CN116306787A - 能见度预警模型构建方法、系统、计算机及可读存储介质 - Google Patents
能见度预警模型构建方法、系统、计算机及可读存储介质 Download PDFInfo
- Publication number
- CN116306787A CN116306787A CN202310575006.0A CN202310575006A CN116306787A CN 116306787 A CN116306787 A CN 116306787A CN 202310575006 A CN202310575006 A CN 202310575006A CN 116306787 A CN116306787 A CN 116306787A
- Authority
- CN
- China
- Prior art keywords
- visibility
- data
- preset
- value
- neural network
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 124
- 238000003062 neural network model Methods 0.000 claims abstract description 120
- 239000011159 matrix material Substances 0.000 claims abstract description 79
- 230000004913 activation Effects 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims description 91
- 239000003344 environmental pollutant Substances 0.000 claims description 58
- 231100000719 pollutant Toxicity 0.000 claims description 58
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 239000000356 contaminant Substances 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种能见度预警模型构建方法、系统、计算机及可读存储介质，该方法包括获取样本数据集；将样本数据集输入至预设LSTM神经网络模型中，并确定出目标激活函数；通过目标激活函数对预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以输出若干训练值，并通过预设损失函数对若干训练值进行反向迭代传播训练，以输出理论能见度值；判断理论能见度值与实际能见度值之间的差值是否最小且维持预设时间；若是，则完成对预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。通过上述方式能够构建出能见度预警模型，从而能够通过该能见度预警模型预警出准确的能见度值。
Description
技术领域
本发明涉及气象技术领域，特别涉及一种能见度预警模型构建方法、系统、计算机及可读存储介质。
背景技术
随着大气能见度（Atmospheric visibility）是指视力正常的人在自然条件下，能够在背景中分辨出目标物的最远水平距离，它能够反映大气透明度和大气污染情况。在一个无任何污染的自然条件下，大气能见度的最高值理论上可以达到250km。然而，由于大气和气溶胶对光散射和吸收作用的存在，大气能见度的大小往往会受到实际自然条件的约束。
大气能见度的变化作为一种复杂的大气光学现象，受到多种影响因素的综合作用影响，其中大气污染物和气象要素是导致其变化最主要的原因。
现有技术大部分采用相关分析以及数值拟合等方法分析能见度与气象要素间的关系，再通过这些气象因子的数值预报，进而达到预警能见度的目的。然而，由于各地气候背景和大气污染情况不一，使得分析中往往考虑不周，导致获取到的预警结果容易出现比较大的偏差，给人们的生活带来了不便。
发明内容
基于此，本发明的目的是提供一种能见度预警模型构建方法、系统、计算机及可读存储介质，以解决现有技术大部分采用相关分析以及数值拟合等方法分析能见度与气象要素间的关系，再通过这些气象因子的数值预报，进而达到预警能见度的目的。然而，由于各地气候背景和大气污染情况不一，使得分析中往往考虑不周，导致获取到的预警结果容易出现比较大的偏差的问题。
本发明实施例第一方面提出了一种能见度预警模型构建方法，所述方法包括：
获取历史能见度数据、气象要素数据以及污染物浓度数据，并根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集；
将所述样本数据集输入至预设LSTM神经网络模型中，并确定出与所述预设LSTM神经网络模型对应的目标激活函数；
通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值，并通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值；
判断所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值是否最小且维持预设时间；
若判断到所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值最小且维持预设时间，则完成对所述预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。
本发明的有益效果是：通过首先获取到样本数据集；进一步的，将样本数据集输入至预设LSTM神经网络模型中，并确定出与LSTM神经网络模型对应的目标激活函数；在此基础之上，通过目标激活函数对预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使目标激活函数输出若干对应的训练值，并通过预设损失函数对若干训练值进行反向迭代传播训练，以使LSTM神经网络模型实时输出对应的理论能见度值；更进一步的，判断理论能见度值与历史能见度数据对应的实际能见度值之间的差值是否最小且维持预设时间；具体的，若是，则完成对预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。通过上述方式能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
优选的，所述根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集的步骤包括：
通过离差标准化算法对所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据进行标准化处理，以生成对应的标准能见度数据、标准气象数据以及标准污染物数据，并将所述标准能见度数据、所述标准气象数据以及所述标准污染物数据调整至预设处理区间内，所述预设处理区间的范围为0至1；
基于预设规则在所述预设处理区间中对所述标准能见度数据、所述标准气象数据以及所述标准污染物数据进行数据组合处理，以生成若干对应的数据子集，并对若干所述数据子集进行整合处理，以生成所述样本数据集；
其中，所述离差标准化算法的表达式为：
其中，MIN(x)表示序列数据所有样本里的最小值，MAX(x)表示序列数据所有样本中的最大值，x表示样本。
优选的，所述通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值的步骤包括：
当获取到所述样本数据集时，识别出所述样本数据集中包含的能见度数值、气象数值以及污染物浓度数值，并将所述能见度数值、所述气象数值以及所述污染物浓度数值分别输入至所述预设LSTM神经网络模型中的若干矩阵单元中，并对若干所述矩阵单元分别施加若干对应的权重，以使所述预设LSTM神经网络模型输出若干所述权重矩阵，若干所述权重之和为1；
将若干所述权重矩阵输入所述目标激活函数中，并通过所述目标激活函数中的非线性单元对若干所述权重矩阵进行非线性化处理，以使所述目标激活函数输出若干所述训练值。
优选的，所述预设LSTM神经网络模型包括遗忘门、输入门以及输出门，所述对若干所述矩阵单元分别施加若干对应的权重，以使所述预设LSTM神经网络模型输出若干所述权重矩阵的步骤包括：
当获取到若干所述矩阵单元时，通过所述输入门将若干所述矩阵单元输入至所述遗忘门中，并通过所述遗忘门对若干所述矩阵单元赋予不同的记忆值；
基于预设算法根据所述记忆值计算出若干所述矩阵单元分别对应的若干基础权重参数，并将若干所述基础权重参数分别融合至对应的矩阵单元中，以生成对应的目标矩阵单元；
通过所述目标矩阵单元输出对应的权重矩阵，并使所述输出门对应输出所述权重矩阵。
优选的，所述通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值的步骤之前，所述方法还包括：
逐一识别出所述预设LSTM神经网络模型包含的若干训练层，并检测出每一所述训练层中包含的若干网络节点；
对每一所述网络节点均设置对应的预设舍弃权重，以根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出对应的目标训练值。
优选的，所述通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值的步骤之后，所述方法还包括：
根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出与所述目标训练值对应的舍弃训练值，并根据所述舍弃训练值构建出对应的测试集；
通过所述测试集对所述预设LSTM神经网络模型进行测试，以验证所述理论能见度值的准确性。
优选的，所述预设损失函数的表达式为：
其中，RMSE表示所述预设损失函数输出的均方根误差，且RMSE的值越小，表示模型预警结果越好，n表示样本数量，
表示i时刻的预警值，/>
表示i时刻的实际值。
本发明实施例第二方面提出了一种能见度预警模型构建系统，所述系统包括：
获取模块，用于获取历史能见度数据、气象要素数据以及污染物浓度数据，并根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集；
输入模块，用于将所述样本数据集输入至预设LSTM神经网络模型中，并确定出与所述预设LSTM神经网络模型对应的目标激活函数；
训练模块，用于通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值，并通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值；
判断模块，用于判断所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值是否最小且维持预设时间；
执行模块，用于若判断到所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值最小且维持预设时间，则完成对所述预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。
其中，上述能见度预警模型构建系统中，所述获取模块具体用于：
通过离差标准化算法对所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据进行标准化处理，以生成对应的标准能见度数据、标准气象数据以及标准污染物数据，并将所述标准能见度数据、所述标准气象数据以及所述标准污染物数据调整至预设处理区间内，所述预设处理区间的范围为0至1；
基于预设规则在所述预设处理区间中对所述标准能见度数据、所述标准气象数据以及所述标准污染物数据进行数据组合处理，以生成若干对应的数据子集，并对若干所述数据子集进行整合处理，以生成所述样本数据集；
其中，所述离差标准化算法的表达式为：
其中，MIN(x)表示序列数据所有样本里的最小值，MAX(x)表示序列数据所有样本中的最大值，x表示样本。
其中，上述能见度预警模型构建系统中，所述训练模块具体用于：
当获取到所述样本数据集时，识别出所述样本数据集中包含的能见度数值、气象数值以及污染物浓度数值，并将所述能见度数值、所述气象数值以及所述污染物浓度数值分别输入至所述预设LSTM神经网络模型中的若干矩阵单元中，并对若干所述矩阵单元分别施加若干对应的权重，以使所述预设LSTM神经网络模型输出若干所述权重矩阵，若干所述权重之和为1；
将若干所述权重矩阵输入所述目标激活函数中，并通过所述目标激活函数中的非线性单元对若干所述权重矩阵进行非线性化处理，以使所述目标激活函数输出若干所述训练值。
其中，上述能见度预警模型构建系统中，所述预设LSTM神经网络模型包括遗忘门、输入门以及输出门，所述训练模块还具体用于：
当获取到若干所述矩阵单元时，通过所述输入门将若干所述矩阵单元输入至所述遗忘门中，并通过所述遗忘门对若干所述矩阵单元赋予不同的记忆值；
基于预设算法根据所述记忆值计算出若干所述矩阵单元分别对应的若干基础权重参数，并将若干所述基础权重参数分别融合至对应的矩阵单元中，以生成对应的目标矩阵单元；
通过所述目标矩阵单元输出对应的权重矩阵，并使所述输出门对应输出所述权重矩阵。
其中，上述能见度预警模型构建系统中，所述能见度预警模型构建系统还包括筛选模块，所述筛选模块具体用于：
逐一识别出所述预设LSTM神经网络模型包含的若干训练层，并检测出每一所述训练层中包含的若干网络节点；
对每一所述网络节点均设置对应的预设舍弃权重，以根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出对应的目标训练值。
其中，上述能见度预警模型构建系统中，所述能见度预警模型构建系统还包括测试模块，所述测试模块具体用于：
根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出与所述目标训练值对应的舍弃训练值，并根据所述舍弃训练值构建出对应的测试集；
通过所述测试集对所述预设LSTM神经网络模型进行测试，以验证所述理论能见度值的准确性。
其中，上述能见度预警模型构建系统中，所述预设损失函数的表达式为：
其中，RMSE表示所述预设损失函数输出的均方根误差，且RMSE的值越小，表示模型预警结果越好，n表示样本数量，
表示i时刻的预警值，/>
表示i时刻的实际值。
本发明实施例第三方面提出了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上面所述的能见度预警模型构建方法。
本发明实施例第四方面提出了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上面所述的能见度预警模型构建方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明一实施例提供的能见度预警模型构建方法的流程图；
图2为本发明一实施例提供的能见度预警模型构建方法中的LSTM神经网络模型的结构示意图；
图3为本发明一实施例提供的能见度预警模型构建系统的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有技术大部分采用相关分析以及数值拟合等方法分析能见度与气象要素间的关系，再通过这些气象因子的数值预报，进而达到预警能见度的目的。然而，由于各地气候背景和大气污染情况不一，使得分析中往往考虑不周，导致获取到的预警结果容易出现比较大的偏差，给人们的生活带来了不便。
请参阅图1，所示为本发明第一实施例提供的能见度预警模型构建方法，本实施例提供的能见度预警模型构建方法能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
具体的，本实施例提供的能见度预警模型构建方法具体包括以下步骤：
步骤S10，获取历史能见度数据、气象要素数据以及污染物浓度数据，并根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集；
具体的，在本实施例中，首先需要说明的是，本实施例提供的能见度预警模型具体应用在气象监测技术领域，进一步的，具体用于准确的预警出未来一天的能见度的具体数值，以给人们的出行提供便利。
因此，在本步骤中，需要说明的是，本实施例为了能够准确的构建出需要的能见度预警模型，本实施例会同时考虑能够影响能见度的气象数据以及污染物浓度数据，其中，气象数据包括若干气象因子，污染物浓度数据包括若干污染因子，具体的，若干气象因子具体包括气温、风速、气压以及相对湿度，若干污染因子具体包括二氧化硫、二氧化氮PM10、以及PM2.5，都在本实施例的保护范围之内。
进一步的，本步骤在实时获取到历史能见度数据、气象要素数据以及污染物浓度数据之后，本步骤会进一步根据当前历史能见度数据、气象要素数据以及污染物浓度数据生成对应的样本数据集，即对上述三种数据进行整合处理，以得到需要的样本数据集。
步骤S20，将所述样本数据集输入至预设LSTM神经网络模型中，并确定出与所述预设LSTM神经网络模型对应的目标激活函数；
进一步的，在本步骤中，需要说明的是，本步骤在通过上述步骤获取到需要的样本数据集之后，本步骤会立即将获取到的样本数据集输入至预先设置好的LSTM神经网络模型（Long-Short Term Memory, 长短期记忆网络）中，与此同时，确定出与当前LSTM神经网络模型最适配的目标激活函数，优选的，本实施例采用ReLU（线性整流函数）作为目标激活函数。
步骤S30，通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值，并通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值；
更进一步的，本实施例在通过上述步骤分别获取到需要的目标激活函数以及LSTM神经网络模型之后，本步骤会进一步通过该目标激活函数对该LSTM神经网络模型输出的权重矩阵进行非线性化处理，从而使该目标激活函数能够输出若干对应的训练值，在此基础之上，本步骤进一步通过预先设置好的损失函数对当前若干训练值进行反向迭代传播训练，进而能够使当前LSTM神经网络模型实时输出需要的理论能见度值。
其中，需要指出的是，本实施例经过100次反向迭代传播训练能够使当前LSTM神经网络模型最终输出精度最高的理论能见度值，以完成对应的训练。
步骤S40，判断所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值是否最小且维持预设时间；
具体的，在本实施例中，需要说明的是，本实施例实时获取到的历史能见度数据中包含有已经产生的实际能见度值，即在过往时间内已经产生的能见度值。
在此基础之上，本实施例会实时判断上述LSTM神经网络模型实时输出的理论能见度值与当前实际能见度值两者之间的差值是否最小，并且是否维持了预设时间没有发生变化。
步骤S50，若判断到所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值最小且维持预设时间，则完成对所述预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。
最后，在本步骤中，需要说明的是，若本实施例最终判断到当前理论能见度值与上述历史能见度数据中的实际能见度值之间的差值最小，并且在预设时间内也不发生变化，则说明此时LSTM神经网络模型输出的理论能见度值的精度最高，同时完成了对上述LSTM神经网络模型的训练，从而能够将训练完成的LSTM神经网络模型作为后续的能见度预警模型。
进一步的，在本实施例中，需要说明的是，当本实施例构建出的能见度预警模型所实时计算出的能见度值超过预设阈值时，该能见度预警模型会实时发出警报，以提醒对应的工作人员执行对应的预警措施。
使用时，通过首先获取到样本数据集；进一步的，将样本数据集输入至预设LSTM神经网络模型中，并确定出与LSTM神经网络模型对应的目标激活函数；在此基础之上，通过目标激活函数对预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使目标激活函数输出若干对应的训练值，并通过预设损失函数对若干训练值进行反向迭代传播训练，以使LSTM神经网络模型实时输出对应的理论能见度值；更进一步的，判断理论能见度值与历史能见度数据对应的实际能见度值之间的差值是否最小且维持预设时间；具体的，若是，则完成对预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。通过上述方式能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
需要说明的是，上述的实施过程只是为了说明本申请的可实施性，但这并不代表本申请的能见度预警模型构建方法只有上述唯一一种实施流程，相反的，只要能够将本申请的能见度预警模型构建方法实施起来，都可以被纳入本申请的可行实施方案。
综上，本发明上述实施例提供的能见度预警模型构建方法能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
本发明第二实施例也提供了一种能见度预警模型构建方法，本实施例提供的能见度预警模型构建方法与上述第一实施例提供的能见度预警模型构建方法不同之处在于：
具体的，在本实施例中，需要说明的是，上述根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集的步骤包括：
通过离差标准化算法对所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据进行标准化处理，以生成对应的标准能见度数据、标准气象数据以及标准污染物数据，并将所述标准能见度数据、所述标准气象数据以及所述标准污染物数据调整至预设处理区间内，所述预设处理区间的范围为0至1；
基于预设规则在所述预设处理区间中对所述标准能见度数据、所述标准气象数据以及所述标准污染物数据进行数据组合处理，以生成若干对应的数据子集，并对若干所述数据子集进行整合处理，以生成所述样本数据集；
其中，所述离差标准化算法的表达式为：
其中，MIN(x)表示序列数据所有样本里的最小值，MAX(x)表示序列数据所有样本中的最大值，x表示样本。
具体的，为了能够有效的缩短模型运算的时间，对应提升模型训练的效率，本实施例会对实时获取到的历史能见度数据、气象要素数据以及污染物浓度数据均进行标准化处理，即进行对应的压缩处理，从而能够将实时接收到的数据均调整至预设处理区间内，对应减少数据的处理量，优选的，该预设处理区间的范围在0至1之间。
进一步的，本实施例具体有三种方式向上述LSTM神经网络模型输入数据，具体的：第一种将上述标准气象数据单独输入至当前LSTM神经网络模型中；第二种将上述标准污染物数据单独输入至当前LSTM神经网络模型中；第三种将上述标准气象数据和上述标注污染物数据同时输入至当前LSTM神经网络模型中，从而能够生成若干对应的数据子集，再进一步对当前若干数据子集进行整合处理，就能够最终得到需要的样本数据集。
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供的相应内容。
综上，本发明上述实施例提供的能见度预警模型构建方法能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
本发明第三实施例也提供了一种能见度预警模型构建方法，本实施例提供的能见度预警模型构建方法与上述第一实施例提供的能见度预警模型构建方法不同之处在于：
具体的，在本实施例中，需要说明的是，上述通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值的步骤包括：
当获取到所述样本数据集时，识别出所述样本数据集中包含的能见度数值、气象数值以及污染物浓度数值，并将所述能见度数值、所述气象数值以及所述污染物浓度数值分别输入至所述预设LSTM神经网络模型中的若干矩阵单元中，并对若干所述矩阵单元分别施加若干对应的权重，以使所述预设LSTM神经网络模型输出若干所述权重矩阵，若干所述权重之和为1；
将若干所述权重矩阵输入所述目标激活函数中，并通过所述目标激活函数中的非线性单元对若干所述权重矩阵进行非线性化处理，以使所述目标激活函数输出若干所述训练值。
具体的，在本实施例中，本实施例会进一步识别出当前实时获取到的样本数据集中包含的能见度数值、气象数值以及污染物浓度数值，与此同时，将当前能见度数值、气象数值以及污染物浓度数值分别输入至上述LSTM神经网络模型中的不同矩阵单元中，以分别进行处理。
在此基础之上，本实施例还会对当前若干矩阵单元分别施加不同的权重，优选的，在本实施例中，能见度数值的权重大于气象数值的权重，气象数值的权重大于污染物浓度数值的权重。具体的，各个权重之和为1，与此同时，能够使当前LSTM神经网络模型输出对应的若干权重矩阵。
进一步的，本实施例将当前若干权重矩阵输入至上述目标激活函数中，并进一步通过该目标激活函数中的非线性单元对当前若干权重矩阵进行非线性化处理，以使当前目标激活函数最终输出需要的若干训练值。具体的，每个训练值都是一个具体的数值，并且大部分分布在0至1之间。
进一步的，在本实施例中，需要指出的是，上述预设LSTM神经网络模型包括遗忘门、输入门以及输出门，所述对若干所述矩阵单元分别施加若干对应的权重，以使所述预设LSTM神经网络模型输出若干所述权重矩阵的步骤包括：
当获取到若干所述矩阵单元时，通过所述输入门将若干所述矩阵单元输入至所述遗忘门中，并通过所述遗忘门对若干所述矩阵单元赋予不同的记忆值；
基于预设算法根据所述记忆值计算出若干所述矩阵单元分别对应的若干基础权重参数，并将若干所述基础权重参数分别融合至对应的矩阵单元中，以生成对应的目标矩阵单元；
通过所述目标矩阵单元输出对应的权重矩阵，并使所述输出门对应输出所述权重矩阵。
具体的，在本实施例中，如图2所示，需要说明的是，本实施例提供的LSTM神经网络模型具体包括遗忘门
、输入门/>
、以及输出门/>
，因此，本实施例在获取到若干矩阵单元之后，会实时通过上述输入门将当前若干矩阵单元输入至上述遗忘门中，与此同时，通过该遗忘门对当前若干矩阵单元赋予不同的记忆值/>
，从而能够进一步根据获取到的记忆值计算出当前若干矩阵单元分别对应的若干基础权重参数，与此同时，将当前若干基础权重参数分别融合至对应的矩阵单元中，进而能够生成对应的目标矩阵单元。另外，还需要指出的是，/>
表示输入值，/>
表示输出值。
需要指出的是，本发明第三实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供的相应内容。
综上，本发明上述实施例提供的能见度预警模型构建方法能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
本发明第四实施例也提供了一种能见度预警模型构建方法，本实施例提供的能见度预警模型构建方法与上述第一实施例提供的能见度预警模型构建方法不同之处在于：
进一步的，在本实施例中，需要指出的是，上述通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值的步骤之前，所述方法还包括：
逐一识别出所述预设LSTM神经网络模型包含的若干训练层，并检测出每一所述训练层中包含的若干网络节点；
对每一所述网络节点均设置对应的预设舍弃权重，以根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出对应的目标训练值。
进一步的，在本实施例中，需要指出的是，本实施例提供的LSTM神经网络模型还包括若干训练层，具体的，每个训练层中均包含有若干网络节点，与此同时，本实施例为了避免当前LSTM神经网络模型出现过拟合的现象，本实施例会进一步在上述每个网络节点中均设置对应的舍弃权重，优选的，本实施例的舍弃权重设置为0.2，即舍弃20％的训练值，选中剩下的80％的训练值，具体的，该80％的训练值就是本实施例需要的目标训练值。
需要指出的是，本发明第四实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供的相应内容。
综上，本发明上述实施例提供的能见度预警模型构建方法能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
本发明第五实施例也提供了一种能见度预警模型构建方法，本实施例提供的能见度预警模型构建方法与上述第一实施例提供的能见度预警模型构建方法不同之处在于：
进一步的，在本实施例中，还需要说明的是，上述通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值的步骤之后，所述方法还包括：
根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出与所述目标训练值对应的舍弃训练值，并根据所述舍弃训练值构建出对应的测试集；
通过所述测试集对所述预设LSTM神经网络模型进行测试，以验证所述理论能见度值的准确性。
具体的，在本实施例中，需要说明的是，为了能够准确的检测出当前LSTM神经网络模型输出的理论能见度值的准确性，本实施例会进一步根据上述舍弃权重在上述目标激活函数输出的若干训练值中筛选出与当前目标训练值对应的舍弃训练值，优选的，例如目标训练值占训练值总数的80％，则对应的，当前舍弃训练值占训练值总数的20％，并且本实施例会进一步根据当前20％的训练值构建出对应的测试集。
在此基础之上，本实施例进一步将当前测试集输入至上述LSTM神经网络模型中，并进行对应的测试，以进一步验证出当前LSTM神经网络模型输出的理论能见度值的准确性以及合理性。
其中，在本实施例中，需要指出的是，上述预设损失函数的表达式为：
其中，RMSE表示所述预设损失函数输出的均方根误差，且RMSE的值越小，表示模型预警结果越好，n表示样本数量，
表示i时刻的预警值，/>
表示i时刻的实际值。
需要指出的是，本发明第五实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供的相应内容。
综上，本发明上述实施例提供的能见度预警模型构建方法能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
请参阅图3，所示为本发明第六实施例提供的能见度预警模型构建系统，所述系统包括：
获取模块12，用于获取历史能见度数据、气象要素数据以及污染物浓度数据，并根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集；
输入模块22，用于将所述样本数据集输入至预设LSTM神经网络模型中，并确定出与所述预设LSTM神经网络模型对应的目标激活函数；
训练模块32，用于通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值，并通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值；
判断模块42，用于判断所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值是否最小且维持预设时间；
执行模块52，用于若判断到所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值最小且维持预设时间，则完成对所述预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。
其中，上述能见度预警模型构建系统中，所述获取模块12具体用于：
通过离差标准化算法对所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据进行标准化处理，以生成对应的标准能见度数据、标准气象数据以及标准污染物数据，并将所述标准能见度数据、所述标准气象数据以及所述标准污染物数据调整至预设处理区间内，所述预设处理区间的范围为0至1；
基于预设规则在所述预设处理区间中对所述标准能见度数据、所述标准气象数据以及所述标准污染物数据进行数据组合处理，以生成若干对应的数据子集，并对若干所述数据子集进行整合处理，以生成所述样本数据集；
其中，所述离差标准化算法的表达式为：
其中，MIN(x)表示序列数据所有样本里的最小值，MAX(x)表示序列数据所有样本中的最大值，x表示样本。
其中，上述能见度预警模型构建系统中，所述训练模块32具体用于：
当获取到所述样本数据集时，识别出所述样本数据集中包含的能见度数值、气象数值以及污染物浓度数值，并将所述能见度数值、所述气象数值以及所述污染物浓度数值分别输入至所述预设LSTM神经网络模型中的若干矩阵单元中，并对若干所述矩阵单元分别施加若干对应的权重，以使所述预设LSTM神经网络模型输出若干所述权重矩阵，若干所述权重之和为1；
将若干所述权重矩阵输入所述目标激活函数中，并通过所述目标激活函数中的非线性单元对若干所述权重矩阵进行非线性化处理，以使所述目标激活函数输出若干所述训练值。
其中，上述能见度预警模型构建系统中，所述预设LSTM神经网络模型包括遗忘门、输入门以及输出门，所述训练模块32还具体用于：
当获取到若干所述矩阵单元时，通过所述输入门将若干所述矩阵单元输入至所述遗忘门中，并通过所述遗忘门对若干所述矩阵单元赋予不同的记忆值；
基于预设算法根据所述记忆值计算出若干所述矩阵单元分别对应的若干基础权重参数，并将若干所述基础权重参数分别融合至对应的矩阵单元中，以生成对应的目标矩阵单元；
通过所述目标矩阵单元输出对应的权重矩阵，并使所述输出门对应输出所述权重矩阵。
其中，上述能见度预警模型构建系统中，所述能见度预警模型构建系统还包括筛选模块62，所述筛选模块62具体用于：
逐一识别出所述预设LSTM神经网络模型包含的若干训练层，并检测出每一所述训练层中包含的若干网络节点；
对每一所述网络节点均设置对应的预设舍弃权重，以根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出对应的目标训练值。
其中，上述能见度预警模型构建系统中，所述能见度预警模型构建系统还包括测试模块72，所述测试模块72具体用于：
根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出与所述目标训练值对应的舍弃训练值，并根据所述舍弃训练值构建出对应的测试集；
通过所述测试集对所述预设LSTM神经网络模型进行测试，以验证所述理论能见度值的准确性。
其中，上述能见度预警模型构建系统中，所述预设损失函数的表达式为：
其中，RMSE表示所述预设损失函数输出的均方根误差，且RMSE的值越小，表示模型预警结果越好，n表示样本数量，
表示i时刻的预警值，/>
表示i时刻的实际值。
本发明第七实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例提供的能见度预警模型构建方法。
本发明第八实施例提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提供的能见度预警模型构建方法。
综上所述，本发明上述实施例提供的能见度预警模型构建方法、系统、计算机及可读存储介质能够同时结合能见度数据、气象数据以及污染物浓度数据对LSTM神经网络模型进行训练，并最终构建出需要的能见度预警模型，从而能够进一步通过该能见度预警模型预警出准确的能见度值，给人们的生活带来了便利，适用于大范围的推广与使用。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种能见度预警模型构建方法，其特征在于，所述方法包括：
获取历史能见度数据、气象要素数据以及污染物浓度数据，并根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集；
将所述样本数据集输入至预设LSTM神经网络模型中，并确定出与所述预设LSTM神经网络模型对应的目标激活函数；
通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值，并通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值；
判断所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值是否最小且维持预设时间；
若判断到所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值最小且维持预设时间，则完成对所述预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。
2.根据权利要求1所述的能见度预警模型构建方法，其特征在于：所述根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集的步骤包括：
通过离差标准化算法对所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据进行标准化处理，以生成对应的标准能见度数据、标准气象数据以及标准污染物数据，并将所述标准能见度数据、所述标准气象数据以及所述标准污染物数据调整至预设处理区间内，所述预设处理区间的范围为0至1；
基于预设规则在所述预设处理区间中对所述标准能见度数据、所述标准气象数据以及所述标准污染物数据进行数据组合处理，以生成若干对应的数据子集，并对若干所述数据子集进行整合处理，以生成所述样本数据集；
其中，所述离差标准化算法的表达式为：
其中，MIN(x)表示序列数据所有样本里的最小值，MAX(x)表示序列数据所有样本中的最大值，x表示样本。
3.根据权利要求1所述的能见度预警模型构建方法，其特征在于：所述通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值的步骤包括：
当获取到所述样本数据集时，识别出所述样本数据集中包含的能见度数值、气象数值以及污染物浓度数值，并将所述能见度数值、所述气象数值以及所述污染物浓度数值分别输入至所述预设LSTM神经网络模型中的若干矩阵单元中，并对若干所述矩阵单元分别施加若干对应的权重，以使所述预设LSTM神经网络模型输出若干所述权重矩阵，若干所述权重之和为1；
将若干所述权重矩阵输入所述目标激活函数中，并通过所述目标激活函数中的非线性单元对若干所述权重矩阵进行非线性化处理，以使所述目标激活函数输出若干所述训练值。
4.根据权利要求3所述的能见度预警模型构建方法，其特征在于：所述预设LSTM神经网络模型包括遗忘门、输入门以及输出门，所述对若干所述矩阵单元分别施加若干对应的权重，以使所述预设LSTM神经网络模型输出若干所述权重矩阵的步骤包括：
当获取到若干所述矩阵单元时，通过所述输入门将若干所述矩阵单元输入至所述遗忘门中，并通过所述遗忘门对若干所述矩阵单元赋予不同的记忆值；
基于预设算法根据所述记忆值计算出若干所述矩阵单元分别对应的若干基础权重参数，并将若干所述基础权重参数分别融合至对应的矩阵单元中，以生成对应的目标矩阵单元；
通过所述目标矩阵单元输出对应的权重矩阵，并使所述输出门对应输出所述权重矩阵。
5.根据权利要求1所述的能见度预警模型构建方法，其特征在于：所述通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值的步骤之前，所述方法还包括：
逐一识别出所述预设LSTM神经网络模型包含的若干训练层，并检测出每一所述训练层中包含的若干网络节点；
对每一所述网络节点均设置对应的预设舍弃权重，以根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出对应的目标训练值。
6.根据权利要求5所述的能见度预警模型构建方法，其特征在于：所述通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值的步骤之后，所述方法还包括：
根据所述预设舍弃权重在所述目标激活函数输出的若干训练值中筛选出与所述目标训练值对应的舍弃训练值，并根据所述舍弃训练值构建出对应的测试集；
通过所述测试集对所述预设LSTM神经网络模型进行测试，以验证所述理论能见度值的准确性。
7.根据权利要求1所述的能见度预警模型构建方法，其特征在于：所述预设损失函数的表达式为：
其中，RMSE表示所述预设损失函数输出的均方根误差，且RMSE的值越小，表示模型预警结果越好，n表示样本数量，
表示i时刻的预警值，/>
表示i时刻的实际值。
8.一种能见度预警模型构建系统，其特征在于，所述系统包括：
获取模块，用于获取历史能见度数据、气象要素数据以及污染物浓度数据，并根据所述历史能见度数据、所述气象要素数据以及所述污染物浓度数据生成对应的样本数据集；
输入模块，用于将所述样本数据集输入至预设LSTM神经网络模型中，并确定出与所述预设LSTM神经网络模型对应的目标激活函数；
训练模块，用于通过所述目标激活函数对所述预设LSTM神经网络模型输出的权重矩阵进行非线性化处理，以使所述目标激活函数输出若干对应的训练值，并通过预设损失函数对若干所述训练值进行反向迭代传播训练，以使所述预设LSTM神经网络模型实时输出对应的理论能见度值；
判断模块，用于判断所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值是否最小且维持预设时间；
执行模块，用于若判断到所述理论能见度值与所述历史能见度数据对应的实际能见度值之间的差值最小且维持预设时间，则完成对所述预设LSTM神经网络模型的训练，并将训练完成的LSTM神经网络模型设定为能见度预警模型。
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的能见度预警模型构建方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任意一项所述的能见度预警模型构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310575006.0A CN116306787B (zh) | 2023-05-22 | 2023-05-22 | 能见度预警模型构建方法、系统、计算机及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310575006.0A CN116306787B (zh) | 2023-05-22 | 2023-05-22 | 能见度预警模型构建方法、系统、计算机及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116306787A true CN116306787A (zh) | 2023-06-23 |
| CN116306787B CN116306787B (zh) | 2023-08-22 |
Family
ID=86824304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310575006.0A Active CN116306787B (zh) | 2023-05-22 | 2023-05-22 | 能见度预警模型构建方法、系统、计算机及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306787B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543906A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心（上海市环境气象中心） | 一种大气能见度预测的方法及设备 |
| CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
| CN112733728A (zh) * | 2021-01-12 | 2021-04-30 | 深圳市安软科技股份有限公司 | 一种能见度边缘计算方法、装置、电子设备及存储介质 |
| US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
| WO2021208455A1 (zh) * | 2020-04-15 | 2021-10-21 | 南京邮电大学 | 一种面向家居口语环境的神经网络语音识别方法及系统 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| CN115081592A (zh) * | 2022-06-13 | 2022-09-20 | 华设设计集团股份有限公司 | 基于遗传算法和前馈神经网络的公路低能见度预估方法 |
| CN115100577A (zh) * | 2022-07-28 | 2022-09-23 | 北京维艾思气象信息科技有限公司 | 基于神经网络的能见度识别方法及系统、电子设备、存储介质 |
-
2023
- 2023-05-22 CN CN202310575006.0A patent/CN116306787B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543906A (zh) * | 2018-11-23 | 2019-03-29 | 长三角环境气象预报预警中心（上海市环境气象中心） | 一种大气能见度预测的方法及设备 |
| US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
| WO2021208455A1 (zh) * | 2020-04-15 | 2021-10-21 | 南京邮电大学 | 一种面向家居口语环境的神经网络语音识别方法及系统 |
| WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
| CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
| CN112733728A (zh) * | 2021-01-12 | 2021-04-30 | 深圳市安软科技股份有限公司 | 一种能见度边缘计算方法、装置、电子设备及存储介质 |
| CN115081592A (zh) * | 2022-06-13 | 2022-09-20 | 华设设计集团股份有限公司 | 基于遗传算法和前馈神经网络的公路低能见度预估方法 |
| CN115100577A (zh) * | 2022-07-28 | 2022-09-23 | 北京维艾思气象信息科技有限公司 | 基于神经网络的能见度识别方法及系统、电子设备、存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 崔相辉;谢剑锋;张丰;丁琳;李增顺;郝震寰;刘勇;赵起超;: "基于深度学习的PM2.5预测模型建立", 北京测绘, no. 06 * |
| 韩伟;吴艳兰;任福;: "基于全连接和LSTM神经网络的空气污染物预测", 地理信息世界, no. 03 * |
| 马楚焱;祖建;付清盼;罗凌霄;: "基于遗传神经网络模型的空气能见度预测", 环境工程学报, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116306787B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111862067B (zh) | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 | |
| US11029260B2 (en) | Solder paste printing quality inspection system and method | |
| CN111259481B (zh) | 一种整合空间信息的建筑室内光环境设计评价方法及装置 | |
| CN112529240B (zh) | 一种大气环境数据的预测方法、系统、装置及存储介质 | |
| CN112036075A (zh) | 一种基于环境监测数据关联关系的异常数据判定方法 | |
| CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
| CN112115927A (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
| CN116933099B (zh) | 一种汽车零部件老化测试方法、系统及介质 | |
| CN114154619A (zh) | 一种基于cnn和bilstm的船舶轨迹预测方法 | |
| CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| CN110567967B (zh) | 显示面板检测方法、系统、终端设备及计算机可读介质 | |
| CN111047476A (zh) | 基于rbf神经网络的大坝结构安全监控精确预测方法及系统 | |
| CN116306787B (zh) | 能见度预警模型构建方法、系统、计算机及可读存储介质 | |
| CN114018219A (zh) | 一种输电杆塔振动监测方法、装置、设备及存储介质 | |
| CN116664846B (zh) | 基于语义分割实现3d打印桥面施工质量监测方法及系统 | |
| CN109856321A (zh) | 异常高值点位的确定方法 | |
| CN116994077A (zh) | 一种复杂风场作用下飞行姿态的回归预测方法 | |
| CN111047160A (zh) | 污染原因分析方法、装置、可读存储介质及电子设备 | |
| CN115980690A (zh) | 晴空回波识别模型构建方法、晴空回波滤波方法及装置 | |
| CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
| CN115758561A (zh) | 一种飞机飞行模拟参数数据的生成方法 | |
| CN114417729A (zh) | 一种基于bp神经网络的矿区环境安全预警方法 | |
| CN113807454A (zh) | 能见度确定方法、装置、计算机设备及可读存储介质 | |
| Soh et al. | Riverbank Monitoring using Image Processing for Early Flood Warning System via IoT | |
| Łęczycki et al. | Extended sensor reliability evaluation method in multi-sensor control systems |
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 |