潮天气预测的准确率低,耗费时间长。
因此,需要一种新的寒潮天气预测方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本申请提供一种寒潮天气预测方法、装置、电子设备及计算机可读介质,能够排除了人工主观分析的影响,提取温度在时间维度的变化特征,并以此来自动识别寒潮天气,提高了识别速度和准确率。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请的一方面,提出一种寒潮天气预测方法,该方法包括:获取目标区域内的多个观测站点在多个预设时间点的温度数据;基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;基于所述特征曲线对所述目标区域的寒潮天气进行识别。
在本申请的一种示例性实施例中,获取目标区域内的多个观测站点在多个预设时间点的温度数据,包括:获取目标区域内的多个观测站点在多个预设时间点的EC的2米温度数据。
在本申请的一种示例性实施例中,基于所述目标区域在所述多个预设时间的平均温度生成特征曲线,包括:将平均温度作为纵轴,将多个预设时间作为横轴,生成时间温度特征曲线;或将平均温度的梯度变化作为纵轴,将多个预设时间作为横轴,生成时间梯度特征曲线。
在本申请的一种示例性实施例中,在所述特征曲线为时间温度特征曲线时,基于所述特征曲线对所述目标区域的寒潮天气进行识别,包括:将所述时间温度特征曲线和多个历史时间温度特征曲线进行相似性匹配;根据相似性匹配的结果对所述目标区域的寒潮天气进行识别。
在本申请的一种示例性实施例中,在所述特征曲线为时间温度特征曲线时,基于所述特征曲线对所述目标区域的寒潮天气进行识别,包括:将所述时间温度特征曲线输入到寒潮识别模型中,生成寒潮概率;在所述寒潮概率大于寒潮阈值时,确定所述目标区域的存在寒潮天气。
在本申请的一种示例性实施例中,在所述特征曲线为时间梯度特征曲线时,基于所述特征曲线对所述目标区域的寒潮天气进行识别,包括:根据所述时间梯度特征曲线生成多维度向量;根据当前所述目标区域的EC预报要素生成要素特征;将所述多维度向量和所述要素特征输入寒潮识别模型中,生成寒潮概率;在所述寒潮概率大于寒潮阈值时,确定所述目标区域的存在寒潮天气。
在本申请的一种示例性实施例中,根据当前所述目标区域的EC预报要素生成要素特征,包括:将当前所述目标区域的EC预报要素输入特征提取模型中以生成要素特征。
在本申请的一种示例性实施例中,将所述多维度向量和所述要素特征输入寒潮识别模型中,包括:将所述多维度向量和所述要素特征进行数据融合,所述数据融合包括拼接或求均值;将融合后的数据输入寒潮识别模型中。
在本申请的一种示例性实施例中,还包括:获取所述目标区域的多个历史寒潮天气和多个历史正常天气的特征曲线;通过多个历史寒潮天气和多个历史正常天气的特征曲线对第一机器学习模型进行训练,所述第一机器学习模型为基于resnet的分类网络模型;在第一机器学习模型的计算结果收敛时,生成所述寒潮识别模型。
在本申请的一种示例性实施例中,还包括:获取所述目标区域的多个EC预报要素;通过多个EC预报要素对第二机器学习模型进行训练,所述第二机器学习模型为基于transformer的神经网络模型;在第二机器学习模型的计算结果收敛时,生成所述特征提取模型。
根据本申请的一方面,提出一种寒潮天气预测装置,该装置包括:温度模块,用于获取目标区域内的多个观测站点在多个预设时间点的温度数据;平均模块,用于基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;曲线模块,用于基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;识别模块,用于基于所述特征曲线对所述目标区域的寒潮天气进行识别。
根据本申请的一方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上文的方法。
根据本申请的一方面,提出一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如上文中的方法。
根据本申请的寒潮天气预测方法、装置、电子设备及计算机可读介质,通过获取目标区域内的多个观测站点在多个预设时间点的温度数据;基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;基于所述特征曲线对所述目标区域的寒潮天气进行识别的方式,能够排除了人工主观分析的影响,提取温度在时间维度的变化特征,并以此来自动识别寒潮天气,提高了识别速度和准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本申请。
附图说明
通过参照附图详细描述其示例实施例,本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种寒潮天气预测方法及装置的系统框图。
图2是根据一示例性实施例示出的一种寒潮天气预测方法的流程图。
图3是根据另一示例性实施例示出的一种寒潮天气预测方法的流程图。
图4是根据另一示例性实施例示出的一种寒潮天气预测方法的流程图。
图5是根据一示例性实施例示出的一种寒潮天气预测装置的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
图7是根据一示例性实施例示出的一种计算机可读介质的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本申请将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本申请所必须的,因此不能用于限制本申请的保护范围。
本申请的发明人认为,能够反映寒潮最根本的要素是温度,所以本申请从温度出发,提取温度在时间维度的变化特征,并用来判定寒潮的发生。排除了人工主观分析的影响,同时提取到的温度变化特征是一种相对稳定的能够反映寒潮的特征,可以用来自动的检测寒潮的发生。
本申请的寒潮天气预测方法通过统计寒潮发生时的EC2米温度变化曲线得出统计特征,根据统计特征判定寒潮的到来。下面借助于具体的实施例对本申请的内容进行详细描述。
图1是根据一示例性实施例示出的一种寒潮天气预测方法及装置的系统框图。
如图1所示,系统架构10可以包括观测站点101、102、103,网络104和服务器105。网络104用以在观测站点101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
观测站点101、102、103通过可网络104与服务器105交互,以接收或发送消息等。观测站点101、102、103上可以安装有各种监测类应用,例如温度监测类应用、湿度监测类应用、风速监测类应用、空气质量监测类应用等等。
观测站点101、102、103可以是具有监测功能并且支持网络数据传输的各种电子设备。
服务器105可以是提供各种服务的服务器,例如对观测站点101、102、103所获取的温度数据提供分析的后台管理服务器。后台管理服务器可以对接收到的温度数据进行分析等处理,并将处理结果(例如是否存在寒潮天气)反馈给管理员。
服务器105可例如获取目标区域内的多个观测站点在多个预设时间点的温度数据;服务器105可例如基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;服务器105可例如基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;服务器105可例如基于所述特征曲线对所述目标区域的寒潮天气进行识别。
服务器105还可例如获取所述目标区域的多个历史寒潮天气和多个历史正常天气的特征曲线;通过多个历史寒潮天气和多个历史正常天气的特征曲线对第一机器学习模型进行训练,所述第一机器学习模型为基于resnet的分类网络模型;在第一机器学习模型的计算结果收敛时,生成所述寒潮识别模型。
服务器105还可例如获取所述目标区域的多个EC预报要素;通过多个EC预报要素对第二机器学习模型进行训练,所述第二机器学习模型为基于transformer的神经网络模型;在第二机器学习模型的计算结果收敛时,生成所述特征提取模型。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,需要说明的是,本申请实施例所提供的寒潮天气预测方法可以由服务器105执行,相应地,寒潮天气预测装置可以设置于服务器105中。而提供给温度监测的应用端一般位于观测站点101、102、103中。
一直以来,寒潮的判定依靠预报员自身的经验,根据EC预报数据判定的得到,本申请的寒潮天气预测方法中提出了一种基于温度变化的特征,该特征能够很好的用以描述寒潮,对于寒潮和正常天气的区分很明显,该特征曲线可以直接用于判定寒潮,同时该特征制作的曲线也可以用于寒潮识别模型进行寒潮的自动分类。更进一步,用本申请的寒潮天气预测方法中的特征可以融合其他EC要素及特征进行寒潮的自动分类。对比判定,极大提高了寒潮分类的稳定性与准确性。
图2是根据一示例性实施例示出的一种寒潮天气预测方法的流程图。寒潮天气预测方法20至少包括步骤S202至S208。
如图2所示,在S202中,获取目标区域内的多个观测站点在多个预设时间点的温度数据。可获取目标区域内的多个观测站点在多个预设时间点的ECC的2米温度数据。
在S204中,基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度。
在S206中,基于所述目标区域在所述多个预设时间的平均温度生成特征曲线。将平均温度作为纵轴,将多个预设时间作为横轴,生成时间温度特征曲线。
在S208中,基于所述特征曲线对所述目标区域的寒潮天气进行识别。将所述时间温度特征曲线和多个历史时间温度特征曲线进行相似性匹配;根据相似性匹配的结果对所述目标区域的寒潮天气进行识别。
在一个具体的实施例中,可获取到当天EC延伸期的2米温度数据。然后计算指定区域内分小时的站点位的温度平均值,假设Xi,i={0,1,2,…,23}为一天的24个小时的制定区域所有温度的平均值。则Xi=average(Tij),j={0,1,2,…,N},N为制定区域内观测站点的位置编号。将Xi画成基于时间变化的曲线,利用曲线对比的方法对曲线进规律性识别,进而判定那些天气发生了寒潮,那些天气没有发生寒潮
根据本申请的寒潮天气预测方法,通过获取目标区域内的多个观测站点在多个预设时间点的温度数据;基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;基于所述特征曲线对所述目标区域的寒潮天气进行识别的方式,能够排除了人工主观分析的影响,提取温度在时间维度的变化特征,并以此来自动识别寒潮天气,提高了识别速度和准确率。
应清楚地理解,本申请描述了如何形成和使用特定示例,但本申请的原理不限于这些示例的任何细节。相反,基于本申请公开的内容的教导,这些原理能够应用于许多其它实施例。
图3是根据另一示例性实施例示出的一种寒潮天气预测方法的流程图。图3所示的流程30是对图2所示的流程的补充描述。
如图3所示,在S302中,获取目标区域内的多个观测站点在多个预设时间点的温度数据。
在S304中,基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度。
在S306中,基于所述目标区域在所述多个预设时间的平均温度生成特征曲线。将平均温度作为纵轴,将多个预设时间作为横轴,生成时间温度特征曲线。
在S308中,将所述时间温度特征曲线输入到寒潮识别模型以进行寒潮天气识别。更具体的可将所述时间温度特征曲线输入到寒潮识别模型中,生成寒潮概率;在所述寒潮概率大于寒潮阈值时,确定所述目标区域的存在寒潮天气。
在一个具体的实施例中,可获取到当天EC延伸期的2米温度数据。然后计算指定区域内分小时的站点位的温度平均值,假设Xi,i={0,1,2,…,23}为一天的24个小时的制定区域所有温度的平均值。则Xi=average(Tij),j={0,1,2,…,N},N为制定区域内观测站点的位置编号。将Xi画成基于时间变化的曲线,然后将温度变化曲线作为一张特征图传入模型进行寒潮分类,最终得到寒潮判定结果。
更具体的,寒潮识别模型可为基于卷积神经网络的模型,例如基于resnet的分类网络。本申请可通过RestNet3D模型构建寒潮识别模型,更具体的,根据训练数据量的大小,可以取18层的或者34层的模型:
在一个实施例中,还包括:获取所述目标区域的多个历史寒潮天气和多个历史正常天气的特征曲线;通过多个历史寒潮天气和多个历史正常天气的特征曲线对第一机器学习模型进行训练,所述第一机器学习模型为基于resnet的分类网络模型;在第一机器学习模型的计算结果收敛时,生成所述寒潮识别模型。
图4是根据另一示例性实施例示出的一种寒潮天气预测方法的流程图。图4所示的流程40是对图2所示的流程的补充描述。
如图4所示,在S402中,获取目标区域内的多个观测站点在多个预设时间点的温度数据。
在S404中,基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度。
在S406中,将平均温度的梯度变化作为纵轴,将多个预设时间作为横轴,生成时间梯度特征曲线。
在S408中,根据所述时间梯度特征曲线生成多维度向量。
在S410中,将当前所述目标区域的EC预报要素输入特征提取模型中以生成要素特征。
在一个实施例中,还包括:获取所述目标区域的多个EC预报要素;通过多个EC预报要素对第二机器学习模型进行训练,所述第二机器学习模型为基于transformer的神经网络模型;在第二机器学习模型的计算结果收敛时,生成所述特征提取模型。
其中,EC要素值特征提取模型,可为卷积神经网络或者基于transformer的神经网络。更进一步的,最终融合特征进入的分类器可采用,MLP或者传统机器学习的分类器,如SVM等实现。EC预报要素可包括:温度、湿度、风速、风向、压强等。
在S412中,将所述多维度向量和所述要素特征输入寒潮识别模型中以识别寒潮天气。将所述多维度向量和所述要素特征进行数据融合,所述数据融合包括拼接或求均值;将融合后的数据输入寒潮识别模型中。
在一个具体的实施例中,可获取到当天EC延伸期的2米温度数据。然后计算指定区域内分小时的站点位的温度平均值,假设Xi,i={0,1,2,…,23}为一天的24个小时的制定区域所有温度的平均值。则Xi=average(Tij),j={0,1,2,…,N},N为制定区域内观测站点的位置编号。
令Yi=Xi+1-Xi,i={0,1,2,…,23}为温度梯度表示温度变化,可以组成关于温度的特征;取当天EC预报要素的数值,或EC预报的数值经过模型提取网络的特征值;将多维度向量和所述要素特征进行数据融合,可为拼接或者求和。将融合后的特征输入进分类模型中进行寒潮的最终分类。
在一个实施例中,可将所述多维度向量和所述要素特征输入寒潮识别模型中,生成寒潮概率;在所述寒潮概率大于寒潮阈值时,确定所述目标区域的存在寒潮天气。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本申请提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图5是根据一示例性实施例示出的一种寒潮天气预测装置的框图。如图5所示,寒潮天气预测装置50包括:温度模块502,平均模块504,曲线模块506,识别模块508。
温度模块502用于获取目标区域内的多个观测站点在多个预设时间点的温度数据;曲线模块506,识别模块508。
平均模块504用于基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;
曲线模块506用于基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;
识别模块508用于基于所述特征曲线对所述目标区域的寒潮天气进行识别。
根据本申请的寒潮天气预测装置,通过获取目标区域内的多个观测站点在多个预设时间点的温度数据;基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;基于所述特征曲线对所述目标区域的寒潮天气进行识别的方式,能够排除了人工主观分析的影响,提取温度在时间维度的变化特征,并以此来自动识别寒潮天气,提高了识别速度和准确率。
图6是根据一示例性实施例示出的一种电子设备的框图。
下面参照图6来描述根据本申请的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元610执行,使得所述处理单元610执行本说明书中描述的根据本申请各种示例性实施方式的步骤。例如,所述处理单元610可以执行如图2,图3,图4中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备600’(例如键盘、指向设备、蓝牙设备等)通信,使得用户能与该电子设备600交互的设备通信,和/或该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,如图7所示,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如下功能:获取目标区域内的多个观测站点在多个预设时间点的温度数据;基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;基于所述特征曲线对所述目标区域的寒潮天气进行识别。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。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。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本申请实施例的方法。
以上具体地示出和描述了本申请的示例性实施例。应可理解的是,本申请不限于这里描述的详细结构、设置方式或实现方法;相反,本申请意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (13)
1.一种寒潮天气预测方法,其特征在于,包括:
获取目标区域内的多个观测站点在多个预设时间点的温度数据;
基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;
基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;
基于所述特征曲线对所述目标区域的寒潮天气进行识别。
2.如权利要求1所述的方法,其特征在于,获取目标区域内的多个观测站点在多个预设时间点的温度数据,包括:
获取目标区域内的多个观测站点在多个预设时间点的EC数据中2米温度数据。
3.如权利要求1所述的方法,其特征在于,基于所述目标区域在所述多个预设时间的平均温度生成特征曲线,包括:
将平均温度作为纵轴,将多个预设时间作为横轴,生成时间温度特征曲线;或
将平均温度的梯度变化作为纵轴,将多个预设时间作为横轴,生成时间梯度特征曲线。
4.如权利要求1所述的方法,其特征在于,在所述特征曲线为时间温度特征曲线时,基于所述特征曲线对所述目标区域的寒潮天气进行识别,包括:
将所述时间温度特征曲线和多个历史时间温度特征曲线进行相似性匹配;
根据相似性匹配的结果对所述目标区域的寒潮天气进行识别。
5.如权利要求1所述的方法,其特征在于,在所述特征曲线为时间温度特征曲线时,基于所述特征曲线对所述目标区域的寒潮天气进行识别,包括:
将所述时间温度特征曲线输入到寒潮识别模型中,生成寒潮概率;
在所述寒潮概率大于寒潮阈值时,确定所述目标区域的存在寒潮天气。
6.如权利要求1所述的方法,其特征在于,在所述特征曲线为时间梯度特征曲线时,基于所述特征曲线对所述目标区域的寒潮天气进行识别,包括:
根据所述时间梯度特征曲线生成多维度向量;
根据当前所述目标区域的EC预报要素生成要素特征;
将所述多维度向量和所述要素特征输入寒潮识别模型中,生成寒潮概率;
在所述寒潮概率大于寒潮阈值时,确定所述目标区域的存在寒潮天气。
7.如权利要求6所述的方法,其特征在于,根据当前所述目标区域的EC预报要素生成要素特征,包括:
将当前所述目标区域的EC预报要素输入特征提取模型中以生成要素特征。
8.如权利要求6所述的方法,其特征在于,将所述多维度向量和所述要素特征输入寒潮识别模型中,包括:
将所述多维度向量和所述要素特征进行数据融合,所述数据融合包括拼接或求均值;
将融合后的数据输入寒潮识别模型中。
9.如权利要求5或6所述的方法,其特征在于,还包括:
获取所述目标区域的多个历史寒潮天气和多个历史正常天气的特征曲线;
通过多个历史寒潮天气和多个历史正常天气的特征曲线对第一机器学习模型进行训练,所述第一机器学习模型为基于resnet的分类网络模型;
在第一机器学习模型的计算结果收敛时,生成所述寒潮识别模型。
10.如权利要求7所述的方法,其特征在于,还包括:
获取所述目标区域的多个EC预报要素;
通过多个EC预报要素对第二机器学习模型进行训练,所述第二机器学习模型为基于transformer的神经网络模型;
在第二机器学习模型的计算结果收敛时,生成所述特征提取模型。
11.一种寒潮天气预测装置,其特征在于,包括:
温度模块,用于获取目标区域内的多个观测站点在多个预设时间点的温度数据;
平均模块,用于基于所述多个观测站点在多个预设时间点的温度数据生成所述目标区域在所述多个预设时间的平均温度;
曲线模块,用于基于所述目标区域在所述多个预设时间的平均温度生成特征曲线;
识别模块,用于基于所述特征曲线对所述目标区域的寒潮天气进行识别。
12.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210222268.4A CN114594532B (zh) | 2022-03-09 | 2022-03-09 | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210222268.4A CN114594532B (zh) | 2022-03-09 | 2022-03-09 | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114594532A true CN114594532A (zh) | 2022-06-07 |
CN114594532B CN114594532B (zh) | 2024-06-14 |
Family
ID=81808434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210222268.4A Active CN114594532B (zh) | 2022-03-09 | 2022-03-09 | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114594532B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640467A (zh) * | 2022-10-19 | 2023-01-24 | 中科三清科技有限公司 | 确定天气状态的方法、特征数据库构建方法和装置 |
CN117631090A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011127313A1 (en) * | 2010-04-08 | 2011-10-13 | Energyresource Management Corp | Energy-saving measurement, adjustment and monetization system and method |
JP2016142555A (ja) * | 2015-01-30 | 2016-08-08 | 中国電力株式会社 | 気温予測システム、気温予測方法およびプログラム |
KR20160144814A (ko) * | 2015-06-09 | 2016-12-19 | 대한민국(기상청장) | 격자 기반 기상정보 제공 시스템 및 방법 |
CN107577916A (zh) * | 2017-10-11 | 2018-01-12 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
KR20200068055A (ko) * | 2018-11-26 | 2020-06-15 | 디토닉 주식회사 | 도로 노면 상태 예측 방법 및 시스템 |
CN111414991A (zh) * | 2020-02-21 | 2020-07-14 | 中国人民解放军国防科技大学 | 一种基于多元回归的气象锋面自动识别方法 |
CN112285807A (zh) * | 2019-11-12 | 2021-01-29 | 北京嘉韵楷达气象科技有限公司 | 一种气象信息预测方法及装置 |
CN112308281A (zh) * | 2019-11-12 | 2021-02-02 | 北京嘉韵楷达气象科技有限公司 | 一种温度信息预测方法及装置 |
US20210215848A1 (en) * | 2020-01-14 | 2021-07-15 | ZineOne, Inc. | Network weather intelligence system |
-
2022
- 2022-03-09 CN CN202210222268.4A patent/CN114594532B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011127313A1 (en) * | 2010-04-08 | 2011-10-13 | Energyresource Management Corp | Energy-saving measurement, adjustment and monetization system and method |
JP2016142555A (ja) * | 2015-01-30 | 2016-08-08 | 中国電力株式会社 | 気温予測システム、気温予測方法およびプログラム |
KR20160144814A (ko) * | 2015-06-09 | 2016-12-19 | 대한민국(기상청장) | 격자 기반 기상정보 제공 시스템 및 방법 |
CN107577916A (zh) * | 2017-10-11 | 2018-01-12 | 中国科学院寒区旱区环境与工程研究所 | 基于区域的冻土指数确定方法及电子设备 |
KR20200068055A (ko) * | 2018-11-26 | 2020-06-15 | 디토닉 주식회사 | 도로 노면 상태 예측 방법 및 시스템 |
CN112285807A (zh) * | 2019-11-12 | 2021-01-29 | 北京嘉韵楷达气象科技有限公司 | 一种气象信息预测方法及装置 |
CN112308281A (zh) * | 2019-11-12 | 2021-02-02 | 北京嘉韵楷达气象科技有限公司 | 一种温度信息预测方法及装置 |
CN111178635A (zh) * | 2019-12-31 | 2020-05-19 | 上海眼控科技股份有限公司 | 天气预报方法、装置、计算机设备和计算机可读存储介质 |
US20210215848A1 (en) * | 2020-01-14 | 2021-07-15 | ZineOne, Inc. | Network weather intelligence system |
CN111414991A (zh) * | 2020-02-21 | 2020-07-14 | 中国人民解放军国防科技大学 | 一种基于多元回归的气象锋面自动识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640467A (zh) * | 2022-10-19 | 2023-01-24 | 中科三清科技有限公司 | 确定天气状态的方法、特征数据库构建方法和装置 |
CN117631090A (zh) * | 2024-01-25 | 2024-03-01 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
CN117631090B (zh) * | 2024-01-25 | 2024-05-14 | 南京信息工程大学 | 一种寒潮识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114594532B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN107728234B (zh) | 一种基于大气电场数据的雷电强度值预测方法 | |
US11689154B2 (en) | Systems and methods for distributed-solar power forecasting using parameter regularization | |
CN114594532B (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
US20180306762A1 (en) | Automatic siting for air quality monitoring stations | |
Hong et al. | Basis for recommending an update of wind velocity pressures in Canadian design codes | |
CN110189026B (zh) | 空气质量改善措施的评估方法及装置、介质、电子设备 | |
US8670782B2 (en) | Systems and methods for analyzing spatiotemporally ambiguous events | |
CN107463950B (zh) | 一种基于外部气象环境影响的接触网故障预测方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN117518299B (zh) | 一种分类强对流临近概率预报方法、系统、设备及终端 | |
CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
Rezaei et al. | A probabilistic framework based on statistical learning theory for structural reliability analysis of transmission line systems | |
Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
CN113962465A (zh) | 降水预报方法、设备、装置及存储介质 | |
CN112541636A (zh) | 输电线路覆冰风险预警方法、装置、介质和电子设备 | |
Doostan et al. | Predicting lightning-related outages in power distribution systems: A statistical approach | |
CN117172554A (zh) | 覆冰灾害风险预测方法、装置、设备及存储介质 | |
Lu et al. | An integrated damage modeling and assessment framework for overhead power distribution systems considering tree-failure risks | |
JP5931830B2 (ja) | 停電戸数予測装置、停電戸数予測方法およびプログラム | |
Sharma et al. | Forecasting weather‐related power outages using weighted logistic regression | |
Hou et al. | Modeling the resilience of power distribution systems subjected to extreme winds considering tree failures: An integrated framework | |
JP2003090887A (ja) | 落雷による瞬時電圧低下予測システムおよび予測方法 | |
CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 |
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 |