CN115629431B - 一种水汽含量预测方法、装置、设备及介质 - Google Patents

一种水汽含量预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN115629431B
CN115629431B CN202211653852.1A CN202211653852A CN115629431B CN 115629431 B CN115629431 B CN 115629431B CN 202211653852 A CN202211653852 A CN 202211653852A CN 115629431 B CN115629431 B CN 115629431B
Authority
CN
China
Prior art keywords
water vapor
series data
vapor content
daily average
time
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.)
Active
Application number
CN202211653852.1A
Other languages
English (en)
Other versions
CN115629431A (zh
Inventor
请求不公布姓名
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.)
Chengdu Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian Technology Co Ltd
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 Chengdu Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN202211653852.1A priority Critical patent/CN115629431B/zh
Publication of CN115629431A publication Critical patent/CN115629431A/zh
Application granted granted Critical
Publication of CN115629431B publication Critical patent/CN115629431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Ecology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本申请公开了一种水汽含量预测方法、装置、设备及介质，涉及气象预测技术领域，旨在解决现有技术对大气中水汽含量的预测精确度较低的技术问题。所述预测方法，包括以下步骤：获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据；基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值；基于相似度预设阈值和误差预设阈值，获得参考时间周期；基于所述参考时间周期，获得目标时间周期的预测日均水汽含量时间序列数据。

Description

一种水汽含量预测方法、装置、设备及介质
技术领域
本申请涉及气象预测技术领域，尤其涉及一种水汽含量预测方法、装置、设备及介质。
背景技术
水汽是气候变化重要影响因素，水汽含量在大气中变化很大，是天气变化的主要角色。水汽能强烈地吸收地表发出的长波辐射，也能放出长波辐射，水汽的蒸发和凝结又能吸收和放出潜热，这都直接影响到地面和空气的温度，影响到大气的运动和变化。
目前常采用卫星导航系统技术对大气中的水汽进行探测，但在水汽反演过程中由于对流层水汽时空变化迅速，导致卫星导航系统监测网站对大气中水汽含量的预测精确度较低。
发明内容
本申请的主要目的是提供一种水汽含量预测方法、装置、设备及介质，旨在解决现有技术对大气中水汽含量的预测精确度较低的技术问题。
为解决上述技术问题，本申请实施例提出了：一种水汽含量预测方法，包括以下步骤：
获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据；
基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值；
基于相似度预设阈值和误差预设阈值，获得参考时间周期；
基于所述参考时间周期，获得目标时间周期的预测日均水汽含量时间序列数据。
作为本申请一些可选实施方式，所述基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值，包括：
对所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据进行余弦相似度函数计算，获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值；
对所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据进行均方根误差计算，获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值。
在具体应用中，通过计算所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值和均方根误差值，筛选获得与所述第二日均水汽含量时间序列数据相关性最高的第一日均水汽含量时间序列数据。
作为本申请一些可选实施方式，所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值满足以下关系式：
Figure SMS_1
其中，cos（θ）指第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值；Qt指第二日均水汽含量时间序列数据，t为1~24的正整数；Qtd指第一日均水汽含量时间序列数据，d为1~365的正整数。
在具体应用中，通过上述公式可以准确地计算获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值，并将其应用于后续步骤中。
作为本申请一些可选实施方式，所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值满足以下关系式：
Figure SMS_2
其中，RMSE指第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值；Qt指第二日均水汽含量时间序列数据，t为1~24的正整数；Qtd指第一日均水汽含量时间序列数据，d为1~365的正整数。
在具体应用中，通过上述公式可以准确地计算获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值，并将其应用于后续步骤中。
作为本申请一些可选实施方式，所述基于相似度预设阈值和误差预设阈值，获得参考时间周期，包括：
将同时满足相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，作为参考日均水汽含量时间序列数据；
基于所述参考日均水汽含量时间序列数据，获得所述参考日均水汽含量时间序列数据对应的参考时间周期。
在具体应用中，通过设置相似度预设阈值和误差预设阈值，获得同时满足上述相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，即与所述第二日均水汽含量时间序列数据相关性最高的第一日均水汽含量时间序列数据，并获得其对应的参考时间周期，以获得准确性更高的目标时间周期的预测日均水汽含量时间序列数据。
作为本申请一些可选实施方式，所述将同时满足相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，作为参考日均水汽含量时间序列数据，包括：
获取余弦相似值高于相似度预设阈值对应的日均水汽含量时间序列数据，作为第一参考日均水汽含量时间序列数据；
基于所述第一参考时间的日均水汽含量时间序列数据，获得均方根误差值低于所述误差预设阈值对应的日均水汽含量时间序列数据，作为第二参考日均水汽含量时间序列数据。
在具体应用中，通过设置相似度预设阈值和误差预设阈值，获得同时满足上述相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，以便提高后续预测数据的准确性。
作为本申请一些可选实施方式，所述基于所述参考时间周期，获得目标时间周期的预测日均水汽含量时间序列数据，包括：
基于所述参考时间周期，获取所述参考时间周期的下一时间周期；
基于所述下一时间周期，获得所述下一时间周期的日均水汽含量时间序列数据；
将所述下一时间周期的日均水汽含量时间序列数据作为目标时间周期的预测日均水汽含量时间序列数据。
在具体应用中，所述参考时间周期与所述目标时间周期的周期相等，所述下一时间周期与所述参考时间周期的周期相等，所述下一时间周期可以为所述参考时间周期的次日或次月，可根据实际需要预测的时间周期进行设置。
作为本申请一些可选实施方式，在所述将所述下一时间周期的日均水汽含量时间序列数据作为目标时间周期的预测日均水汽含量时间序列数据之前，还包括：
对所述下一时间周期的日均水汽含量时间序列数据与实际观测的下一时间周期的日均水汽含量时间序列数据进行比较；
若满足预设阈值，则将所述下一时间周期的日均水汽含量时间序列数据作为目标时间周期的预测日均水汽含量时间序列数据。
在具体应用中，将所述下一时间周期的日均水汽含量时间序列数据与实际观测的下一时间周期的日均水汽含量时间序列数据进行比较，若差值在10以内，则认为观测值准确，若差值大于等于10，则认为观测值可疑并进行标记，并重新进行计算，以保证预测数据的可靠性。
作为本申请一些可选实施方式，所述第一预定时间段包括若干第二预定时间段。
在具体应用中，所述第一预定时间段可以为过去一年或过去一个月，所述第二预定时间段可以为所处日期或所处月份，可根据实际需求进行设置。
作为本申请一些可选实施方式，所述参考时间周期与所述目标时间周期相等。
在具体应用中，为提高预测数据的准确性，故将所述参考时间周期与所述目标时间周期相等。
为解决上述技术问题，本申请实施例还提出了：一种水汽含量预测装置，包括：
第一获取模块，用于获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据；
第二获取模块，用于基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值；
第三获取模块，用于基于相似度预设阈值和误差预设阈值，获得参考时间周期；
第四获取模块，用于基于所述参考时间周期，获得目标时间周期的预测日均水汽含量时间序列数据。
为解决上述技术问题，本申请实施例还提出了：一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上所述的方法。
为解决上述技术问题，本申请实施例还提出了：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如上所述的方法。
目前常采用卫星导航系统技术对大气中的水汽进行探测，但在水汽反演过程中由于对流层水汽时空变化迅速，导致卫星导航系统监测网站对大气中水汽含量的预测精确度较低。与现有技术相比，本申请实施例所述水汽含量预测方法，包括以下步骤：获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据；在本申请实际应用中，所述过去第一预定时间段和所述过去第二预定时间段均可根据实际需求进行设置，如将第一预定时间段设置为过去一年，所述第二预定时间段设置为过去一天。继而基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值；并基于相似度预设阈值和误差预设阈值，获得余弦相似值满足相似度预设阈值且均方根误差值满足误差预设阈值的参考时间周期；通过上述方法获得的参考时间周期的可靠性更高。因此在获取上述参考时间周期后，基于上述可靠性更高的参考时间周期，获得的目标时间周期的预测日均水汽含量时间序列数据精确度更高，可有效避免因对流层水汽时空变化迅速，导致卫星导航系统监测网站对大气中水汽含量的预测精确度较低的技术问题。
附图说明
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图；
图2为本申请实施例所述水汽含量预测方法的流程示意图；
图3为本申请实施例所述水汽含量预测装置的功能模块示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，图1为本申请的实施例涉及的硬件运行环境的电子设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的水汽含量预测装置，并执行本申请实施例提供的水汽含量预测方法。
水汽是大气中的一种主要组成部分，也是影响天气变化的重要因素，因此，在天气系统变化中起着非常重要的作用。虽然大气中的水汽含量不高，但在大气中变化很大，是天气、气候变化的主体推动作用，同时也是灾害性等天气的形成和演化的重要因子，大尺度环流和水汽特征是相变过程参数化成功的基础，保持水汽分布不均匀性有利于预报出降水的局部特征。所以说，水汽是影响短期降雨预报精度的关键因素，也是一种产生温室效应的主要气体之一。空气中水分浓度远大于二氧化碳的含量，可以判断全球变暖的温室效应和水汽变化有密切的关系，二氧化碳随使地球温度逐渐升高，但促使地球变暖的水汽危害性更大。因此，大气中的水汽是监测全球气候变化、水汽输送、暴雨、洪水等灾害性天气在内的一种非常重要的气象因子。
大气中水汽的含量和分布存在原因很多，再加上当前探测技术的落后和限制，测量大气湿度仍然是一个棘手的问题，缺乏足够的观察和实测资料。所有说水汽是人们对大气了解不足的关键因素之一。作为大气中的一种主要温室气体，虽然在大气中所占的比例很小，但全球天气变化、暴雨及洪水等灾害中扮演着重要的角色。因此，应用先进的科学技术手段精确地测量大气中水汽的含量，可以为大气可降水量提供重要的分析和参考，极大地提高了当代可降水量的预报及产生良好的社会效应。
目前常采用卫星导航系统技术对大气中的水汽进行探测，但在水汽反演过程中由于对流层水汽时空变化迅速，导致卫星导航系统监测网站对大气中水汽含量的预测精确度较低。
基于此，如图2所示，本申请实施例提供了：一种水汽含量预测方法，包括以下步骤：
步骤S10、获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据。
在具体应用中，所述过去第一预定时间段和所述过去第二预定时间段均可根据实际需求进行设置，所述第一预定时间段包括若干第二预定时间段。如将第一预定时间段设置为过去一年，所述第二预定时间段设置为过去一天。为获得的预测数据精确度更高，本申请所述过去第一预定时间段和所述过去第二预定时间段均以小时为单位。
如当所述第一预定时间段设置为过去一年时（即2021年），则其对应的第一日均水汽含量时间序列数据为Qtd，其中，Q表示水汽含量，t表示小时（取值1到24，t=1,2…24），d表示日（取值1到365，d=1,2,…,365），即2021年1月1日的日均水汽含量时间序列数据如表1所示：
表1：
Q/mm 51.5 53.4 50.7 51 56 53.4 50.7 57.3 51.5 53.4 50.7 57.3
t/h 1 2 3 4 5 6 7 8 9 10 11 12
Q/mm 51.5 57.4 52.3 51.3 51.5 53.4 50.7 57.3 56.3 53.4 50.7 57.3
t/h 13 14 15 16 17 18 19 20 21 22 23 24
如，当所述第二预定时间段设置为过去一天时（以2022年1月1日为例），则其对应的第二日均水汽含量时间序列数据为Qt，其中，Q表示水汽含量，t表示小时（取值1到24，t=1,2…24），所述过去第二预定时间段的第二日均水汽含量时间序列数据如表2所示：
表2：
Q/mm 51.5 53.4 50.7 57.3 51.5 53.4 50.7 57.3 51.5 53.4 50.7 57.3
t/h 1 2 3 4 5 6 7 8 9 10 11 12
Q/mm 51.5 53.4 50.7 57.3 51.5 53.4 50.7 57.3 51.5 53.4 50.7 57.3
t/h 13 14 15 16 17 18 19 20 21 22 23 24
获取上述日均水汽含量时间序列数据后，进行如下所述的步骤S20。
步骤S20、基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值。
在具体应用中，所述基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值，包括：
步骤S21、对所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据进行余弦相似度函数计算，获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值。
在具体应用中，所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值满足以下关系式：
Figure SMS_3
其中，cos（θ）指第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值；Qt指第二日均水汽含量时间序列数据，t为1~24的正整数；Qtd指第一日均水汽含量时间序列数据，d为1~365的正整数。
在实际应用中，通过计算所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值，判断所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的相关性，余弦相似值越接近于1，二者越相似，从而从第一日均水汽含量时间序列数据中获取与所述第二日均水汽含量时间序列数据最为相似的日均水汽含量时间序列数据以及对应的时间段Qxd，其中x为所述第一预定时间段中的某一时间段。
以表1和表2中的时间序列数据为例，当t=1，d=1，得到所述过去第二预定时间段为1天时，其1小时水汽含量=51.5mm；所述过去第一预定时间段为一年时，其1月1日1小时水汽含量=51.5mm。则通过如上公式计算获得的余弦相似值为0.9989。
步骤S22、对所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据进行均方根误差计算，获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值。
在具体应用中，所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值满足以下关系式：
Figure SMS_4
其中，RMSE指第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值；Qt指第二日均水汽含量时间序列数据，t为1~24的正整数；Qtd指第一日均水汽含量时间序列数据，d为1~365的正整数。
在实际应用中，通过计算所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值，判断所述Qxd中的有效数据。
以表1和表2中的时间序列数据为例，当t=1，d=1，得到所述过去第二预定时间段为1天时，其1小时水汽含量=51.5mm；所述过去第一预定时间段为一年时，其1月1日1小时水汽含量=51.5mm。则通过如上公式计算获得的均方根误差值为2.3939。
在实际应用中，分别计算获得所述过去第一预定时间段中的每一天中的每一个小时对应的第一日均水汽含量时间序列数据与所述过去第二预定时间段的第二日均水汽含量时间序列数据的余弦相似值和均方根误差值。如，当所述过去第一预定时间段为一年时，共获得365个余弦相似值和365个均方根误差值，因此可基于如下所述步骤S30的方法对上述数据进行筛选。
步骤S30、基于相似度预设阈值和误差预设阈值，获得参考时间周期。
在具体应用中，所述基于相似度预设阈值和误差预设阈值，获得参考时间周期，包括：
将同时满足相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，作为参考日均水汽含量时间序列数据；基于所述参考日均水汽含量时间序列数据，获得所述参考日均水汽含量时间序列数据对应的参考时间周期。
以表1和表2中的时间序列数据为例，通过上述方法筛选获得的参考时间周期为2021年1月2日，其所对应的日均水汽含量时间序列数据如表3所示：
表3：
Q/mm 51.5 57.4 52.3 51.3 53.5 57.4 52.7 53.5 57.4 52.7 40 56
t/h 13 14 15 16 17 18 19 20 21 22 23 24
Q/mm 51.5 57.4 52.3 51.3 51.5 53.4 50.7 53.5 57.4 52.7 40 56
t/h 13 14 15 16 17 18 19 20 21 22 23 24
可以看出，通过上述余弦相似值和均方根误差值计算后，筛选获得的日均水汽含量时间序列数据与2022年1月1日的日均水汽含量时间序列数据几乎完全相同，由此可见，本申请所述方法可靠性较高。
在具体应用中，所述将同时满足相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，作为参考日均水汽含量时间序列数据，包括：
获取余弦相似值高于相似度预设阈值对应的日均水汽含量时间序列数据，作为第一参考日均水汽含量时间序列数据。在实际应用中，所述相似预设阈值根据实际需求进行设置，如0＜相似度预设阈值＜1。
基于所述第一参考时间的日均水汽含量时间序列数据，获得均方根误差值低于所述误差预设阈值对应的日均水汽含量时间序列数据，作为第二参考日均水汽含量时间序列数据；在实际应用中，所述误差预设阈值根据实际需求进行设置，如0≤误差预设阈值。
在具体应用中，在通过上述相似度预设阈值和误差预设阈值筛选后，获得的参考日均水汽含量时间序列数据更为可靠，进而获得所述参考日均水汽含量时间序列数据对应的参考时间周期在后续应用中也更为可靠。
步骤S40、基于所述参考时间周期，获得目标时间周期的预测日均水汽含量时间序列数据。
在具体应用中，所述基于所述参考时间周期，获得目标时间周期的预测日均水汽含量时间序列数据，包括：
步骤S41、基于所述参考时间周期，获取所述参考时间周期的下一时间周期。
在具体应用中，所述参考时间周期与所述目标时间周期的周期相等，所述下一时间周期与所述参考时间周期的周期相等，所述下一时间周期可以为所述参考时间周期的次日或次月，可根据实际需要预测的时间周期进行设置。
步骤S42、基于所述下一时间周期，获得所述下一时间周期的日均水汽含量时间序列数据；将所述下一时间周期的日均水汽含量时间序列数据作为目标时间周期的预测日均水汽含量时间序列数据。
近年来，随着信息技术的发展，计算机技术的使用普及和应用，大量数据和资料快速有效地得到获取和处理，促使了各种计算机数据处理软件和数学统计方法相继应用到了可降水量和降雨预报中，使来自地面、空中、卫星、雷达等大量的数据和资料得到很好的分析和处理。因此，传统天气及气象在统计和动态统计以及数值预报的基础上开发降雨（降水）预报模型非常重要，进而使天气预测得到更好的发展。而本申请所述预测方法也可以基于一种降雨（降水）预报模型进行实现。如Faster RCNN算法模型。在该实施方式中，FasterRCNN算法模型的性能优越，实现了精度较高的物体判别性能。Faster RCNN通过两阶网络与RPN，实现预测相比起其他一阶网络，两阶更为精准，尤其是针对高精度、多尺度以及小物体问题上，两阶网络优势更为明显。Faster RCNN在多个数据集及物体任务上效果都很好，对于个人的数据集，往往Fine-tune（微调）后就能达到较好的效果。Faster RCNN的整个算法框架中可以进行优化的点很多，提供了广阔的算法优化空间。因此采用所述Faster RCNN算法模型作为所述水汽含量预测模型，能提高所述预测模型对水汽含量预测的效率以及准确率。或采用生成对抗网络由生成器和预测器组成：所述生成器由编码模块和预测模块组成，其中编码模块由4层包含残差单元的门控循环单元-循环卷积神经网络组成，其中预测模块由4层叠加而成的门控循环单元-循环卷积神经网络组成；所述判别器为一个三维卷积神经网络，包括四层三维卷积层和两层全连接层，所述四层三维卷积层中的前三层三维卷积层的卷积核尺寸为3×3×3，最后一层三维卷积层的卷积核尺寸为1×1×1，所述三维卷积层中使用k、n、s表示卷积核大小、特征图数目和步长；每一层三维卷积层的激活函数为LeakyReLU函数；两层全连接层中，第一层全连接层输出的特征维度为1024，第二层全连接层输出的特征维度为1，预测器的输入为过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据，判别器的输出是下一时间周期的日均水汽含量时间序列数据。
与现有技术相比，本申请实施例所述水汽含量预测方法，包括以下步骤：获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据；在本申请实际应用中，所述过去第一预定时间段和所述过去第二预定时间段均可根据实际需求进行设置，如将第一预定时间段设置为过去一年，所述第二预定时间段设置为过去一天。继而基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值；并基于相似度预设阈值和误差预设阈值，获得余弦相似值满足相似度预设阈值且均方根误差值满足误差预设阈值的参考时间周期；通过上述方法获得的参考时间周期的可靠性更高。因此在获取上述参考时间周期后，基于上述可靠性更高的参考时间周期，获得的目标时间周期的预测日均水汽含量时间序列数据精确度更高，可有效避免因对流层水汽时空变化迅速，导致卫星导航系统监测网站对大气中水汽含量的预测精确度较低的技术问题。
为解决上述技术问题，如图3所示，本申请实施例还提出了：一种水汽含量预测装置，包括：
第一获取模块，用于获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据；
第二获取模块，用于基于所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据，获得余弦相似值和均方根误差值；
第三获取模块，用于基于相似度预设阈值和误差预设阈值，获得参考时间周期；
第四获取模块，用于基于所述参考时间周期，获得目标时间周期的预测日均水汽含量时间序列数据。
需要说明的是，本实施例中水汽含量预测装置中各模块是与前述实施例中的水汽含量预测方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述水汽含量预测方法的实施方式，这里不再赘述。
此外，在一种实施例中，本申请的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如上所述的水汽含量预测方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其他任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有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（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台多媒体终端设备（可以是手机，计算机，电视接收机，或者网络设备等）执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种水汽含量预测方法，其特征在于，包括以下步骤：
获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据；所述第一预定时间段包括若干第二预定时间段；
对所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据进行余弦相似度函数计算，获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值；对所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据进行均方根误差计算，获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值；
将同时满足相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，作为参考日均水汽含量时间序列数据；基于所述参考日均水汽含量时间序列数据，获得所述参考日均水汽含量时间序列数据对应的参考时间周期；
基于所述参考时间周期，获取所述参考时间周期的下一时间周期；基于所述下一时间周期，获得所述下一时间周期的日均水汽含量时间序列数据；将所述下一时间周期的日均水汽含量时间序列数据作为目标时间周期的预测日均水汽含量时间序列数据；
其中，所述第二预定时间段为所述目标时间周期的上一个时间周期，所述第二预定时间段和所述目标时间周期的时长相同。
2.根据权利要求1所述水汽含量预测方法，其特征在于，所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值满足以下关系式：
Figure QLYQS_1
其中，cos（θ）指第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值；Qt指第二日均水汽含量时间序列数据，t为1~24的正整数；Qtd指第一日均水汽含量时间序列数据，d为1~365的正整数。
3.根据权利要求1所述水汽含量预测方法，其特征在于，所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值满足以下关系式：
Figure QLYQS_2
其中，RMSE指第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值；Qt指第二日均水汽含量时间序列数据，t为1~24的正整数；Qtd指第一日均水汽含量时间序列数据，d为1~365的正整数。
4.根据权利要求1所述水汽含量预测方法，其特征在于，所述将同时满足相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，作为参考日均水汽含量时间序列数据，包括：
获取余弦相似值高于相似度预设阈值对应的日均水汽含量时间序列数据，作为第一参考日均水汽含量时间序列数据；
基于所述第一参考日均水汽含量时间序列数据，获得均方根误差值低于所述误差预设阈值对应的日均水汽含量时间序列数据，作为第二参考日均水汽含量时间序列数据。
5.根据权利要求1所述水汽含量预测方法，其特征在于，所述参考时间周期与所述目标时间周期相等。
6.一种水汽含量预测装置，其特征在于，包括：
第一获取模块，用于获取过去第一预定时间段的第一日均水汽含量时间序列数据和过去第二预定时间段的第二日均水汽含量时间序列数据；所述第一预定时间段包括若干第二预定时间段；
第二获取模块，用于对所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据进行余弦相似度函数计算，获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的余弦相似值；对所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据进行均方根误差计算，获得所述第一日均水汽含量时间序列数据和所述第二日均水汽含量时间序列数据的均方根误差值；
第三获取模块，用于将同时满足相似度预设阈值和误差预设阈值的日均水汽含量时间序列数据，作为参考日均水汽含量时间序列数据；基于所述参考日均水汽含量时间序列数据，获得所述参考日均水汽含量时间序列数据对应的参考时间周期；
第四获取模块，用于基于所述参考时间周期，获取所述参考时间周期的下一时间周期；基于所述下一时间周期，获得所述下一时间周期的日均水汽含量时间序列数据；将所述下一时间周期的日均水汽含量时间序列数据作为目标时间周期的预测日均水汽含量时间序列数据；其中，所述第二预定时间段为所述目标时间周期的上一个时间周期，所述第二预定时间段和所述目标时间周期的时长相同。
7.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-5中任一项所述的水汽含量预测方法。
8.一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上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-5中任一项所述的水汽含量预测方法。
CN202211653852.1A 2022-12-22 2022-12-22 一种水汽含量预测方法、装置、设备及介质 Active CN115629431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211653852.1A CN115629431B (zh) 2022-12-22 2022-12-22 一种水汽含量预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211653852.1A CN115629431B (zh) 2022-12-22 2022-12-22 一种水汽含量预测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115629431A CN115629431A (zh) 2023-01-20
CN115629431B true CN115629431B (zh) 2023-03-14

Family

ID=84910438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211653852.1A Active CN115629431B (zh) 2022-12-22 2022-12-22 一种水汽含量预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115629431B (zh)

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000258556A (ja) * 1999-03-05 2000-09-22 Fuji Electric Co Ltd 気象予報欠損値の推定方法
JP2000285098A (ja) * 1999-03-29 2000-10-13 Toshiba Corp 時系列予測装置及び方法並びに時系列予測用ソフトウェアを記録した記録媒体
JP2001324576A (ja) * 2000-05-15 2001-11-22 Nippon Telegr & Teleph Corp <Ntt> 事象予測方法及びシステム及び予測事象配信方法及びシステム
US7587330B1 (en) * 2003-01-31 2009-09-08 Hewlett-Packard Development Company, L.P. Method and system for constructing prediction interval based on historical forecast errors
US9310517B2 (en) * 2011-11-07 2016-04-12 The United States Of America As Represented By The Secretary Of The Army Method and system for determining accuracy of a weather prediction model
CN103033856B (zh) * 2012-12-06 2014-11-19 南京信息工程大学 基于水文气象一致性地区分析的雨量频率估计方法
CN105095614A (zh) * 2014-04-18 2015-11-25 国际商业机器公司 更新预测模型的方法和装置
WO2016210102A1 (en) * 2015-06-23 2016-12-29 Qatar Foundation For Education, Science And Community Development Method of forecasting for solar-based power systems
US11195125B2 (en) * 2016-04-27 2021-12-07 International Business Machines Corporation Pollution prediction
US10996374B1 (en) * 2017-04-11 2021-05-04 DatalnfoCom USA, Inc. Short-term weather forecasting using artificial intelligence and hybrid data
US10795056B2 (en) * 2017-06-23 2020-10-06 Tianjin Kantian Technology Co., Ltd. Local weather forecast
CN107656323A (zh) * 2017-09-11 2018-02-02 南京信息工程大学 一种气象预报方法及装置
CN107703564B (zh) * 2017-10-13 2020-04-14 中国科学院深圳先进技术研究院 一种降雨预测方法、系统及电子设备
JP6992679B2 (ja) * 2018-06-01 2022-01-13 日本電信電話株式会社 情報提示方法、情報提示装置および情報提示プログラム
CN109343154A (zh) * 2018-09-12 2019-02-15 中国气象科学研究院 登陆热带气旋过程降水预报系统
CN111323847B (zh) * 2018-12-13 2023-05-23 北京金风慧能技术有限公司 用于为模拟集成算法确定权重比的方法和设备
JP7210338B2 (ja) * 2019-03-14 2023-01-23 株式会社東芝 予測装置、予測方法及びコンピュータプログラム
CN109978262A (zh) * 2019-03-27 2019-07-05 新奥数能科技有限公司 用于光伏功率预测的相似日的选择方法及装置
CN110580453B (zh) * 2019-08-20 2020-06-30 清华大学 大气水汽含量监测方法、装置、计算机设备和存储介质
CN111241085B (zh) * 2020-01-16 2022-02-01 四川大学 一种基于气象数据的自然分区可视化方法
CN111458768A (zh) * 2020-03-27 2020-07-28 山东大学 一种强对流天气预警方法、计算机设备和存储介质
CN111797917A (zh) * 2020-06-30 2020-10-20 深圳供电局有限公司 一种根据气象因素选取短期相似日的方法
CN114325877B (zh) * 2020-09-30 2024-05-17 北京金风慧能技术有限公司 气象预报数据的评估方法和装置
CN113159426A (zh) * 2021-04-25 2021-07-23 中科三清科技有限公司 天气型相似性判断方法、装置、电子设备及可读存储介质
CN113743673B (zh) * 2021-09-09 2023-12-22 中国南方电网有限责任公司 一种台风期间的电力负荷预测方法
CN113780668A (zh) * 2021-09-15 2021-12-10 泰华智慧产业集团股份有限公司 一种基于历史数据的城市积水内涝预测方法及系统
CN115390969A (zh) * 2022-08-25 2022-11-25 成都数之联科技股份有限公司 一种弹窗控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何欣燃.基于深度学习的太阳耀斑预报模型研究.2022,全文. *

Also Published As

Publication number Publication date
CN115629431A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
Jiao et al. Evaluation of spatial-temporal variation performance of ERA5 precipitation data in China
Gao et al. Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks
Spinoni et al. Climate of the Carpathian Region in the period 1961–2010: climatologies and trends of 10 variables
Hou et al. Prediction of hourly air temperature based on CNN–LSTM
Safari et al. A comparative assessment of multi-temporal Landsat 8 and machine learning algorithms for estimating aboveground carbon stock in coppice oak forests
Weigel et al. Earth System Model Evaluation Tool (ESMValTool) v2. 0–diagnostics for extreme events, regional and impact evaluation and analysis of Earth system models in CMIP
Alamgir et al. Downscaling and projection of spatiotemporal changes in temperature of Bangladesh
Kwon et al. A spatial downscaling of soil moisture from rainfall, temperature, and AMSR2 using a Gaussian-mixture nonstationary hidden Markov model
Chen et al. Spatiotemporal characteristics and estimates of extreme precipitation in the Yangtze River Basin using GLDAS data
Shastri et al. Improving Global Forecast System of extreme precipitation events with regional statistical model: Application of quantile‐based probabilistic forecasts
Hu Rainstorm flash flood risk assessment using genetic programming: a case study of risk zoning in Beijing
Laslett et al. A method for generating synthetic hourly solar radiation data for any location in the south west of Western Australia, in a world wide web page
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
Wang et al. Customized deep learning for precipitation bias correction and downscaling
Ding et al. A comparison of statistical approaches for seasonal precipitation prediction in Pakistan
Pegion et al. Understanding predictability of daily southeast US precipitation using explainable machine learning
CN115629431B (zh) 一种水汽含量预测方法、装置、设备及介质
CN116186493B (zh) 基于数值模式校正的气象预报方法、装置、设备和介质
CN116011879B (zh) 生态系统稳定性评估方法、装置、电子设备及存储介质
CN114943188B (zh) 基于随机森林模型的积雪深度反演方法及装置
CN112418684A (zh) 空中水资源时空分布规律的评估方法、装置、设备和介质
Danesi et al. Predicting ground-based PM 2.5 concentration in Queensland, Australia
CN110968929A (zh) 风电场风速的预测方法、装置及电子设备
Kesavavarthini et al. Bias correction of CMIP6 simulations of precipitation over Indian monsoon core region using deep learning algorithms
CN113989667A (zh) 基于卫星遥感技术的近地面甲醛浓度获取方法

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