专利分类
专利分类

大气能见度预测方法专利

专利号:201711238429.4

销售价
1500
大气能见度预测方法专利二维码
  • 累计销量0
  • 浏览次数35
  • 累计评论0
首页

专利名称:大气能见度预测方法

技术领域:能见度预测

IPC主分类号:G01W1/10

申请号:CN201711238429.4

公开日:2020-04-17

说明书

一种大气能见度预测方法

技术领域

[0001] 本发明涉及统计学习与气象领域,特别是一种大气能见度预测方法。

背景技术

[0002] 在气象领域,能见度测报不仅用于日常气象部门的天气分析,更广泛用于高速公路、航空、航海等交通运输部门、军事等领域。
[0003] 白天能见度是指视力正常的人在当时天气条件下,能从天空背景中看到和辨别出目标物轮廓的最大水平距离。能见度观测是判别视程障碍现象及强度的决定性参考依据,准确的能见度观测,能有力的保证交通运输业的正常进行;另一方面也是表征低层大气污染程度的一个重要的物理量。因此,观测好能见度意义十分重大。
[0004] 能见度的观测一般分为目测和器测。目测一般为经过专业训练的测试员,在天气条件下,能够以天空为背景的情况下,看到目标物的最大水平距离。显然这种方法局限性很大,一方面跟气象站的地理条件以及参照物有关;另一方面,受测试人员主观判断的影响。器测法当前主要使用透射仪和向前散射仪等,向前散射客观性强,避免了目标物状况和主观因素影响,但是向前散射仪只是观测特定区域散射区气块的透明度,当气溶胶分布不均时,误差会很大;另外易受非气象因素的影响。现存的能见度测量方法主要存在硬件成本高,操作复杂度大,应用范围小等问题。

发明内容

[0005] 本发明提出了一种大气能见度预测方法。
[0006] 实现本发明的技术解决方案为:一种大气能见度预测方法,具体步骤为:
[0007] 步骤1、根据收集的历年气象数据,构建新的气象数据集,具体构建方法为:
[0008] 将连续两天的气象观测特征合并作为第二天的气象观测特征,并与第三天的能见度数据结合构成第二天的新气象数据,将所有的第二天的新气象数据构成新的气象数据集;
[0009] 步骤2、利用新的气象数据集训练支持向量机,得到支持向量机训练模型;
[0010] 步骤3、利用新的气象数据集训练决策树,得到决策树模型;
[0011] 步骤4、将待预测数据归一化处理后输入至训练过后的支持向量机训练模型,由支持向量机训练模型分类过后输入至相应的训练后的决策树模型,训练后的决策树模型输出最终的大气能见度预测数据。
[0012] 本发明与现有技术相比,其显著优点为:(1)本发明成本低,不需要高昂的设备费用;(2)本发明只需对历年气象观测数据稍作处理,训练模型,即可进行能见度的预测,操作简单;(3)本发明预测的能见度精度在5.15km左右,预测能见度的精度高。
[0013] 下面结合附图对本发明做进一步详细的描述。

附图说明

[0014] 图1为本发明一种大气能见度预测方法的流程图。

具体实施方式

[0015] 一种大气能见度预测方法,具体步骤为:
[0016] 步骤1、根据气象站收集的历年气象数据,构建新的气象数据集,其中,历年气象数据包括气象观测特征和能见度数据,具体构建方法为:
[0017] 将连续两天的气象观测特征合并作为第二天的气象观测特征,并与第三天的能见度数据结合构成第二天的新气象数据,将所有的第二天的新气象数据构成新的气象数据集;
[0018] 进一步地,所述气象观测特征包括:08时地面压强,24小时地面变压,08时地面温度,24小时地面变温,08时地面湿度,850百帕湿度,700百帕湿度,14时湿度,上干下湿指数,08时水平方向分量的地面风速,08时垂直方向分量的地面风速,08时水平方向分量850百帕风速,08时垂直方向分量850百帕风速,风切变,850百帕与地面温度差,wrh,08时温度露点差,08时温度与14点露点差,其中,如果14时风速大于20时风速,wrh=14时风速/(14时湿度+10),如果14时风速小于20时风速,wrh=20时风速/(20时湿度+10)。
[0019] 步骤2、利用新的气象数据集训练支持向量机,得到支持向量机训练模型;
[0020] 步骤2.1、将新的气象数据集分为能见度大于N km和小于N km两部分;
[0021] 进一步的实施例中,N=10km;
[0022] 步骤2.2、分别在能见度大于N km和小于N km的气象数据中选取部分数据样本,组成支持向量机训练集;
[0023] 进一步的实施例中,步骤2.2中选取的部分数据具体为:在能见度小于N km的新数据中,提取前1865个样本,在能见度大于N km的新数据中,在前30000个样本中隔15个样本提取1个样本;
[0024] 步骤2.3、对支持向量机训练集进行归一化处理,得到归一化后的支持向量机训练集,具体处理公式为:
[0025] x'=(x-min)/(max-min)×2-1
[0026] 式中,x'为归一化后的数据样本,x为数据样本的特征值,min为所有数据样本中的最小特征值,max为所有数据样本中的特征最大值;
[0027] 步骤2.4、用归一化之后的支持向量机训练集对支持向量机进行训练,得到支持向量机训练模型,支持向量机参数设置为:C=10000,gamma=0.01,其他参数默认,其中参数C表示支持向量机的惩罚参数,C越大,说明越不能容忍出现误差,C越小,对误分类的惩罚越小,允许容错,将错误当成噪声点;参数gamma是核函数参数,隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma越小,支持向量越多;
[0028] 步骤3、利用新的气象数据训练决策树,得到决策树模型;
[0029] 步骤3.1、将新的气象数据集分为能见度大于N km和能见度小于N km两部分;
[0030] 优选地,N=10km;
[0031] 步骤3.2、分别用能见度大于N km和能见度小于N km的气象数据训练决策树模型,得到能见度大于N km的决策模型和能见度小于N km的决策树模型;
[0032] 优选地,N=10km;
[0033] 步骤4、将待预测数据归一化处理后输入至训练过后的支持向量机,由支持向量机分类过后输入至相应的训练后的决策树模型,训练后的决策树模型输出最终的大气能见度预测数据;
[0034] 进一步的实施例中,步骤4中对待预测数据进行归一化处理的具体方法为:
[0035] x'1=(x1-min1)/(max1-min1)×2-1
[0036] 式中,x'1为归一化后的待预测数据,x1为待预测数据的特征值,min1为所有待预测数据中的最小特征值,max1为所有待预测数据中的最大特征值
[0037] 从而,相比于现在的能见度观测方法,本发明提出的大气能见度预测方法,极大的节约了成本,操作便捷,精确度较好。
[0038] 下面结合实施例进行更详细的描述。
[0039] 实施例1
[0040] 步骤1、本实施例中,根据气象站点收集的2000年到2016年的气象观测数据,共96862条数据,将连续两天的气象观测特征合并作为第三天的气象观测特征,并与第三天的能见度数据结合构成第三天的新气象数据,将所有的第三天的新气象数据构成新的气象数据集。本实施例中的气象观测特征主要涉及到08时地面压强,24小时地面变压,08时地面温度,24小时地面变温,08时地面湿度,850百帕湿度,700百帕湿度,14时湿度,上干下湿指数,
08时水平方向分量的地面风速,08时垂直方向分量的地面风速,08时水平方向分量850百帕风速,08时垂直方向分量850百帕风速,风切变,850百帕与地面温度差,wrh,08时温度露点差,08时温度与14点露点差,其中,如果14时风速大于20时风速,wrh=14时风速/(14时湿度+10),如果14时风速小于20时风速,wrh=20时风速/(20时湿度+10)。
[0041] 步骤2、利用新的气象数据集训练支持向量机,得到支持向量机训练模型;
[0042] 步骤2.1、将新的气象数据集分为能见度大于10km和小于10km两部分;
[0043] 步骤2.2、在能见度小于10km的新数据中,提取前1865个数据样本,在能见度大于10km的新数据中,在前30000个数据样本中隔15个样本提取1个样本;
[0044] 步骤2.3、对支持向量机训练集进行归一化处理,将特征值归一化到[-1,1]的区间内,得到归一化后的支持向量机训练集,具体处理公式为:
[0045] x'=(x-min)/(max-min)×2-1
[0046] 式中,x'为归一化后的数据样本,x为数据样本的特征值,min为所有数据样本中的最小特征值,max为所有数据样本中的特征最大值;
[0047] 步骤2.4、用归一化之后的支持向量机训练集对支持向量机进行训练,,得到支持向量机训练模型。支持向量机参数设置为:C=10000,gamma=0.01,其他参数默认,其中参数C表示支持向量机的惩罚参数,C越大,说明越不能容忍出现误差,C越小,对误分类的惩罚越小,允许容错,将错误当成噪声点;参数gamma是核函数参数,隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma越小,支持向量越多;
[0048] 步骤3、利用新的气象数据训练决策树;
[0049] 步骤3.1、将新的气象数据集分为能见度大于10km和能见度小于10km两部分。
[0050] 步骤3.2、分别用能见度大于10km和能见度小于10km的气象数据训练决策树模型,得到能见度大于10km的决策模型和能见度小于10km的数据模型;
[0051] 利用决策树回归模型,用两组象数据集分别训练决策树,其中能见度小于10km的决策树模型参数设置为默认参数,能见度大于10km的决策树模型参数设置为min_samples_leaf=5,min_samples_split=5,其他参数为默认值。其中min_samples_leaf表示叶子结点最少样本数,如果某叶子结点数目小于样本数,则会和兄弟节点一起被剪枝;min_samples_split表示内部节点再划分所需最小样本数,如果某节点的样本数小于该值,则不会继续再尝试选择最优特征来进行划分。
[0052] 步骤4、将待预测数据归一化处理后输入至训练过后的支持向量机,由支持向量机分类过后输入至相应的训练后的决策树模型,训练后的决策树模型输出最终的大气能见度预测数据;
[0053] 步骤4中对待预测数据进行归一化处理的具体方法为:
[0054] x'1=(x1-min1)/(max1-min1)×2-1
[0055] 式中,x'1为归一化后的待预测数据,x1为待预测数据的特征值,min1为所有待预测数据中的最小特征值,max1为所有待预测数据中的最大特征值。
[0056]
[0057]
[0058] 表1
[0059] 表1为本实施例的具体结果,结合表1所示,dataMat表示所有新的气象数据为96861条,37列;其中前36列为新数据的气象特征,最后1列为能见度。
[0060] K表示支持向量机在能见度小于10km测试集上的分类准确率为91.5%;L表示支持向量机在能见度大于10km测试集上的分类准确率为99.4%。
[0061] test0表示决策树测试集中能见度小于10km的数据有3218条,test1表示决策树测试集中能见度大于10km的数据有24295条,train0表示决策树训练集中能见度小于10km的数据有3218条,train1表示决策树训练集中能见度大于10km的数据66130条。
[0062] m0表示决策树在能见度小于10km的测试集上平均绝对误差为4.73194210147km,m1表示决策树在能见度大于10km的测试集上平均绝对误差为5.55454873463km。
[0063] 由表1可以看出,运用本发明的大气能见度预测方法,本实施例的支持向量机在能见度小于10km测试集上的分类准确率为91.5%,在能见度大于10km测试集上的分类准确率为99.4%。

大气能见度预测方法委托购买说明

填写需求表单支付预付款

平台根据需求优化购买方案

确认购买方案支付尾款

平台办理变更等待成功通知

大气能见度预测方法购买流程说明

发起委托,需要先支付100元预付款,委托不成功,全额退返预付款;

平台收到需求后,会在第一时间联系您,给到您最佳购买方案;

您在确认购买方案后,需支付全额专利购买费,预付款可抵扣购买费,专利购买费具体参见下方表格;

平台确认收款后,将帮您办理专利购买、专利过户等全流程手续;

平台代购专利失败,将全额退返专利购买费,包括预付款;

大气能见度预测方法专利购买费用

授权未缴费=专利裸价+著录项变更(200元)+登办费(当年年费+5元印花税)+恢复权利请求费1000元(按实收)+委托服务费(200元)+税金(专利裸价+委托服务费)x6%

已下证=专利裸价+著录项变更(200元)+滞纳金(按实收)+恢复权利请求费1000元(按实收)+委托服务费(200元)+税金(专利裸价+委托服务费)x6%

大气能见度预测方法购买费用说明

专利转让费用

专利买卖交易资料

Q:办理专利转让的流程及所需资料

A:专利权人变更需要办理著录项目变更手续,有代理机构的,变更手续应当由代理机构办理。

1:专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2:按规定缴纳著录项目变更手续费。

3:同时提交相关证明文件原件。

4:专利权转移的,变更后的专利权人委托新专利代理机构的,应当提交变更后的全体专利申请人签字或者盖章的委托书。更多

Q:专利著录项目变更费用如何缴交

A:(1)直接到国家知识产权局受理大厅收费窗口缴纳,(2)通过代办处缴纳,(3)通过邮局或者银行汇款,更多缴纳方式

Q:专利转让变更,最快多久能出结果

A:著录项目变更请求书递交后,一般1-2个月左右就会收到通知,国家知识产权局会下达《转让手续合格通知书》。

更多专利转让常见问题

动态评分

0.0

没有评分数据
没有评论数据
 
X 顶部大图