CN115169592A - 能见度预测方法、装置、存储介质及计算机设备 - Google Patents
能见度预测方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN115169592A CN115169592A CN202210772191.8A CN202210772191A CN115169592A CN 115169592 A CN115169592 A CN 115169592A CN 202210772191 A CN202210772191 A CN 202210772191A CN 115169592 A CN115169592 A CN 115169592A
- Authority
- CN
- China
- Prior art keywords
- visibility
- target
- state
- predicted
- sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 39
- 230000007704 transition Effects 0.000 claims description 29
- 238000012937 correction Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Biochemistry (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Atmospheric Sciences (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ecology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种能见度预测方法,该方法包括:获取目标气象数据;将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,该能见度预测模型为基于极端梯度提升算法训练得到;结合前序状态确定第一预测能见度对应的目标状态;基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。本方法可以结合能见度在真实天气中的变化状态,对能见度预测模型输出的能见度的预测值进行修正,进而有效提高能见度预测的精确性。
Description
技术领域
本申请涉及数据挖掘技术领域,更具体地,涉及一种能见度预测方法、装置、存储介质及计算机设备。
背景技术
能见度(Visibility)是指视力正常的人,在当前天气条件下能够将目标物从背景中识别出来的最大距离。能见度是了解大气的稳定性和垂直结构的天气指标,而且是保护交通运输安全的一个极为重要的因素。测量大气能见度一般可用目测的方法,也可以使用大气透射仪、激光能见度自动测量仪等测量仪器测量。
现阶段对于能见度的预测方法主要包括天气图分析、数值模型预报、统计预报等。随着人工智能(Artificial Intelligence)技术的快速发展,使得大多数的能见度预测方法引入深度神经网络(Deep Neural Networks,DNN)。然而,能见度容易受到气象因子、环境因子和人类活动等影响,仅靠DNN无法做到对能见度进行精确地预测。
发明内容
本申请实施例提供一种能见度预测方法、装置、存储介质以及计算机设备。旨在提升能见度预测的精确性。
一方面,本申请实施例提供一种能见度预测方法,该方法包括:获取目标气象数据;将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,能见度预测模型为基于极端梯度提升算法训练得到;结合前序状态确定第一预测能见度对应的目标状态;基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。
另一方面,本申请实施例还提供一种能见度预测装置,该装置包括:获取模块,用于获取目标气象数据;预测模块,用于将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,能见度预测模型为基于极端梯度提升算法训练得到;确定模块,用于结合前序状态确定第一预测能见度对应的目标状态;修正模块,用于基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。
另一方面,本申请实施例还提供一种计算机设备,该计算机设备包括处理器以及存储器,存储器存储有计算机程序指令,计算机程序指令被处理器调用时执行上述的能见度预测方法。
另一方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有程序代码,其中,在所述程序代码被处理器运行时执行上述的能见度预测方法。
另一方面,本申请实施例还提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在存储介质中。计算机设备的处理器从存储介质读取所述计算机指令,处理器执行所述计算机指令,使得所述计算机执行上述能见度预测方法中的步骤。
本申请提供的一种能见度预测方法,可以获取目标气象数据,并将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,该能见度预测模型为基于极端梯度提升算法训练得到,进一步地,结合前序状态确定第一预测能见度对应的目标状态,并基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。如此,结合能见度在真实天气中的变化状态,根据能见度对应的目标状态对能见度预测模型输出的预测值进行修正,从而得到精确度更高的能见度预测值。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的一种能见度预测方法的系统架构示意图。
图2示出了本申请实施例提供的一种能见度预测方法的流程示意图。
图3示出了本申请实施例提供的另一种能见度预测方法的流程示意图。
图4示出了本申请实施例提供的一种影响能见度预测的气象特征对比图。
图5示出了本申请实施例提供的一种能见度预测结果的比较图。
图6示出了本申请实施例提供的一种能见度预测误差的比较图。
图7示出了本申请实施例提供的另一种能见度预测结果的比较图。
图8示出了本申请实施例提供的另一种能见度预测误差的比较图。
图9示出了本申请实施例提供的一种能见度预测方法的流程图。
图10示出了本申请实施例提供的一种能见度预测装置的模块框图。
图11示出了本申请实施例提供的一种计算机设备的模块框图。
图12示出了本申请实施例提供的一种计算机可读存储介质的模块框图。
具体实施方式
下面详细描述本申请的实施方式,实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性地,仅用于解释本申请,而不能理解为对本申请的限制。
在说明书、权利要求书和上述附图所描述的一些流程中,包含了按照特定顺序出现的多个步骤,但应该清楚了解,这些步骤可以不按照其在本文中出现的顺序来执行或并行执行,步骤序号仅仅是用于区分开各个不同的步骤,序号本身不代表任何的执行顺序。此外,本文中的“第一”和“第二”等描述,是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
为了使本技术领域的人员更好地理解本申请的方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
能见度是反映大气透明度的一个重要指标,标准定义为具有正常视力的人在当时的天气条件下还能够看清楚目标轮廓的最大距离。能见度和当时的天气情况密切相关,当出现降雨、雾、霾、沙尘暴等天气过程时,大气透明度较低,能见度较差。经济迅速发展的时代背景下,大气能见度带来的影响日益明显。
例如,因为人们没有提前预知能见度,所以在能见度过低的天气发生了很多的重大交通事故,虽然我们无法避免恶劣天气因素的发生,但对危险情况的提前预测同样可以带来很大的安全保障,尤其是对雾天能见度的监测,可以极大程度的减少交通事故发生的概率。
由于气象因子、环境因子、地形和人类活动对能见度都有一定的影响,现阶段对于能见度的预测主要有天气图分析、数值模型预报、统计预报等方法。天气图分析是指其气象员根据气象资料进行综合评定,该方法的缺点是不够客观和定量。数值预报模型是一种基于机理模型的预报方法,该模型要求能真实地描述大气,存在初始筛选问题,使得在预报结果上存在一定的不确定性。
统计预报模型通过筛选出与能见度相关性较强的气象因子,使用深度学习(DeepLearning)和机器学习(Machine Learning)等技术建立气象因子与能见度之间相对应的定量关系是目前常用的能见度预测方法,然而,这种方法仅能较好地用于部分观测时长且样本数据完整的条件下,由于影响能见度预测的因素有很多,这就难以保证能见度预测的精确性。
为了解决上述问题,发明人经过长期研究,提出了本申请实施例提供的能见度预测方法,该方法可以获取目标气象数据,并将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,该能见度预测模型为基于极端梯度提升算法训练得到,进一步地,结合前序状态确定第一预测能见度对应的目标状态,并基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。如此,通过对能见度预测模型输出的能见度的预测值进行修正,从而得到精确度更高的能见度预测值。
下面先对本申请所涉及到的能见度预测方法的系统的架构进行介绍。
如图1所示,本申请实施例提供的能见度预测方法可以应用在系统300中,数据采集设备320用于采集训练数据。针对本申请实施例的能见度预测方法来说,训练数据可以包括用于训练的气象训练数据以及能见度训练值。在采集到训练数据之后,数据采集设备320可以将这些训练数据存入数据库340,训练设备360基于数据库340中维护的训练数据训练得到目标模型301。
训练设备360基于输入的气象训练数据对预设的神经网络进行训练,直至预设的神经网络满足预设条件,得到训练后的目标模型301。其中,预设条件可以为:目标损失函数的总损失值小于预设值、目标损失函数的总损失值不再变化、或者训练次数达到预设次数等。
上述目标模型301能够用于实现本申请实施例的能见度预测方法。本申请实施例中的目标模型301具体可以为深度神经网络模型。需要说明的是,在实际的应用中,数据库340中维护的训练数据不一定都来自于数据采集设备320的采集,也有可能是从其他设备接收得到的。另外需要说明的是,训练设备360也不一定完全基于数据库340维护的训练数据进行目标模型301的训练,也有可能从云端或其他地方获取训练数据进行模型训练,上述描述不应该作为对本申请实施例的限定。
根据训练设备360训练得到的目标模型301可以应用于不同的系统或设备中,如应用于图1所示的执行设备310,所述执行设备310可以是终端,如手机终端,平板电脑,笔记本电脑,增强现实(Augmented Reality,AR)AR/虚拟现实(Virtual Reality,VR)等,还可以是服务器或者云端等。
在图1中,执行设备310可以用于与外部设备进行数据交互,例如,用户可以使用客户设备330通过网络向执行设备310输入数据。输入数据在本申请实施例中可以包括:客户设备输入的目标气象数据。在执行设备310对输入数据进行预处理,或者在执行设备310的计算模块312执行计算等相关的处理过程中,执行设备310可以调用数据存储系统350中的数据、代码等以用于相应的计算处理,也可以将相应计算处理得到的数据、指令等存入数据存储系统350中。
最后,执行设备310将处理结果,例如,目标模型301生成的第一预测能见度进行修正处理后,通过网络返回给客户设备330,从而提供给用户。值得说明的是,训练设备360可以针对不同的目标或不同的任务,基于不同的训练数据生成相应的目标模型301,该相应的目标模型301即可以用于实现上述目标或或者完成上述任务,从而为用户提供所需的结果。
可选地,图1所示的系统可以为Client-Server(C/S)系统架构,执行设备310可以为服务端(如,云服务器),客户设备330可以为客户端(如,笔记本电脑)。用户可以利用笔记本电脑中的能见度预测软件,通过网络上传目标气象数据至云服务器,云服务器在接受到目标气象数据时,利用目标模型301进行能见度预测生成多个预测能见度,并对该预测能见度进行修正处理得到目标预测值,进而将目标预测值返回至笔记本电脑,进而用户即可在能见度预测软件上获取目标气象数据对应的目标预测值。
值得注意的是,图1仅是本申请实施例提供的一种系统架构的示意图,本申请实施例描述的系统架构和应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定。例如,图1中的数据存储系统350相对执行设备310是外部存储器,其它情况,也可以将数据存储系统350置于执行设备310中。本领域普通技术人员可知,随着系统架构的演变和新的应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
请参阅图2,图2示出了本申请一个实施例提供的能见度预测方法的流程示意图。在具体的实施例中,所述能见度预测方法应用于如图10所示的能见度预测装置400以及配置有能见度预测装置400的计算机设备500(图11)。
下面将以计算机设备为例,说明本实施例的具体流程,可以理解的是,本实施例所应用的计算机设备可以为服务器或者终端等,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、区块链以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。所述能见度预测方法具体可以包括以下步骤:
步骤S110:获取目标气象数据。
本申请实施例中的气象数据指的是反映天气的一组数据,气象数据可以至少包括气温、气压、风速、风向、降水量以及相对湿度等,在此不做限定。为了预测某地区的能见度而采集的气象数据即为目标气象数据。
作为一种实施方式,当需要对某地区的能见度进行预测时,可以通过气象部门获取目标气象数据。可选地,通过预先设置的用于采集气象数据的传感器,获取目标气象数据,例如,在目标区域的不同地理位置,安装温度传感器,用于实时采集该地理位置对应的温度值。
步骤S120:将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度。
计算机设备在获取到目标气象数据时,可以将目标气象数据如至预先训练的能见度预测模型,以便生成该目标气象数据对应的能见度的预测值,也即第一预测能见度。其中,第一预测能见度作为能见度预测过程的一个中间值,可以对第一预测能见度进行修正来获取最终的能见度的目标预测值。
在本申请实施例中,能见度预测模型为基于极端梯度提升算法(eXtremeGradient Boosting,XGBoost)训练得到。其中,XGBoost是在Gradient Boosting框架下实现机器学习算法。XGBoost提供并行树提升(也称为GBDT,GBM),可以快速准确地对能见度进行预测。
作为一种实施方式,在获取目标气象数据之后,可以先对该目标气象数据进行预处理。可选地,可以对目标气象数据进行缺失值处理和异常值处理。例如,可以对气温中的缺失值进行定值填充。进一步地,将预处理后得到的气象数据输入至能见度预测模型,进行能见度预测模型可以基于该气象数据进行能见度的推理,计算并输出第一预测能见度。
步骤S130:结合前序状态确定第一预测能见度对应的目标状态。
考虑到仅靠神经网络模型进行能见度预测的方法存在预测结果不确定性的问题,为此,本申请基于马尔可夫链(Markov Chain,MC)的性质,对神经网络模型,也即能见度预测模型预测出的能见度进行修正,以得到精确的能见度预测值。
其中,马尔可夫链为一个状态空间从当前状态序列转移到另一个状态的随机过程,根据马尔可夫链的原理,事件在当前状态(目标状态)的概率分布本身只能由上一个状态(前序状态)的事件决定,由于能见度预测过程中不同时间的能见度在时间序列上会有相关性,所以,可以结合能见度在真实天气中变化状态的随机过程,通过第一预测能见度对应的目标状态,对第一预测能见度进行残差修正。
在一些实施例中,该结合前序状态确定第一预测能见度对应的目标状态的步骤可以包括:
(1)获取能见度残差序列。
其中,能见度残差序列是由多个能见度残差组成的数值序列。能见度残差为能见度预测模型的输出的值与真实的能见度值之间的相对残差。能见度残差序列的计算是在对目标气象数据进行能见度预测前就预先计算得出的。
作为一种实施方式,该获取能见度残差序列的步骤可以包括:
(1.1)获取校正数据集。
(1.2)将每组待测气象数据输入至能见度预测模型,得到每组待测气象数据对应的第二预测能见度。
(1.3)根据能见度真实值以及第二预测能见度,确定能见度残差序列。
其中,校正数据集包括多组待预测的气象数据。每组待预测的气象数据都可以至少包括气温、风速、降水量等,每组待预测的气象数据关联有能见度真实值。校正数据集中待预测的气象数据的组数可以根据实际应用场景结合实验进行调整。
具体地,可以预先获取校正数据集,并将校正数据集中的每组待测气象数据输入至能见度预测模型,得到每组待预测的气象数据对应的能见度的预测值,也即第二预测能见度,进而根据能见度真实值以及第二预测能见度可以确定能见度残差序列。
例如,从当地气象部门提供的气象数据库中获取当前区域连续的多个时刻对应的气象数据组成校正数据集G={g1,g2,g3,…,gn},gn为一组气象数据,以及每组气象数据对应的能见度真实值H={h1,h2,h3,…,hn},hn为气象数据gn对应的能见度真实值,其中,n为气象数据的组数,n∈N*。
进一步地,将每组待预测的气象数据{g1,g2,g3,…,gn}分别输入能见度预测模型,得到每组待预测的气象数据对应的第二预测能见度进而可以对每个能见度真实值与对应的第二预测能见度进行残差计算,确定能见度残差序列。例如,第i组气象数据有相对残差进而对n组气象数据的相对残差Δ进行排序,得到能见度残差序列{Δ1,…,Δm-1,Δm},m=n&m∈N*。
(2)根据能见度残差序列确定第一序列状态、第二序列状态以及第三序列状态。
其中,序列状态为能见度残差在马尔可夫链的状态空间中的一个状态。第一序列状态、第二序列状态以及第三序列状态依次连接。
作为一种实施方式,在获取能见度残差序列后,可以根据黄金分割法将能见度残差序列划分为三个区间,并将划分出的三个区间分别确定为第一序列状态、第二序列状态以及第三序列状态。
例如,给定能见度残差序列{Δ1,…,Δα,…,Δβ,…,Δγ},其中,能见度残差的数值大小关系为:Δ1<Δα<Δβ<Δγ。可以将能见度残差序列的区间[Δ1,Δα]作为第一序列状态E1,将能见度残差序列的区间[Δα,Δβ]作为第二序列状态E2,将能见度残差序列的区间[Δβ,Δγ]作为第三序列状态E3。
(3)根据第一序列状态、第二序列状态以及第三序列状态,结合前序状态确定第一预测能见度对应的目标状态。
由于某一时刻状态转移的概率只依赖于这个时刻的前一个状态,若能求出状态空间中任意两个状态之间的转换概率,就可以确定该马尔可夫链模型,进而确定目标状态。
作为一种实施方式,该根据第一序列状态、第二序列状态以及第三序列状态,结合前序状态确定第一预测能见度对应的目标状态的步骤可以包括:
(3.1)根据第一序列状态、第二序列状态以及第三序列状态,获取状态转移矩阵。
(3.2)获取前序状态。
(3.3)根据状态转移矩阵以及前序状态,确定第一预测能见度对应的目标状态。
其中,状态转移是指客观事物由一种状态转移到另一种状态的概率,在本申请实施例中,三个序列状态之间状态转移的概率所组成的矩阵即为状态转移矩阵。前序状态为目标状态前序相邻的序列状态。
具体地,可以通过统计两两序列状态之间转移的次数来确定两个序列状态之间的转移概率,例如,Pij表示序列状态Ei至序列状态Ej的转移概率,转移概率Pij的计算公式如下:
其中,Cij表示两个相邻周期之间从序列状态Ei至序列状态Ej的访问频率,Ci表示两个相邻周期之间从序列状态Ei开始移动的状态数量。如此,可以根据第一序列状态E1、第二序列状态E2以及第三序列状态E3,确定出状态转移矩阵P:
进一步地,获取前序状态Eprior,需要说明的是,序列状态的初始状态可以由初始化得到,因此,在通过多次的转移状态的计算后可以得到前序状态Eprior。进而根据前序状态Eprior和状态转移矩阵P可以求出前序状态到下一状态Enext的概率,并根据概率值得大小确定下一状态Enext所处的序列状态是第一序列状态E1、第二序列状态E2以及第三序列状态E3中的哪一个。例如,当下一状态Enext为第一序列状态E1时,可以将第一序列状态E1作为目标状态。
步骤S140:基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。
为了对第一预测能见度进行修正来获取精确度的能见度,可以通过目标状态对应的残差区间的上下限值对第一预测能见度进行修正处理。
作为一种实施方式,该基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值的步骤可以包括:
(1)获取目标状态对应的残差区间。
(2)根据残差区间,获取上限残差值以及下限残差值。
(3)基于第一预测能见度、上限残差值以及下限残差值,计算出目标气象数据对应的目标预测值。
具体地,可以确定目标状态对应的残差区间[Δmin,Δmax],并确定出该残差区间的上限残差值Δmax以及下限残差值Δmin,进一步地,利用该上限残差值Δmax以及下限残差值Δmin以及第一预测能见度yforecast计算出目标气象数据对应的目标预测值yfinal,计算公式如下:
例如,若确定了目标状态为第二序列状态E2,则可以确定第二序列状态E2对应的能见度残差序列的残差区间为[Δα,Δβ],进一步地,可以确定下限残差值为Δα,以及上限残差值为Δβ,进而根据下限残差值为Δα,以及上限残差值为Δβ计算第一预测能见度对应的目标预测值
本申请实施例中,可以获取目标气象数据,并将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,该能见度预测模型为基于极端梯度提升算法训练得到,进一步地,结合前序状态确定第一预测能见度对应的目标状态,并基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。如此,通过对能见度预测模型输出的能见度的预测值进行修正,从而得到精确度更高的能见度预测值。
结合上述实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该能见度预测装置具体集成在计算机设备中为例进行说明。
如图3所示,图3示意性地示出本申请实施例提供的另一种能见度预测方法,该能见度预测方法可以包括以下步骤:
步骤S210:计算机设备获取训练数据集。
本申请实施例中提供的能见度预测方法包括对预设能见度预测网络的训练,值得说明的是,对预设能见度预测网络的训练可以是根据获取的训练样本数据集合预先进行的,后续在每次需要进行能见度预测时,可以利用训练得到的能见度预测模型直接计算,而无需每次进行能见度预测时,再次进行网络训练。
通常,能见度的大小会由当地气候的决定,考虑到纬度和地形会使不同地区所具有的气候存在较大差异,而气候的差异也会导致能见度的预测出现差异。例如,远处有较高大的目标(高大山脉之类),当中间没有遮拦物时,低海拔地区的人可将其与背景分辨出来,分辨距离一般在120公里以上,而在高原地区这个距离更大,200公里远的山脉依然清晰明朗。这是因为高海拔地区的较大压强对能见度的影响较大,除了压强外,能降度还会受到风向以及气温等气候特征的影响。
为此,本申请在训练能见度预测模型的过程中会确定需要进行能见度预测的目标地理位置,并确定该地理位置中对能见度预测有影响的气候特征,进而根据该气象特征有针对性地训练出适用于该地区进行能见度预测的能见度预测模型,从而提高能见度预测的精确性。
作为一种实施方式,该计算机设备获取训练数据集的步骤可以包括:
(1)计算机设备确定目标地理位置。
(2)计算机设备根据目标地理位置确定气象特征。
(3)计算机设备根据气象特征,获取气象训练数据以及能见度训练值。
(4)计算机设备将气象训练数据以及能见度训练值作为训练数据集。
其中,目标地理位置指的是进行能见度预测的所在地区。气象特征可以包括气压、气温、风向、降水、相对湿度和风速等。气象训练数据也即作为模型训练时所用的气象特征对应的数据。能见度训练值为气象训练数据对应的真实的能见度(Ground-Truth)。
示例性地,计算机设备可以利用定位系统确定出目标地理位置,并根据目标地理位置确定气象特征,具体地,可以通过预训练的方式,采集多个气象特征的数据,并分析出对该目标地理位置的能见度影响最大的预定数量的气象特征。进而计算机设备根据气象特征,可以获取气象训练数据以及能见度训练值,并将气象训练数据x以及能见度训练值作为训练数据集i表示第i个样本。
例如,计算机设备可以利用北斗卫星系统(BeiDou Navigation SatelliteSystem,BDS)确定出目标地理位置为A地区(可包括A地区的地理坐标),从而确定A地区的多个气象特征包括气压、风向、风速、降水、相对湿度以及气温。进而获取A地区气压值、风向值、风速值、降水量、湿度值以及气温值。
进一步地,计算机设备分别利用气压值、风向值、风速值、降水量、湿度值以及气温值进行能见度模型的预训练,预训练可以直接使用极端梯度提升算法,通过对比实验,分析出能见度的气象特征,例如,计算出在不同气象特征下预测的能见度与真实能见度的差值,并更加差值大小确定出不同气象特征对能见度预测的影响度。
请参阅图4,图4示出了一种影响能见度预测的气象特征对比图。从图4的影响度可以看出,气压、温度、风向以及降水量对能见度的预测具有较大的影响,从而可以将气压、温度、风向以及降水量作为气象特征。
进一步地,计算机设备可以根据气压、温度、风向以及降水,获取气压值、温度值、风向值以及降水量作为气象训练数据,并同时获取A地区真实的能见度作为能见度训练值,并将气象训练数据以及能见度训练值作为训练数据集。
步骤S220:计算机设备将气象训练数据输入至预设能见度预测网络,得到第三预测能见度。
步骤S230:计算机设备根据第三预测能见度以及能见度训练值,确定目标损失函数。
作为一种实施方式,可以利用极端梯度提升算法对预设能见度预测网络进行训练,具体地,预设能见度预测网络的训练过程包括寻找最佳分裂,为叶子节点赋予标签值以及递归树的构建。其中,第三预测能见度在极端梯度提升算法中为每次预测的能见度和真实的能见度之间的差值。
可选地,寻找最佳分裂的目标可以是最小化基尼系数(Gini Coefficient),基尼系数的表示公式如下:
其中,NL表示分裂后左子节点的训练样本,NL,i表示左子节点中第i类样本;NR表示分裂后右子节点的训练样本,NR,i表示右子节点中第i类样本。
可选地,寻找最佳分裂的目标也可以是优化最大化误差的下降值,误差表示公式如下:
通过计算公式中的误差下降值F,取使误差下降值最大的特征分量值作为最佳分裂阈值。可选地,叶节点的设定为此节点的训练集当中出现概率最大的对应的类别,叶子节点也可以为训练样本标签值(真实的能见度)的均值。
可选地,在递归树的构建过程中,对于树的集合,模型表示公式如下:
其中,T表示回归树的集合,t表示集合中的一颗回归树。极端梯度提升算法核心思想是每次更新预设能见度预测网络在上一轮模型损失函数的梯度负方向上,将当前预设能见度预测网络的预测值作为残差的近似值,完成回归树的构建,具体步骤如下:
(1)学习方法:每次加入一颗新树到基础预设能见度预测网络中形成新的预设能见度预测网络,并将新的预设能见度预测网络作为下次学习的基础预设能见度预测网络,直至预设能见度预测网络训练完毕。计算公式如下:
…
(2)学习目标:找到一颗回归树使目标函数最小。计算公式如下:
其中,C为常数。
(3)对于生成的目标函数采用二阶泰勒展开式定义一个近似的目标函数,新的目标函数为:
(4)回归树的分解:对Obj(t)中加入的回归树f的定义作分解,把每棵树定义为树结构和叶子权重两个部分。
ft(x)=wq(x),w∈R,q:∈R
其中,w表示回归树叶子的权重向量函数,q表示树的结构函数。
其中,γT表示叶子数,复杂度的第二部分表示w的L2模平方。最终Obj(t)所表示的目标函数更新为:
除常数项后得到如下最终的目标函数公式:
其中,I定义为每个叶子上面样本集合:Ij={i|q(xi)=j}。
(6)最终的目标函数公式包含了T个单变量二次函数,且函数之间是相互独立的。假设已知树的结构函数q,通过上面的目标函数根据牛顿法求解出最好的w,以及最好的w所对应的目标函数的最大增益。w的计算公式为:
(7)寻找最佳分裂点。将wj的最优解带入最终的目标函数,得到只包含结构函数q的损失函数:
Obj是对决策树结构的一个度量,通过不断的优化模型求取其最小值。寻找最佳分裂的目标是使得损失函数的下降值最大化,决策树在分裂时,增益计算公式如下:
步骤S240:计算机设备根据极端梯度提升算法,基于目标损失函数对预设能见度预测网络进行训练,直至预设能见度预测网络满足预设条件,得到训练后的能见度预测网络作为能见度预测模型。
作为一种实施方式,Gain(φ)越小表明决策树结构越好,算法也是通过构造不同的树结构来找到最优的树结构。需要说明的是,预设条件可以为:目标损失函数的总损失值小于预设值、目标损失函数的总损失值不再变化、或者训练次数达到预设次数等。可选的,基于实验经验设置学习率(Learning Rate)、训练时的批量大小(Batch Size)以及训练的时期(Epoch)。
极端梯度提升算法支持并行计算,在训练和特征中进行双采样,有效地减少模型计算代价,同时在损失函数的优化过程加入二阶导数与正则性,很大程度上避免了模型的过拟合与欠拟合问题,从而提高训练的效率。
为了验证模型对能见度预测的效果,本申请实施例可以使用不同的统计误差来验证所提出的模型性能。可以采用平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)与均方根百分比误差(Root Mean Square PercentageError,RMSPE)来衡量模型预测的精确度。计算误差的公式如下:
其中,yt表示真实的能见度值,yt表示模型预测的能见度值,n表示用于能见度预测的数据数量。
本申请实施例利用不同的算法,包括本申请提出的能见度预测算法(MC-XGBoost)、XGBoost、线性回归、支持向量机、神经网络以及K-proximity对真实的能见度进行预测,其中采用特征(包括气温、相对湿度、降水、风速、风向、气压)作为模型输入,对应的能见度作为模型输出,将预测结果与真实的能见度进行比较,得到不同算法的预测结果。
为了验证算法的精确度,选取A地区的一个站点数据(70%数据作为模型训练,30%数据作为模型预测),对不同的算法进行预测的预测误差如表1所示。
从图5和图6的能见度预测结果和误差可以看出,XGBoost、随机森林、线性回归、神经网络、K-proximity算法的预测结果与真实值存在明显误差,且XGBoost算法的预测结果优于其他四种算法。为了更直观地反映MC-XGBoost的预测结果,将MC-XGBoost算法和XGBoost算法的预测结果进行单独比较,预测结果和预测误差如图7和图8所示。
表1不同算法的能见度预测误差比较
步骤S250:计算机设备获取目标气象数据。
作为一种实施方式,目标气象数据可以由气象台站提供,也可以通过不同采集功能的传感器采集。示例性,在A地区的不同地理位置设置四个采集点包括第一采集点、第二采集点、第三采集点和第四采集点。分别在四个采集点设置多个传感器,例如,温度传感器、湿度传感器和风速传感器等。通过多个传感器可以采集不同类型的气象数据。各个采集点采集的气象数据可以通过互联网传输给计算机设备。
步骤S260:计算机设备将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度。
作为一种实施方式,计算机设备在获取目标气象数据之后,可以先对该目标气象数据进行预处理。具体地,可以对目标气象数据进行缺失值处理和异常值处理。例如,可以对气温中的缺失值进行定值填充。进一步地,计算机设备可以将预处理后得到的气象数据输入至能见度预测模型,进行能见度预测模型可以基于该气象数据进行能见度的推理,计算并输出第一预测能见度。
步骤S270:计算机设备结合前序状态确定第一预测能见度对应的目标状态。
本申请基于马尔可夫链的性质,对能见度预测模型预测出的能见度进行修正,以得到精确的能见度预测值。在一些实施例中,该计算机设备结合前序状态确定第一预测能见度对应的目标状态的步骤可以包括:
(1)计算机设备获取能见度残差序列。
其中,能见度残差序列是由多个能见度残差组成的数值序列。能见度残差为能见度预测模型的输出的值与真实的能见度值之间的相对残差。能见度残差序列的计算是在对目标气象数据进行能见度预测前就预先计算得出的。
作为一种实施方式,该计算机设备获取能见度残差序列的步骤可以包括:
(1.1)计算机设备获取校正数据集。
(1.2)计算机设备将每组待测气象数据输入至能见度预测模型,得到每组待测气象数据对应的第二预测能见度。
(1.3)计算机设备根据能见度真实值以及第二预测能见度,确定能见度残差序列。
示例性地,计算机设备可以从气象部门提供的气象数据库中获取当前区域连续的t个时刻对应的气象数据G={g1,g2,…,gt},gt为第t个时刻的气象数据,以及每个时刻对应的能见度真实值H={h1,h2,…,ht},ht为第t个时刻的气象数据gt对应的能见度真实值。
进一步地,计算机设备可以将每个时刻对应的气象数据分别输入能见度预测模型,得到每组待测气象数据对应的第二预测能见度进而计算机设备可以对每个能见度真实值与对应的第二预测能见度进行残差计算,第t个时刻的气象数据有相对残差进而得到能见度残差序列{Δ1,…,Δt-1,Δt}。
(2)计算机设备根据能见度残差序列确定第一序列状态、第二序列状态以及第三序列状态。
示例性地,给定能见度残差序列{Δ1,Δ2,Δ3,Δ4},其中,能见度残差的数值大小关系为:Δ1<Δ2<Δ3<Δ4。计算机设备可以将能见度残差序列的区间[Δ1,Δ2]作为第一序列状态E1,并将能见度残差序列的区间[Δ2,Δ3]作为第二序列状态E2,并将能见度残差序列的区间[Δ3,Δ4]作为第三序列状态E3。
(3)计算机设备根据第一序列状态、第二序列状态以及第三序列状态,结合前序状态确定第一预测能见度对应的目标状态。
由于某一时刻状态转移的概率只依赖于这个时刻的前一个状态,若能求出状态空间中任意两个状态之间的转换概率,就可以确定该马尔可夫链模型,进而确定目标状态。
作为一种实施方式,该计算机设备根据第一序列状态、第二序列状态以及第三序列状态,结合前序状态确定第一预测能见度对应的目标状态的步骤可以包括:
(3.1)计算机设备根据第一序列状态、第二序列状态以及第三序列状态,获取状态转移矩阵。
(3.2)计算机设备获取前序状态。
(3.3)计算机设备根据状态转移矩阵以及前序状态,确定第一预测能见度对应的目标状态。
具体地,计算机设备可以通过统计两两序列状态之间转移的次数来确定两个序列状态之间的转移概率,例如,P12表示序列状态E1至序列状态E2的转移概率,转移概率P12的计算公式如下:
其中,C12表示两个相邻周期之间从序列状态E1至序列状态E2的访问频率,C1表示两个相邻周期之间从序列状态E1开始移动的状态数量。如此,可以根据第一序列状态E1、第二序列状态E2以及第三序列状态E3,确定出状态转移矩阵P:
进一步地,计算机设备可以根据第一序列状态E1和状态转移矩阵P求出第二序列状态E2的概率,可以根据第二序列状态E2和状态转移矩阵P求出第二序列状态E3的概率,从而计算机设备根据序列状态所处的概率确定目标状态。
步骤S280:计算机设备获取目标状态对应的残差区间。
步骤S290:计算机设备根据残差区间,获取上限残差值以及下限残差值,并基于第一预测能见度、上限残差值以及下限残差值,计算出目标气象数据对应的目标预测值。
示例性,计算机设备若确定了目标状态为第二序列状态E2,则可以确定第二序列状态E2对应的能见度残差序列的残差区间为[Δ2,Δ3],进一步地,计算机设备可以确定下限残差值为Δ2,以及上限残差值为Δ3,进而计算机设备可以根据下限残差值为Δ2,以及上限残差值为Δ3,计算出第一预测能见度对应的目标预测值
请参阅图9,图9示出一种能见度预测方法的流程图。具体地,在获取目标气象数据后,可以对目标气象数据进行数据预处理。在能见度预测模型训练过程中,先设置能见度预测模型的模型参数,进一步地,利用训练数据对能见度预测模型进行模型训练,拟合出能见度,并利用测试数据进行模型测试。其中,采用迭代的方式,设置各项参数,并判断模型参数是否最优,直至模型达到最优。
进一步地,根据最优参数构建能见度预测模型,并利用能见度预测模型对目标气象数据进行能见度预测,得到能见度预测值。进一步地,通过计算相对残差、划分状态以及计算转移概率矩阵的步骤,确定目标状态,进而根据目标状态对应的残差上限制和下限制对能见度预测值进行修正,得到目标预测值。
本申请实施例中,可以获取目标气象数据,并将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,该能见度预测模型为基于极端梯度提升算法训练得到,进一步地,结合前序状态确定第一预测能见度对应的目标状态,并基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。如此,通过对能见度预测模型输出的能见度的预测值进行修正,从而得到精确度更高的能见度预测值。
请参阅图10,其示出了本申请实施例提供的一种能见度预测装置400的结构框图。该能见度预测装置400包括:获取模块410,用于获取目标气象数据;预测模块420,用于将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,能见度预测模型为基于极端梯度提升算法训练得到;确定模块430,用于结合前序状态确定第一预测能见度对应的目标状态;修正模块440,用于基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。
在一些实施例中,确定模块430可以包括:残差序列获取单元,用于获取能见度残差序列;序列状态确定单元,用于根据能见度残差序列确定第一序列状态、第二序列状态以及第三序列状态;目标状态确定单元,用于根据第一序列状态、第二序列状态以及第三序列状态,结合前序状态确定第一预测能见度对应的目标状态。
在一些实施例中,目标状态确定单元可以具体用于:根据第一序列状态、第二序列状态以及第三序列状态,获取状态转移矩阵;获取前序状态,前序状态为目标状态前序相邻的序列状态;根据状态转移矩阵以及前序状态,确定第一预测能见度对应的目标状态。
在一些实施例中,残差序列获取单元可以具体用于:获取校正数据集,校正数据集包括多组待测气象数据,其中,每组待测气象数据关联有能见度真实值;将每组待测气象数据输入至能见度预测模型,得到每组待测气象数据对应的第二预测能见度;根据能见度真实值以及第二预测能见度,确定能见度残差序列。
在一些实施例中,修正模块440可以具体用于:获取目标状态对应的残差区间;根据残差区间,获取上限残差值以及下限残差值;基于第一预测能见度、上限残差值以及下限残差值,计算出目标气象数据对应的目标预测值。
在一些实施例中,能见度预测装置400还可以包括:训练数据获取模块,用于获取训练数据集;训练数据输入模块,用于将气象训练数据输入至预设能见度预测网络,得到第三预测能见度;损失函数确定模块,用于根据第三预测能见度以及能见度训练值,确定目标损失函数;预测网络训练模块,用于根据极端梯度提升算法,基于目标损失函数对预设能见度预测网络进行训练,直至预设能见度预测网络满足预设条件,得到训练后的能见度预测网络作为能见度预测模型。
在一些实施例中,训练数据获取模块可以具体用于:确定目标地理位置;根据目标地理位置确定气象特征,气象特征至少包括气压、气温、风向、降水量;根据气象特征,获取气象训练数据以及能见度训练值;将气象训练数据以及能见度训练值作为训练数据集。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
本申请提供的方案,可以获取目标气象数据,并将目标气象数据输入至预先训练的能见度预测模型,得到能见度预测模型输出的第一预测能见度,该能见度预测模型为基于极端梯度提升算法训练得到,进一步地,结合前序状态确定第一预测能见度对应的目标状态,并基于目标状态对第一预测能见度进行修正处理,得到目标气象数据对应的目标预测值。如此,通过对能见度预测模型输出的能见度的预测值进行修正,从而得到精确度更高的能见度预测值。
如图11所示,本申请实施例还提供一种计算机设备500,该计算机设备500包括处理器510、存储器520、电源530和输入单元540,存储器520存储有计算机程序指令,计算机程序指令被处理器510调用时,可实执行上述的实施例提供的各种方法步骤。本领域技术人员可以理解,图中示出的计算机设备的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器510可以包括一个或多个处理核。处理器510利用各种接口和线路连接整个电池管理系统内的各种部分,通过运行或执行存储在存储器520内的指令、程序、代码集或指令集,调用存储在存储器520内的数据,执行电池管理系统的各种功能和处理数据,以及执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体控制。可选地,处理器510可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器510可集成中央处理器510(CentralProcessing Unit,CPU)、图像处理器510(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器510中,单独通过一块通信芯片进行实现。
存储器520可以包括随机存储器520(Random Access Memory,RAM),也可以包括只读存储器520(Read-Only Memory)。存储器520图可用于存储指令、程序、代码、代码集或指令集。存储器520可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各种方法实施例的指令等。存储数据区还可以存储计算机设备在使用中所创建的数据(比如电话本和音视频数据)等。相应地,存储器520还可以包括存储器控制器,以提供处理器510对存储器520的访问。
电源530可以通过电源管理系统与处理器510逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源530还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
输入单元540,该输入单元540可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备500还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器510会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器520中,并由处理器510来运行存储在存储器520中的应用程序,从而实现前述实施例提供的各种方法步骤。
如图12所示,本申请实施例还提供一种计算机可读存储介质600,该计算机可读存储介质600中存储有计算机程序指令610,计算机程序指令610可被处理器调用以执行上述实施例中所描述的方法。
计算机可读存储介质可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质包括非易失性计算机可读存储介质(Non-Transitory Computer-Readable Storage Medium)。计算机可读存储介质600具有执行上述方法中的任何方法步骤的程序代码的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码可以例如以适当形式进行压缩。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例提供的各种可选实现方式中提供的方法。
以上,仅是本申请的较佳实施例而已,并非对本申请作任何形式上的限制,虽然本申请已以较佳实施例揭示如上,然而并非用以限定本申请,任何本领域技术人员,在不脱离本申请技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本申请技术方案内容,依据本申请的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本申请技术方案的范围内。
Claims (10)
1.一种能见度预测方法,其特征在于,所述方法包括:
获取目标气象数据;
将所述目标气象数据输入至预先训练的能见度预测模型,得到所述能见度预测模型输出的第一预测能见度,所述能见度预测模型为基于极端梯度提升算法训练得到;
结合前序状态确定所述第一预测能见度对应的目标状态;
基于所述目标状态对所述第一预测能见度进行修正处理,得到所述目标气象数据对应的目标预测值。
2.根据权利要求1所述的方法,其特征在于,所述结合前序状态确定所述第一预测能见度对应的目标状态,包括:
获取能见度残差序列;
根据所述能见度残差序列确定第一序列状态、第二序列状态以及第三序列状态;
根据所述第一序列状态、所述第二序列状态以及所述第三序列状态,结合前序状态确定所述第一预测能见度对应的目标状态。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一序列状态、所述第二序列状态以及所述第三序列状态,结合前序状态确定所述第一预测能见度对应的目标状态,包括:
根据所述第一序列状态、所述第二序列状态以及所述第三序列状态,获取状态转移矩阵;
获取前序状态,所述前序状态为目标状态前序相邻的序列状态;
根据所述状态转移矩阵以及所述前序状态,确定所述第一预测能见度对应的目标状态。
4.根据权利要求2所述的方法,其特征在于,所述获取能见度残差序列,包括:
获取校正数据集,所述校正数据集包括多组待测气象数据,其中,每组待测气象数据关联有能见度真实值;
将所述每组待测气象数据输入至能见度预测模型,得到所述每组待测气象数据对应的第二预测能见度;
根据所述能见度真实值以及所述第二预测能见度,确定能见度残差序列。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标状态对所述第一预测能见度进行修正处理,得到所述目标气象数据对应的目标预测值,包括:
获取所述目标状态对应的残差区间;
根据所述残差区间,获取上限残差值以及下限残差值;
基于所述第一预测能见度、上限残差值以及下限残差值,计算出所述目标气象数据对应的目标预测值。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练数据集;
将所述训练数据集输入至预设能见度预测网络,得到第三预测能见度;
根据所述第三预测能见度以及所述能见度训练值,确定目标损失函数;
根据极端梯度提升算法,基于所述目标损失函数对所述预设能见度预测网络进行训练,直至所述预设能见度预测网络满足预设条件,得到训练后的能见度预测网络作为能见度预测模型。
7.根据权利要求6所述的方法,其特征在于,所述获取训练数据集,包括:
确定目标地理位置;
根据所述目标地理位置确定气象特征,所述气象特征至少包括气压、气温、风向、降水量;
根据所述气象特征,获取气象训练数据以及能见度训练值;
将所述气象训练数据以及能见度训练值作为训练数据集。
8.一种能见度预测装置,其特征在于,所述装置包括:
获取模块,用于获取目标气象数据;
预测模块,用于将所述目标气象数据输入至预先训练的能见度预测模型,得到所述能见度预测模型输出的第一预测能见度,所述能见度预测模型为基于极端梯度提升算法训练得到;
确定模块,用于结合前序状态确定所述第一预测能见度对应的目标状态;
修正模块,用于基于所述目标状态对所述第一预测能见度进行修正处理,得到所述目标气象数据对应的目标预测值。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1~7任一项所述的方法。
10.一种计算机设备,其特征在于,包括:
存储器;
一个或多个处理器,与所述存储器耦接;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772191.8A CN115169592A (zh) | 2022-06-30 | 2022-06-30 | 能见度预测方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210772191.8A CN115169592A (zh) | 2022-06-30 | 2022-06-30 | 能见度预测方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169592A true CN115169592A (zh) | 2022-10-11 |
Family
ID=83488362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210772191.8A Pending CN115169592A (zh) | 2022-06-30 | 2022-06-30 | 能见度预测方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169592A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609738A (zh) * | 2024-01-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 集合多因素的大气能见度预测方法、计算机设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993983A (zh) * | 2019-04-09 | 2019-07-09 | 西安交通大学 | 一种基于马尔科夫链的智能交通车辆自适应诱导方法 |
CN111651538A (zh) * | 2020-05-11 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种位置映射方法、装置、设备及可读存储介质 |
CN111784023A (zh) * | 2019-08-08 | 2020-10-16 | 沈阳工业大学 | 一种短时邻近雾能见度预测方法 |
CN114358657A (zh) * | 2022-03-09 | 2022-04-15 | 北京大学 | 一种基于模型融合的岗位推荐方法及装置 |
-
2022
- 2022-06-30 CN CN202210772191.8A patent/CN115169592A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993983A (zh) * | 2019-04-09 | 2019-07-09 | 西安交通大学 | 一种基于马尔科夫链的智能交通车辆自适应诱导方法 |
CN111784023A (zh) * | 2019-08-08 | 2020-10-16 | 沈阳工业大学 | 一种短时邻近雾能见度预测方法 |
CN111651538A (zh) * | 2020-05-11 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种位置映射方法、装置、设备及可读存储介质 |
CN114358657A (zh) * | 2022-03-09 | 2022-04-15 | 北京大学 | 一种基于模型融合的岗位推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
HUI TANG ETAL.: ""Visibility Prediction Based On XGBoost And Markov Chain Combined Model"", 《IEEE》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609738A (zh) * | 2024-01-19 | 2024-02-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 集合多因素的大气能见度预测方法、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020193962A (ja) | 強対流天気を予測するための方法及び装置 | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN113361578B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN110705115A (zh) | 一种基于深度置信网络的气象预报方法和系统 | |
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112561082A (zh) | 生成模型的方法、装置、设备以及存储介质 | |
WO2022039675A1 (en) | Method and apparatus for forecasting weather, electronic device and storage medium thereof | |
CN111860858B (zh) | 一种模型更新参数的确定方法、确定装置及可读存储介质 | |
CN111626599A (zh) | 一种气象灾害风险研判方法及系统 | |
US11830090B2 (en) | Methods and systems for an enhanced energy grid system | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN114648676A (zh) | 点云处理模型的训练和点云实例分割方法及装置 | |
CN115293366B (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
CN113962465A (zh) | 降水预报方法、设备、装置及存储介质 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN115169592A (zh) | 能见度预测方法、装置、存储介质及计算机设备 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN113836661B (zh) | 时间预测方法、模型训练方法、相关装置及电子设备 | |
CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN113761806B (zh) | 一种基于神经网络的大气能见度预测方法 | |
CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230717 Address after: 518000 502, Building B, No. 680, Longfei Avenue, Huanggekeng Community, Longcheng Street, Longgang District, Shenzhen, Guangdong Applicant after: SHENZHEN KEAN TECHNOLOGY Co.,Ltd. Address before: 518000 no.2188 Longxiang Avenue, Longcheng street, Longgang District, Shenzhen City, Guangdong Province Applicant before: SHENZHEN INSTITUTE OF INFORMATION TECHNOLOGY |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221011 |
|
RJ01 | Rejection of invention patent application after publication |