CN115857059B - 一种积冰预报管理方法、系统、可读存储介质和设备 - Google Patents
一种积冰预报管理方法、系统、可读存储介质和设备 Download PDFInfo
- Publication number
- CN115857059B CN115857059B CN202211497545.9A CN202211497545A CN115857059B CN 115857059 B CN115857059 B CN 115857059B CN 202211497545 A CN202211497545 A CN 202211497545A CN 115857059 B CN115857059 B CN 115857059B
- Authority
- CN
- China
- Prior art keywords
- different network
- meteorological
- network level
- variable
- level coefficients
- 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
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种积冰预报管理方法、系统、可读存储介质和设备，该方法包括采集用于训练的不同气象信息，使用循环神经网络自动训练不同气象信息中的所有不同网络层级系数的气象变量得到用于训练的气象信息集；通过基于大数据的超级边缘计算网关设置训练算法参数及不同网络层级系数的气象变量解析平台；将气象监控获取到的每一个气象动态变化送入不同网络层级系数的气象变量训练模型，得到不同网络层级系数的气象变量的训练结果；将不同网络层级系数的气象变量的训练结果送入递归神经网络算法，对训练到的不同网络层级系数的气象变量进行输出神经元；本发明用于准确高效地训练出不同网络层级系数的气象变量。
Description
技术领域
本发明涉及飞行气象监管领域,尤其涉及一种积冰预报管理方法、系统、可读存储介质和设备。
背景技术
运输航空发生积冰风险，主要在起飞、着陆阶段，而巡航阶段高度较高通常高于积冰区，但通用航空属于中低空飞行，相较于运输，更容易发生飞行中遭遇积冰风险。据全球最大的通用航空协会AOPA（Aircraft Owners and Pilots Association）统计表明，影响通航飞行安全的所有气象因素中，积冰影响占12%。首先，在飞机积冰判别方面，以国际民航组织积冰指数（IC指数）为代表，发展了包括假霜点判别法、积冰概率指数、SCEM积冰指数及SFIP积冰指数等多种判别大气积冰条件的方法。国际上比较常用的飞机积冰预报模型包含瑞典高精度有限区域HIRLAM积冰预报模型，美国的RAOB积冰预报模型、高低概率条件NAWAU积冰预报模型和RAP积冰预报模型。常用的飞机积冰预报方法包括统计法、霜点法、动力增温法和数值预报法，其中数值模式或数值模式与积冰经验公式相结合的方法是主流的积冰预报方法，基本思路是通过统计和天气学分析方法建立预报模型，并根据数值模式输出的温度、湿度、云和降水等气象要素来预报飞机积冰。
然而，造成飞机积冰的气象要素众多，且其相互作用过程十分复杂，各变量之间表现为非线性关系，这使得完全准确刻画积冰过程相当困难，这对基于基本动力学和热力学方法采用的指数预报和模式预报还不够准确，存在错报、漏报和空报现象。这主要由于结冰涉及的影响因素及演变路径尚不明确，忽略空间、时间尺度在结冰危害中的重要性，未突出持续结冰和复杂构型特征对飞行安全的危害等。此外，由于国内积冰报告较少，缺少大样本数据积累也是制约积冰预报的方面。目前专门针对通航飞行的积冰实时预报产品更是十分缺乏。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种积冰预报管理方法、系统、可读存储介质和设备。
本发明所采用的技术方案是，本发明提供的一种积冰预报管理方法、系统、可读存储介质和设备，包括以下步骤：
步骤S1，采集用于训练的不同气象信息，气象信息包括气压高度层、气温、湿度、水平风场、涡度、散度、垂直速度、比湿、云中液态水含量、冰水含量、总降水量、云量，使用循环神经网络自动训练所述不同气象信息中的所有不同网络层级系数的气象变量以得到用于训练的气象信息集；
步骤S2，将所述气象信息集对基于不同网络层级系数的气象变量调整与优化使用循环神经网络进行加强训练；
步骤S3，通过基于大数据的边缘计算网关设置训练算法参数及不同网络层级系数的气象变量解析平台；
步骤S4，获取气象动态变化信息，将气象监控获取到的每一个气象动态变化送入所述不同网络层级系数的气象变量训练模型，得到不同网络层级系数的气象变量训练结果；
步骤S5，将所述不同网络层级系数的气象变量训练结果送入递归神经网络算法，递归神经网络在空域内每个网格点上输出“1,2,3,4”4个分类预报量，分别对应“强，中，弱，无”4种积冰预报，其中每个网格点的空间分辨率为10公里，对训练到的不同网络层级系数的气象变量进行输出神经元；
步骤S6，训练并判断输出神经元的所述不同网络层级系数的气象变量是否位于所述不同网络层级系数的气象变量解析平台并判断所述不同网络层级系数的气象变量是否有未特征提取，如果已完成特征提取，则通过GIS图形化处理绘制出预计航线上的积冰预报图像，最终形成1至3小时内的航线积冰预报，如果未完成特征提取，则返回步骤S1再次使用循环神经网络自动训练。
优选地，对基于不同网络层级系数的气象变量调整与优化使用循环神经网络进行加强训练后，同时对循环神经网络算法的参数进行动态更新。
优选地，判断不同网络层级系数的气象变量是否处于不同网络层级系数的气象变量解析平台包含以下步骤：
步骤Z1，获取当前气象动态变化中某一个不同网络层级系数的气象变量解析平台的规模和调取速度及不同网络层级系数的气象变量解析平台的数据计算空间；
步骤Z2，不同网络层级系数的气象变量解析平台规模与调取速度均在不同网络层级系数的气象变量解析平台内，判断不同网络层级系数的气象变量有未训练；
步骤Z3，不同网络层级系数的气象变量解析平台只有部分气象变量位于不同网络层级系数的气象变量解析平台内，则进行步骤Z4；
步骤Z4，判断不同网络层级系数的气象变量单位时长气象变量是否位于不同网络层级系数的气象变量解析平台内，不同网络层级系数的气象变量单位时长气象变量位于不同网络层级系数的气象变量解析平台内则判断不同网络层级系数的气象变量有未训练，否则进行下一步；
步骤Z5，继续获取当前气象动态变化中的其他训练不同网络层级系数的气象变量并进不同网络层级系数的气象变量是否有未特征提取判断的操作。
本申请还包含一种判断不同网络层级系数的气象变量位于不同网络层级系数的气象变量解析平台内是否舍弃气象变量的方法，包括以下步骤：
步骤H1，计算前一个气象动态变化中不同网络层级系数的气象变量的单位时长气象变量与当前气象动态变化中所述不同网络层级系数的气象变量的单位时长气象变量的优化范围，若所述优化范围超过预设区间，则判定为不同网络层级系数的气象变量不合理；
步骤H2，若判断不同网络层级系数的气象变量处于不合理状态，则将不同网络层级系数的气象变量中的有未训练时长清零并处理其他不同网络层级系数的气象变量气象动态变化；
步骤H3，不同网络层级系数的气象变量未更新，则获取当前时间并计算不同网络层级系数的气象变量停止累计时间，将所述不同网络层级系数的气象变量停止累计时间与设定的有未训练时长预设区间进行比较，若所述不同网络层级系数的气象变量停止累计时间超过有未训练时长预设区间，则判断为不同网络层级系数的气象变量有未训练，若所述不同网络层级系数的气象变量停止累计时间未超过有未训练时长，则当前不同网络层级系数的气象变量处理结束，继续处理其他训练气象动态变化。
优选地，所述预设区间采用
的动态形式预设区间来判断不同网络层级系数的气象变量舍弃气象变量，其中，式中字母L表示解析平台的规模，字母Y表示预设区间比例因子。
优选地，若输出神经元信息中上一气象动态变化输出神经元到某一不同网络层级系数的气象变量，而当前中未输出神经元到所述不同网络层级系数的气象变量时，则系统设置一个最大变量阈值，在未达到最大变量阈值之前，并不判断所述不同网络层级系数的气象变量丢失，之后利用递归神经网络算法中的无迹递归神经网络基于上一个的所述不同网络层级系数的气象变量区位置对当前的所述不同网络层级系数的气象变量区进行预测，预测的结果作为当前不同网络层级系数的气象变量区；
若下一不同网络层级系数的特征气象动态变化训练到所述不同网络层级系数的气象变量区位置与所述当前不同网络层级系数的气象变量区匹配，则判断为训练算法错误导致的不同网络层级系数的气象变量消失；
若达到最大变量阈值后，直接视为所述不同网络层级系数的气象变量消失，系统删除此不同网络层级系数的气象变量输出神经元信息；
若未达到最大变量阈值的时间段中所述不同网络层级系数的气象变量重新出现，则判断为所述不同网络层级系数的气象变量被短时间未训练。
优选地，获取所述气象动态变化的时间为根据监控需求进行时间长短设定，每秒获取不同数量的气象动态变化。
本申请的系统包含不同网络层级系数的气象变量训练组件，气象监测组件及不同网络层级系数的特征未训练判断组件，其中：
所述不同网络层级系数的气象变量训练组件用于对所述气象监测组件获取到的气象动态变化信息进行不同网络层级系数的气象变量训练并得到不同网络层级系数的气象变量的解析平台及解析平台信息；
所述气象监测组件用于获取气象动态变化信息、设置监管区位置及对所述不同网络层级系数的气象变量训练组件得到的不同网络层级系数的气象变量解析平台及解析平台信息匹配特定训练码后传入至所述不同网络层级系数的特征未训练判断组件；
所述不同网络层级系数的特征未训练判断组件用于接收到匹配好特定训练码的不同网络层级系数的气象变量解析平台及解析平台信息后输出神经元信息，查找每一个所述输出神经元信息，根据所述监管区位置判断此不同网络层级系数的气象变量是否位于监管区内，并再次更新输出神经元信息，根据更新后的所述输出神经元信息判断不同网络层级系数的气象变量是否应该被发出积冰预警；
所述不同网络层级系数的特征未训练判断组件，根据气象监测组件的输出神经元信息，遍历所有输出神经元到的不同网络层级系数的气象变量，若为新输出神经元到的不同网络层级系数的气象变量，则对其信息进行初始化；
若之前系统已输出神经元到此不同网络层级系数的气象变量，当前又输出神经元到此不同网络层级系数的气象变量，则首先判断其是否位于不同网络层级系数的气象变量解析平台内，采用不同网络层级系数的气象变量解析平台规模和调取速度和不同网络层级系数的气象变量解析平台的数据计算空间判断不同网络层级系数的气象变量是否处于不同网络层级系数的气象变量解析平台。
优选地，所述输出神经元信息包括：不同网络层级系数的气象变量训练码、不同网络层级系数的气象变量解析平台、不同网络层级系数的气象变量是否进入不同网络层级系数的气象变量解析平台、不同网络层级系数的气象变量进入不同网络层级系数的气象变量解析平台时间、不同网络层级系数的气象变量是否已被发出积冰预警。
优选地，所述气象信息集利用大数据算法对气象的待优化信息进行实时抓取。
优选地，一种可读存储介质,其上存储有可执行程序,可执行程序被处理器执行时实现所述的积冰预报管理方法的步骤。
优选地，一种积冰预报管理设备，包括存储器和处理器,所述存储器存储有可执行程序,其特征在于,处理器执行所述可执行程序时实现积冰预报管理方法的步骤。
本发明将于循环神经网络的不同网络层级系数的气象变量训练技术用于不同网络层级系数的气象变量训练，该方法能从气象动态变化中准确地训练不同网络层级系数的气象变量，并对不同网络层级系数的气象变量进行输出神经元，然后通过一系列不同网络层级系数的气象变量有未训练的逻辑判断，准确高效地训练出不同网络层级系数的气象变量并产生发出积冰预警，从而实现不同网络层级系数的气象变量有未训练的智能化监管。从而大幅度地提高了工作人员的效率，同时也节约大量的人力物力；
不同网络层级系数的气象变量训练组件：本发明利用气象信息集对基于不同网络层级系数的气象变量调整与优化使用循环神经网络进行加强训练，保证不同网络层级系数的气象变量训练准确率。本发明同时对循环神经网络算法的参数进行动态更新，以保证在有限预算下的性能最优化；
气象监测组件：本发明对训练到的不同网络层级系数的气象变量进行基于输出神经元算法的输出神经元，并维护其个体结构体，用于对不同网络层级系数的气象变量状态进行判断，并且设置输出神经元失效预设区间避免被未训练后产生误报；
不同网络层级系数的特征未训练判断组件：本发明首先对输出神经元到的不同网络层级系数的气象变量进行是否在监管区内进行判断，并提出多种对不同网络层级系数的气象变量舍弃气象变量的判断方式，通过对不同网络层级系数的气象变量进行舍弃气象变量判断，从而避免了传统方法中舍弃气象变量不同网络层级系数的气象变量误报问题；
本发明可方便地从云服务页面对有未训练训练算法进行设置，发出积冰预警消息也可实时地显示在云服务页面中供工作人员查看，与核心训练算法共同组成了一个不同网络层级系数的气象变量有未训练智能训练系统。
附图说明
图1为本发明方法第一流程图；
图2为本发明方法第二流程图；
图3为本发明方法第三流程图；
图4为本发明系统模块组成图；
图5为本发明系统模块第一功能图；
图6为本发明系统模块第二功能图；
图7为本发明系统模块第三功能图。
实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,一种积冰预报管理方法，包括以下步骤：
步骤S1，采集用于训练的不同气象信息，气象信息包括气压高度层、气温、湿度、水平风场、涡度、散度、垂直速度、比湿、云中液态水含量、冰水含量、总降水量、云量，使用循环神经网络自动训练所述不同气象信息中的所有不同网络层级系数的气象变量以得到用于训练的气象信息集；
步骤S2，将所述气象信息集对基于不同网络层级系数的气象变量调整与优化使用循环神经网络进行加强训练；
步骤S3，通过基于大数据的边缘计算网关设置训练算法参数及不同网络层级系数的气象变量解析平台；
步骤S4，获取气象动态变化信息，将气象监控获取到的每一个气象动态变化送入所述不同网络层级系数的气象变量训练模型，得到不同网络层级系数的气象变量训练结果；
步骤S5，将所述不同网络层级系数的气象变量训练结果送入递归神经网络算法，递归神经网络在空域内每个网格点上输出“1,2,3,4”4个分类预报量，分别对应“强，中，弱，无”4种积冰预报，其中每个网格点的空间分辨率为10公里，对训练到的不同网络层级系数的气象变量进行输出神经元；
步骤S6，训练并判断输出神经元的所述不同网络层级系数的气象变量是否位于所述不同网络层级系数的气象变量解析平台并判断所述不同网络层级系数的气象变量是否有未特征提取，如果已完成特征提取，则通过GIS图形化处理绘制出预计航线上的积冰预报图像，最终形成1至3小时内的航线积冰预报，如果未完成特征提取，则返回步骤S1再次使用循环神经网络自动训练。
对基于不同网络层级系数的气象变量调整与优化使用循环神经网络进行加强训练后，同时对循环神经网络算法的参数进行动态更新。
所述递归神经网络算法，表达式为：
其中，
表示不同网络层级系数的气象变量矩阵，/>
表示不同网络层级系数的气象变量的真实值矩阵，Q表示不同网络层级系数的气象变量的权重，/>
表示不同网络层级系数的气象变量的增益矩阵，
所述不同网络层级系数的气象变量，表达式为：
其中，
表示当前时刻不同网络层级系数的气象变量集合，/>
表示前一时刻不同网络层级系数的气象变量集合，/>
表示不同等级优化程度的影响范围，G表示不同网络层级系数的气象变量的种类矩阵，/>
表示不同网络层级系数的气象变量对于优化程度影响的权重，/>
表示优化程度影响的预测值。
如图2所示,判断不同网络层级系数的气象变量是否处于不同网络层级系数的气象变量解析平台包含以下步骤：
步骤Z1，获取当前气象动态变化中某一个不同网络层级系数的气象变量解析平台的规模和调取速度及不同网络层级系数的气象变量解析平台的数据计算空间；
步骤Z2，不同网络层级系数的气象变量解析平台规模与调取速度均在不同网络层级系数的气象变量解析平台内，判断不同网络层级系数的气象变量有未训练；
步骤Z3，不同网络层级系数的气象变量解析平台只有部分气象变量位于不同网络层级系数的气象变量解析平台内，则进行步骤Z4；
步骤Z4，判断不同网络层级系数的气象变量单位时长气象变量是否位于不同网络层级系数的气象变量解析平台内，不同网络层级系数的气象变量单位时长气象变量位于不同网络层级系数的气象变量解析平台内则判断不同网络层级系数的气象变量有未训练，否则进行下一步；
步骤Z5，继续获取当前气象动态变化中的其他训练不同网络层级系数的气象变量并进不同网络层级系数的气象变量是否有未特征提取判断的操作。
如图3所示,本申请还包含一种判断不同网络层级系数的气象变量位于不同网络层级系数的气象变量解析平台内是否舍弃气象变量的方法，包括以下步骤：
步骤H1，计算前一个气象动态变化中不同网络层级系数的气象变量的单位时长气象变量与当前气象动态变化中所述不同网络层级系数的气象变量的单位时长气象变量的优化范围，若所述优化范围超过预设区间，则判定为不同网络层级系数的气象变量不合理；
步骤H2，若判断不同网络层级系数的气象变量处于不合理状态，则将不同网络层级系数的气象变量中的有未训练时长清零并处理其他不同网络层级系数的气象变量气象动态变化；
步骤H3，不同网络层级系数的气象变量未更新，则获取当前时间并计算不同网络层级系数的气象变量停止累计时间，将所述不同网络层级系数的气象变量停止累计时间与设定的有未训练时长预设区间进行比较，若所述不同网络层级系数的气象变量停止累计时间超过有未训练时长预设区间，则判断为不同网络层级系数的气象变量有未训练，若所述不同网络层级系数的气象变量停止累计时间未超过有未训练时长，则当前不同网络层级系数的气象变量处理结束，继续处理其他训练气象动态变化。
预设区间采用
的动态形式预设区间来判断不同网络层级系数的气象变量舍弃气象变量，其中，式中字母L表示解析平台的规模，字母Y表示预设区间比例因子。
若输出神经元信息中上一气象动态变化输出神经元到某一不同网络层级系数的气象变量，而当前中未输出神经元到所述不同网络层级系数的气象变量时，则系统设置一个最大变量阈值，在未达到最大变量阈值之前，并不判断所述不同网络层级系数的气象变量丢失，之后利用递归神经网络算法中的无迹递归神经网络基于上一个的所述不同网络层级系数的气象变量区位置对当前的所述不同网络层级系数的气象变量区进行预测，预测的结果作为当前不同网络层级系数的气象变量区；
若下一不同网络层级系数的特征气象动态变化训练到所述不同网络层级系数的气象变量区位置与所述当前不同网络层级系数的气象变量区匹配，则判断为训练算法错误导致的不同网络层级系数的气象变量消失；
若达到最大变量阈值后，直接视为所述不同网络层级系数的气象变量消失，系统删除此不同网络层级系数的气象变量输出神经元信息；
若未达到最大变量阈值的时间段中所述不同网络层级系数的气象变量重新出现，则判断为所述不同网络层级系数的气象变量被短时间未训练。
获取所述气象动态变化的时间为根据监控需求进行时间长短设定，每秒获取不同数量的气象动态变化。
如图4至图7所示,本申请的一种积冰预报管理系统包括：
不同网络层级系数的气象变量训练组件，首先基于实际场景采集用于训练的信息，得到信息之后，经过使用循环神经网络自动训练不同气象信息中的所有不同网络层级系数的气象变量，得到用于训练的气象信息集。
为更好的保证训练效果，本发明可通过对训练气象信息集采用平移、翻转、缩放等信息增强的方式使得训练信息量大大增加。
然后通过训练气象信息集对基于不同网络层级系数的气象变量调整与优化使用循环神经网络进行加强训练，以确保模型的准确性。
得到训练好的模型之后，传统方法一般直接将训练好的原始模型结合业务程序直接进行部署利用，这种方式不仅推理速度慢而且极其占用硬件资源。
为保证业务中不同网络层级系数的气象变量训练的实时性，本发明中原始模型利用粒子群算法对模型进行速度更新、位置更新、权重量化等优化模型推理吞吐量的操作，进行前向推理，使得推理加速。
气象监测组件，首先，本发明的智能训练系统通过基于大数据的边缘计算网关设置训练算法参数，云服务页面实时显示要设置气象监控的画面，用户可通过鼠标在画面中绘制不同网络层级系数的气象变量解析平台，当用户绘制完毕后，算法的设置将通过网络发送至算法服务器。
算法接收到设置之后，会根据指定的视频流地址拉取设置气象监控的实时信息，将得到的每一个气象动态变化送入训练好的不同网络层级系数的气象变量训练模型，得到不同网络层级系数的气象变量的不同网络层级系数的气象变量训练结果。
然后将不同网络层级系数的气象变量训练结果送入递归神经网络算法，对训练到的不同网络层级系数的气象变量进行输出神经元。
输出神经元的好处是将时间序列上的同一不同网络层级系数的气象变量进行匹配并赋予同一训练码，避免了连续训练到同一不同网络层级系数的特征连续积冰预警的问题。
不同网络层级系数的特征未训练判断组件，根据气象监测组件的输出神经元信息，遍历所有输出神经元到的不同网络层级系数的气象变量，若为新输出神经元到的不同网络层级系数的气象变量，则对其信息进行初始化；
若之前系统已输出神经元到此不同网络层级系数的气象变量，当前又输出神经元到此不同网络层级系数的气象变量，则首先判断其是否位于不同网络层级系数的气象变量解析平台内，采用不同网络层级系数的气象变量解析平台规模和调取速度和不同网络层级系数的气象变量解析平台的数据计算空间判断不同网络层级系数的气象变量是否处于不同网络层级系数的气象变量解析平台。
不同网络层级系数的气象变量未位于不同网络层级系数的气象变量解析平台内，则当前不同网络层级系数的气象变量处理结束，继续处理其他训练气象动态变化，当所有不同网络层级系数的气象变量遍历完成之后，则当前处理结束，继续获取下一不同网络层级系数的特征。
不同网络层级系数的气象变量位于不同网络层级系数的气象变量解析平台内，本发明采用一种判断不同网络层级系数的气象变量是否舍弃气象变量的方法，来避免不同网络层级系数的气象变量在很大的一片不同网络层级系数的气象变量解析平台内由于堵车或其他原因缓慢行驶的过程中一直处于不同网络层级系数的气象变量解析平台内而被误认为有未训练而积冰预警的问题。
具体方法为：
（1）计算前一个气象动态变化中此不同网络层级系数的气象变量的单位时长气象变量与当前的不同网络层级系数的气象变量单位时长气象变量计算优化范围，若此距离超过一定预设区间，则判定为不同网络层级系数的气象变量不合理；
（2）由于不同网络层级系数的气象变量距离气象监控距离不同从而在气象动态变化中距离气象监控远近不同的不同网络层级系数的气象变量训练出的Pox大小会存在很大差异；例如，远处的10个优化范围与近处的10个优化范围所对应的实际路面距离是不一样的。
因此，若步骤（1）中的方法利用单一的预设区间作为判定条件，会造成对不同远近不同网络层级系数的气象变量判断舍弃气象变量标准不同的情况。
本发明提出利用动态预设区间=
形式来判断不同网络层级系数的气象变量是否舍弃气象变量；
式中J为解析平台的规模，Y表示预设区间比例因子；
在判断过程中Y表示固定值，可由算法人员调节。
设立动态预设区间的效果为，当解析平台较大时，对应的距离预设区间越大，当解析平台较小时，对应的距离预设区间越小，从而使得在距离气象监控不同远近的不同网络层级系数的气象变量进行不合理判断时更精确。
不同网络层级系数的气象变量在不合理，则将不同网络层级系数的气象变量中的有未训练时长清零，继续处理其他训练气象动态变化；
不同网络层级系数的气象变量未在不合理，则获取当前时间并计算不同网络层级系数的气象变量停止累计时间，将不同网络层级系数的气象变量停止累计时间与有未训练时长预设区间进行比较，若超过有未训练时长预设区间，则判断为不同网络层级系数的气象变量有未训练，通过网络将不同网络层级系数的气象变量发送至云服务端，云服务端接收到发出积冰预警消息后，在页面会显示发出积冰预警信息；若没有超过有未训练时长，则当前不同网络层级系数的气象变量处理结束，继续处理其他训练气象动态变化。
若输出神经元信息中上一输出神经元到某一不同网络层级系数的特征，当前中未输出神经元到，此时会出现以下3种情况：
1、训练算法错误未检到不同网络层级系数的气象变量；
2、不同网络层级系数的气象变量超出库范围；
3、存在未训练，其他物体将不同网络层级系数的气象变量未训练导致训练算法无法训练到不同网络层级系数的气象变量。
针对上述情况，本发明处理的具体方法为：结合以上三种可能出现的情况，设置一个最大变量阈值，在未达到最大变量阈值之前，并不判断此不同网络层级系数的气象变量丢失。利用递归神经网络算法中的无迹递归神经网络基于上一的不同网络层级系数的气象变量区位置对其当前的不同网络层级系数的气象变量区进行预测，预测的结果作为当前不同网络层级系数的气象变量区，但输出神经元状态依然为未输出神经元到。
针对第一种情况，若为训练算法错误未检到不同网络层级系数的气象变量，则当下一不同网络层级系数的特征训练到不同网络层级系数的气象变量区时，输出神经元算法得到的不同网络层级系数的气象变量区会与当前不同网络层级系数的气象变量区匹配，避免了由于训练算法不稳定而导致的重复积冰预警问题；
针对第二种情况，当达到最大变量阈值后，算法视为当前不同网络层级系数的气象变量消失，删除此不同网络层级系数的气象变量输出神经元信息；
针对第三种情况，若为短时间未训练，在不同网络层级系数的气象变量重新出现后输出神经元算法依然能基于之前的不同网络层级系数的气象变量区与未训练后的不同网络层级系数的气象变量区匹配，训练为同一不同网络层级系数的气象变量，避免了重复积冰预警的问题。
最大变量阈值建议设置为获取气象动态变化的时间根据监控需求进行时间长短设定，每秒获取不同数量的气象动态变化
具体的不同网络层级系数的气象变量训练组件、气象监测组件及不同网络层级系数的特征未训练判断组件之间通过以下内容通信：
不同网络层级系数的气象变量训练组件经过训练、加速之后生成一个模型文件；
气象监测组件首先通过网络通信获取云服务设置；其中云服务设置具体包括：气象监控流地址、监管区位置；
设置完成后气象监测组件加载不同网络层级系数的气象变量训练组件的模型文件对气象动态变化信息进行不同网络层级系数的气象变量训练并得到不同网络层级系数的气象变量的解析平台及解析平台信息；
再将解析平台送入递归神经网络算法，为每个解析平台匹配特定训练码后传入不同网络层级系数的特征未训练判断组件得到输出神经元信息，其中，输出神经元信息包括不同网络层级系数的气象变量训练码、不同网络层级系数的气象变量解析平台、不同网络层级系数的气象变量是否进入不同网络层级系数的气象变量解析平台、不同网络层级系数的气象变量进入不同网络层级系数的气象变量解析平台时间、不同网络层级系数的气象变量是否已被发出积冰预警；
不同网络层级系数的特征未训练判断组件遍历每一个输出神经元信息，根据监管区位置判断此不同网络层级系数的气象变量是否位于监管区内，并更新输出神经元信息，并根据输出神经元信息判断不同网络层级系数的气象变量是否应该发出积冰预警。
优选地，一种可读存储介质,其上存储有可执行程序,可执行程序被处理器执行时实现所述的积冰预报管理方法的步骤。
优选地，一种积冰预报管理设备，包括存储器和处理器,所述存储器存储有可执行程序,其特征在于,处理器执行所述可执行程序时实现积冰预报管理方法的步骤。
在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。
Claims (7)
1.一种积冰预报管理方法，其特征在于：该方法包括：
步骤S1，采集用于训练的不同气象信息，气象信息包括气压高度层、气温、湿度、水平风场、涡度、散度、垂直速度、比湿、云中液态水含量、冰水含量、总降水量、云量，使用循环神经网络自动训练所述不同气象信息中的所有不同网络层级系数的气象变量以得到用于训练的气象信息集；
步骤S2，将所述气象信息集对基于不同网络层级系数的气象变量调整与优化使用循环神经网络进行加强训练；
步骤S3，通过基于大数据的边缘计算网关设置训练算法参数及不同网络层级系数的气象变量解析平台；
步骤S4，获取气象动态变化信息，将气象监控获取到的每一个气象动态变化送入所述不同网络层级系数的气象变量训练模型，得到不同网络层级系数的气象变量训练结果；
步骤S5，将所述不同网络层级系数的气象变量训练结果送入递归神经网络算法，递归神经网络在空域内每个网格点上输出“1,2,3,4”4个分类预报量，分别对应“强，中，弱，无”4种积冰预报，其中每个网格点的空间分辨率为10公里，对训练到的不同网络层级系数的气象变量进行输出神经元；
步骤S6，训练并判断输出神经元的所述不同网络层级系数的气象变量是否位于所述不同网络层级系数的气象变量解析平台并判断所述不同网络层级系数的气象变量是否有未特征提取，如果已完成特征提取，则通过GIS图形化处理绘制出预计航线上的积冰预报图像，最终形成1至3小时内的航线积冰预报，如果未完成特征提取，则返回步骤S1再次使用循环神经网络自动训练；
判断不同网络层级系数的气象变量是否处于不同网络层级系数的气象变量解析平台包含以下步骤：
步骤Z1，获取当前气象动态变化中某一个不同网络层级系数的气象变量解析平台的规模和调取速度及不同网络层级系数的气象变量解析平台的数据计算空间；
步骤Z2，不同网络层级系数的气象变量解析平台规模与调取速度均在不同网络层级系数的气象变量解析平台内，判断不同网络层级系数的气象变量有未训练；
步骤Z3，不同网络层级系数的气象变量解析平台只有部分气象变量位于不同网络层级系数的气象变量解析平台内，则进行步骤Z4；
步骤Z4，判断不同网络层级系数的气象变量单位时长气象变量是否位于不同网络层级系数的气象变量解析平台内，不同网络层级系数的气象变量单位时长气象变量位于不同网络层级系数的气象变量解析平台内则判断不同网络层级系数的气象变量有未训练，否则进行下一步；
步骤Z5，继续获取当前气象动态变化中的其他训练不同网络层级系数的气象变量并进不同网络层级系数的气象变量是否有未特征提取判断的操作。
2.根据权利要求1所述的一种积冰预报管理方法，其特征在于：对基于不同网络层级系数的气象变量调整与优化使用循环神经网络进行加强训练后，同时对循环神经网络算法的参数进行动态更新。
3.根据权利要求1所述的一种积冰预报管理方法，其特征在于：还包含一种判断不同网络层级系数的气象变量位于不同网络层级系数的气象变量解析平台内是否舍弃气象变量的方法，包括以下步骤：
步骤H1，计算前一个气象动态变化中不同网络层级系数的气象变量的单位时长气象变量与当前气象动态变化中所述不同网络层级系数的气象变量的单位时长气象变量的优化范围，若所述的优化范围超过预设区间，则判定为不同网络层级系数的气象变量不合理；
步骤H2，若判断不同网络层级系数的气象变量处于不合理状态，则将不同网络层级系数的气象变量中的有未训练时长清零并处理其他不同网络层级系数的气象变量气象动态变化；
步骤H3，不同网络层级系数的气象变量未更新，则获取当前时间并计算不同网络层级系数的气象变量停止累计时间，将所述不同网络层级系数的气象变量停止累计时间与设定的有未训练时长预设区间进行比较，若所述不同网络层级系数的气象变量停止累计时间超过有未训练时长预设区间，则判断为不同网络层级系数的气象变量有未训练，若所述不同网络层级系数的气象变量停止累计时间未超过有未训练时长，则当前不同网络层级系数的气象变量处理结束，继续处理其他训练气象动态变化。
4.根据权利要求3所述的一种积冰预报管理方法，其特征在于：若输出神经元信息中上一气象动态变化输出神经元到某一不同网络层级系数的气象变量，而当前中未输出神经元到所述不同网络层级系数的气象变量时，则系统设置一个最大变量阈值，在未达到最大变量阈值之前，并不判断所述不同网络层级系数的气象变量丢失，之后利用递归神经网络算法中的无迹递归神经网络基于上一个的所述不同网络层级系数的气象变量区位置对当前的所述不同网络层级系数的气象变量区进行预测，预测的结果作为当前不同网络层级系数的气象变量区；若下一不同网络层级系数的特征气象动态变化训练到所述不同网络层级系数的气象变量区位置与所述当前不同网络层级系数的气象变量区匹配，则判断为训练算法错误导致的不同网络层级系数的气象变量消失；若达到最大变量阈值后，直接视为所述不同网络层级系数的气象变量消失，系统删除此不同网络层级系数的气象变量输出神经元信息；若未达到最大变量阈值的时间段中所述不同网络层级系数的气象变量重新出现，则判断为所述不同网络层级系数的气象变量被短时间未训练。
5.根据权利要求4所述的一种积冰预报管理方法，其特征在于：获取所述气象动态变化的时间为根据监控需求进行时间长短设定，每秒获取不同数量的气象动态变化。
6.一种可读存储介质,其上存储有可执行程序,其特征在于,所述可执行程序被处理器执行时实现权利要求1至5中任意一项所述的积冰预报管理方法的步骤。
7.一种积冰预报管理设备，包括存储器和处理器,所述存储器存储有可执行程序,其特征在于,所述处理器执行所述可执行程序时实现权利要求1至5中任意一项所述的积冰预报管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211497545.9A CN115857059B (zh) | 2022-11-24 | 2022-11-24 | 一种积冰预报管理方法、系统、可读存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211497545.9A CN115857059B (zh) | 2022-11-24 | 2022-11-24 | 一种积冰预报管理方法、系统、可读存储介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115857059A CN115857059A (zh) | 2023-03-28 |
| CN115857059B true CN115857059B (zh) | 2023-07-07 |
Family
ID=85666955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211497545.9A Active CN115857059B (zh) | 2022-11-24 | 2022-11-24 | 一种积冰预报管理方法、系统、可读存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115857059B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114124661B (zh) * | 2021-08-18 | 2024-04-16 | 广东电网有限责任公司广州供电局 | 一种电网Ka高通量卫星网络通信故障判定方法及装置 |
| CN117093953B (zh) * | 2023-10-20 | 2023-12-19 | 成都流体动力创新中心 | 一种多气象要素融合的飞机结冰快速修正预测方法和系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866525A (zh) * | 2010-05-28 | 2010-10-20 | 中国民航大学 | 基于多传感器的地面飞机表面结冰预报装置及方法 |
| CN107016819A (zh) * | 2017-06-05 | 2017-08-04 | 中国民航大学 | 一种机场道面积冰预警系统及其预警方法 |
| US10217028B1 (en) * | 2017-08-22 | 2019-02-26 | Northrop Grumman Systems Corporation | System and method for distributive training and weight distribution in a neural network |
| CN109578226A (zh) * | 2018-11-08 | 2019-04-05 | 明阳智慧能源集团股份公司 | 基于结冰探测器与场群互通的风电机组结冰状态检测方法 |
| CN109671274A (zh) * | 2019-01-24 | 2019-04-23 | 交通运输部公路科学研究所 | 一种基于特征构造和融合的公路风险自动评估方法 |
| CN109958588A (zh) * | 2017-12-14 | 2019-07-02 | 北京金风科创风电设备有限公司 | 结冰预测方法、装置、存储介质、模型生成方法及装置 |
| CN111738481A (zh) * | 2020-04-01 | 2020-10-02 | 南京航空航天大学 | 基于bp神经网络的飞机结冰气象参数mvd预测方法 |
| CN113435645A (zh) * | 2021-06-24 | 2021-09-24 | 长安大学 | 一种路面凝冰时间预测方法、系统、装置及存储介质 |
| CN114021836A (zh) * | 2021-11-16 | 2022-02-08 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 |
| CN114169503A (zh) * | 2021-12-09 | 2022-03-11 | 中国民航大学 | 一种飞机着陆距离精准预测方法 |
| KR20220057740A (ko) * | 2020-10-30 | 2022-05-09 | 홍익대학교 산학협력단 | 순환신경망을 이용한 하천 지역 침수 예측 방법 |
| CN114549914A (zh) * | 2022-04-24 | 2022-05-27 | 中国民航大学 | 一种飞机大面积结冰检测方法及检测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11797823B2 (en) * | 2020-02-18 | 2023-10-24 | Adobe Inc. | Model training with retrospective loss |
| US20220292360A1 (en) * | 2021-03-15 | 2022-09-15 | Nvidia Corporation | Pruning neural networks |
-
2022
- 2022-11-24 CN CN202211497545.9A patent/CN115857059B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866525A (zh) * | 2010-05-28 | 2010-10-20 | 中国民航大学 | 基于多传感器的地面飞机表面结冰预报装置及方法 |
| CN107016819A (zh) * | 2017-06-05 | 2017-08-04 | 中国民航大学 | 一种机场道面积冰预警系统及其预警方法 |
| US10217028B1 (en) * | 2017-08-22 | 2019-02-26 | Northrop Grumman Systems Corporation | System and method for distributive training and weight distribution in a neural network |
| CN109958588A (zh) * | 2017-12-14 | 2019-07-02 | 北京金风科创风电设备有限公司 | 结冰预测方法、装置、存储介质、模型生成方法及装置 |
| CN109578226A (zh) * | 2018-11-08 | 2019-04-05 | 明阳智慧能源集团股份公司 | 基于结冰探测器与场群互通的风电机组结冰状态检测方法 |
| CN109671274A (zh) * | 2019-01-24 | 2019-04-23 | 交通运输部公路科学研究所 | 一种基于特征构造和融合的公路风险自动评估方法 |
| CN111738481A (zh) * | 2020-04-01 | 2020-10-02 | 南京航空航天大学 | 基于bp神经网络的飞机结冰气象参数mvd预测方法 |
| KR20220057740A (ko) * | 2020-10-30 | 2022-05-09 | 홍익대학교 산학협력단 | 순환신경망을 이용한 하천 지역 침수 예측 방법 |
| CN113435645A (zh) * | 2021-06-24 | 2021-09-24 | 长安大学 | 一种路面凝冰时间预测方法、系统、装置及存储介质 |
| CN114021836A (zh) * | 2021-11-16 | 2022-02-08 | 电子科技大学 | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 |
| CN114169503A (zh) * | 2021-12-09 | 2022-03-11 | 中国民航大学 | 一种飞机着陆距离精准预测方法 |
| CN114549914A (zh) * | 2022-04-24 | 2022-05-27 | 中国民航大学 | 一种飞机大面积结冰检测方法及检测系统 |
Non-Patent Citations (4)
| Title |
|---|
| An Application of Deep Neural Networks to the In-flight Parameter Identification for Detection and Characterization of Aircraft Icing;Yiqun Dong;《Aerospace Science and Technology》;第1页-28页 * |
| 基于BP神经网络的冰形特征参数预测;柴聪聪;《实验流体力学》;第35卷(第3期);第16-20页 * |
| 基于PCA的概率神经网络结构优化;邢杰;萧德云;;清华大学学报(自然科学版)网络.预览(01);全文 * |
| 基于多变量多项式的机场跑道道面积冰预测;王立文;高德伟;陈斌;张洋;;计算机仿真(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115857059A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115857059B (zh) | 一种积冰预报管理方法、系统、可读存储介质和设备 | |
| CN109738970B (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
| US7391358B2 (en) | Weather radar echo tops forecast generation | |
| CN103530704B (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
| CN108805337B (zh) | 航空运行控制风险管控方法及系统 | |
| CN110363333A (zh) | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 | |
| Kern et al. | Data-driven aircraft estimated time of arrival prediction | |
| Wolfson et al. | Automated microburst wind-shear prediction | |
| Wang et al. | Modeling weather impact on ground delay programs | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN117093953B (zh) | 一种多气象要素融合的飞机结冰快速修正预测方法和系统 | |
| CN114386654A (zh) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 | |
| Niu et al. | Precipitation forecast based on multi-channel ConvLSTM and 3d-CNN | |
| CN111175852B (zh) | 一种基于长短时记忆算法的机场大雾预报预警方法 | |
| CN115662196B (zh) | 飞机积冰预报信息处理方法、装置、电子设备及存储介质 | |
| CN112101639A (zh) | 一种基于多源气象数据的机场通行能力分析方法及系统 | |
| Zhang et al. | A real-time algorithm to identify convective precipitation adjacent to or within the bright band in the radar scan domain | |
| CN115293366A (zh) | 模型训练方法、信息预测方法、装置、设备及介质 | |
| CN114219151A (zh) | 自适应通用航空应急救援气象保障系统 | |
| Li et al. | Research on Machine Learning-based Nowcasting Method for Low Visibility Weather in Urumqi Airport | |
| CN111967653A (zh) | 一种构建机场跑道风预报模型的方法及预报方法、系统 | |
| Wolff et al. | Forecast icing product: Recent upgrades and improvements | |
| Crispel et al. | Processing AROME vertical profiles with Machine Learning methods to diagnose aeronautical ceiling for TAF messages | |
| Isaac et al. | Decision making regarding aircraft de-icing and in-flight icing using the Canadian Airport Nowcasting System (CAN-Now) | |
| CN116562637B (zh) | 航班改航运行决策方法、系统、装置及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |