CN107977758A - 一种降雨强度预报方法及相关装置 - Google Patents
一种降雨强度预报方法及相关装置 Download PDFInfo
- Publication number
- CN107977758A CN107977758A CN201810008194.8A CN201810008194A CN107977758A CN 107977758 A CN107977758 A CN 107977758A CN 201810008194 A CN201810008194 A CN 201810008194A CN 107977758 A CN107977758 A CN 107977758A
- Authority
- CN
- China
- Prior art keywords
- time
- rainfall intensity
- object time
- forecast
- amount data
- 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 65
- 238000013135 deep learning Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 10
- 238000000265 homogenisation Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000475481 Nebula Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种降雨强度预报方法、***装置及计算机可读存储介质,其中方法包括:利用气象数值预报模式进行传统气象预报,并利用深度学习网络模型得到目标时刻的降雨强度,综合传统气象预报得到的预报结果与网络模型预测得到的降雨强度就可以得到更准确的降雨强度的预测结果。结合传统数值预测方法和深度学习网络预测技术,既能够模拟接近真实大气物理过程,也能够充分挖掘观测数据背后的规律,进一步提高预测降水强度的准确性。
Description
技术领域
本发明涉及气象预报领域,更具体地说,涉及一种降雨强度预报方法、***、装置及计算机可读存储介质。
背景技术
降雨强度的预测是气象预报中非常重要的一部分,降雨事件也与人们的生活密切相关,强降水事件,比如暴雨及雷暴天气会严重影响生产生活,甚至造成气象灾害现象,准确预测降雨强度能够提前做好预防措施,尽可能减少灾害的发生及经济损失。
气象数值预报方法作为传统且主流的一种预测降雨的方法,通常是利用气象数值模式以及背景场气象数据在高性能计算机上数值模拟得到未来一段时间的气象数据,通过数据处理分析以及可视化方法得到包括降雨强度在内的气象预报产品。这种利用数值模型的方法能够尽可能真实的模拟大气的动力过程及物理机制,能够预测未来数天的天气过程。然而,大气动力过程包含了多种不同尺度的非线性过程,这就使得即使非常成熟的数值模型也存在许多预测的不确定性因素,影响预测结果的准确性,降雨强度的预测受到多种不确定性因素的影响,预测结果准确率往往不高。
近几年,利用深度学习的方法越来越成熟,预测未来某一段时间事件发生的概率作为深度学习重要的方向,已经有许多人尝试用于气象预测领域,包括降雨强度、台风强度预测、海浪、风能预测等,并且多种网络模型技术的应用使得预测技术不断发展,能够深度挖掘观测数据背后的规律,使得预测的准确率也不断提升。然而,深度学习的方法仅仅是基于数据本身训练学习获得某一种规律,某些异常天气现象或者超过24小时以上的预报往往非常不准确,只能适用于短时临近的预报。该方法不能反映真实的大气物理过程,这种局限性也决定了传统数值预测方法的不可替代性。
因此,如何提高预测降水强度的准确性,是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种降雨强度预报方法、***、装置及计算机可读存储介质,以提高预测降水强度的准确性。
为实现上述目的,本发明实施例提供了如下技术方案:
一种降雨强度预报方法,包括:
S101,利用初始气象数据和气象数值预报模式进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻;
S102,利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻;
S103,利用目标时刻的所述预报结果与所述第一降雨强度计算得到目标时刻第二降雨强度;
S104,判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度;若否,则执行S105;
S105,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度确定对应目标时刻的云量数据,并利用该目标时刻的云量数据更新初始云量数据,并返回S102。
其中,所述S101包括:
确定初始气象数据;
将所述初始气象数据作为气象数值预报模式的输入数据进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果。
其中,所述S102包括:
确定初始云量数据对应的初始时刻前的连续目标张数的卫星云图历史数据;
利用所述卫星云图历史数据与深度学习网络模型计算得到目标时刻的目标云量数据;
利用所述目标云量数据确定目标时刻的第一降雨强度。
其中,所述S103包括:
利用历史误差值确定误差权重系数;
利用所述误差权重系数、时间衰减系数、目标时刻的所述预报结果与所述第一降雨强度进行计算得到目标时刻的第二降雨强度。
其中,所述利用历史误差值确定误差权重系数,包括:
确定所述预报结果的第一误差值;
确定所述第一降雨强度的第二误差值;
对所述第一误差值与所述第二误差值进行均一化处理得到误差权重系数。
为解决上述技术问题,本发明还提供了一种降雨强度预报***,包括:传统气象数值预报模块,用于利用初始气象数据和气象数值预报模式进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻;
深度学习网络预测模块,用于利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻。
降雨强度综合预测模块,用于利用目标时刻的所述预报结果与所述第一降雨强度计算得到目标时刻第二降雨强度;
判断模块,用于判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度;
更新模块,用于当前的目标时刻不是所述预设时间内最后一个的预设时刻时,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度确定对应目标时刻的云量数据,并利用该目标时刻的云量数据更新初始云量数据,并调用所述深度学习网络预测模块。
其中,所述降雨强度综合预测模块,包括:
权重系数评估单元,用于利用历史误差值确定误差权重系数;
降雨强度计算单元,用于利用所述误差权重系数、时间衰减系数、目标时刻的所述预报结果与所述第一降雨强度进行计算得到目标时刻的第二降雨强度。
为解决上述技术问题,本发明还提供了一种降雨强度预报装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现:
S101,利用初始气象数值进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻;
S102,利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻;
S103,利用目标时刻的所述预报结果与所述第一降雨强度进行综合训练得到目标时刻的第二降雨强度;
S104,判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度;若否,则执行S105;
S105,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度将初始云量数据更新为更新后的目标时刻对应的初始云量数据,并返回S102。
其中,所述处理器包括:
CPU,用于执行计算机程序以实现所述S101、所述S103、所述S104、所述S105;
GPU,用于执行计算机程序以实现所述S102。
为解决上述技术问题,本发明还提供了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,所述计算机程序被处理器执行时实现上述降雨强度预报方法的步骤。
通过以上方案可知,本发明提供的一种降雨强度预报方法,可以利用气象数值预报模式进行传统气象预报,并利用深度学习网络模型得到目标时刻的降雨强度,综合传统气象预报得到的预报结果与网络模型预测得到的降雨强度就可以得到更准确的降雨强度的预测结果。结合传统数值预测方法和深度学习网络预测技术,既能够模拟接近真实大气物理过程,也能够充分挖掘观测数据背后的规律,进一步提高预测降水强度的准确性。本发明还提供了一种降雨强度预报***、装置及计算机可读存储***,同样可以实现上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例公开的一种降雨强度预报方法流程图;
图2为本发明实施例公开的一种具体的降雨强度预报方法流程图;
图3为本发明实施例公开的一种具体的传统气象预报方法流程图;
图4为本发明实施例公开的一种具体的传统气象预报方法流程图;
图5为本发明实施例公开的一种具体的深度网络模型预测方法流程图;
图6为本发明实施例公开的一种具体的综合预测降雨强度方法流程图;
图7为本发明实施例公开的一种降雨强度预报***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种降雨强度预报方法、***、装置及计算机可读存储介质,以提高预测降水强度的准确性。
参见图1,本发明实施例提供的一种降雨强度预报方法,具体包括:
S101,利用初始气象数据和气象数值预报模式进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻。
在本方案中,主要是结合利用传统气象预报模式得到的预报结果和深度学习网络模型的到的降雨强度,获取更高准确度的降雨强度预测结果。
首先,利用初始的气象数据和气象数值预报模式进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果。
作为优选的,气象数值预报模式可以采用WRF(The Weather Research andForecasting Model)。
需要说明的是,利用传统气象预报模式得到的预报结果是未来一段时间内的预报结果,例如可以是24小时内的预报结果。在未来的预设时间内,包括了多个预设时刻,即预设的时间点,例如,在上述24小时中,可以每间隔3个小时为一个预设时刻。在本方案中,获取到预设时间内的预报结果后,还需要在其中确定对应每个预设时刻的预报结果。例如,预设时刻为{T1,T2,...,Tn},则预设时间内对应每个时刻的预报结果可以是{M1,M2,...,Mn}。
S102,利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻。
在本步骤中,需要利用深度学习网络模型计算目标时刻的目标云量数据。也就是由初始云量数据通过深度学习网络模型预测得到下一时刻的云量数据。例如,当前时刻为T0,当前的云量数据为A0,A0作为初始云量数据,即可利用深度学习网络模型计算下一时刻T1,即目标时刻对应的云量数据A1。
需要说明的是,降雨强度与云量数据之间存在关系式Qt+1=Φ(At+1),其中Qt+1为目标时刻的降雨强度,At+1为目标时刻的云量数据,根据目标时刻的云量数据即可以计算得到目标时刻的降雨强度。
S103,利用目标时刻的所述预报结果与所述第一降雨强度计算得到目标时刻第二降雨强度。
具体地,首先在传统气象模式得到的预报结果中确定当前目标时刻的预报结果,并确定深度学习网络模型得到的第一降雨强度,例如当前时刻为T1,则对应该目标时刻的预报结果即为M1,对应该目标时刻的第一降雨强度即为Q1,利用综合评估计算降雨强度的公式,对M1与Q1进行计算,得到当前目标时刻的第二降雨强度,即综合预测结果R1。
S104,判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度;若否,则执行S105。
S105,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度确定对应目标时刻的云量数据,并利用该目标时刻的云量数据更新初始云量数据,并返回S102。
具体地,判断当前目标时刻是否已经是预设时间内的最后一个时刻,例如,预设时间为24小时,每相邻时刻间隔3小时,最后一个时刻为T8,也就是当目标时刻为T8时,对预设时间内的每个时刻均已完成第二降雨强度,也就是综合预测结果的计算。
因此,当前目标时刻已经是最后一个时刻时,就将预设时间内,每个目标时刻对应的综合预测结果输出,即得到预测时间内的所有时刻对应的综合结果,例如{R1,R2,...,Rn}。
而当前目标时刻不是最后一个时刻时,需要将目标时刻更新为当前目标时刻的下一时刻,并且利用上述关系式Qt+1=Φ(At+1),更新得到新的初始云量数据,即A't+1=Φ-1(Rt+1),例如当前目标时刻为T1,则需要将目标时刻更新为T2,利用公式A'1=φ-1(R1)得到A'1,将A'1作为新的初始云量数据,返回S102,继续计算T2时刻的综合预测结果,直到得到预设时间内所有时刻的综合预测结果。
具体地,可以参见图2,其中T0表示初始时刻,T1、T2和Tn分别表示初始时刻后3小时、6小时、3n小时对应时刻,气象数值预报结果(预报结果)Mi、网络模型预测结果(目标云量数据)Ai、降雨强度综合预测结果(第二降雨强度)Ri分别与时间Ti一一对应,其中(i=0,1,2,...n)。
由此可见,本发明实施例提供的一种降雨强度预报方法,可以利用气象数值预报模式进行传统气象预报,并利用深度学习网络模型得到目标时刻的降雨强度,综合传统气象预报得到的预报结果与网络模型预测得到的降雨强度就可以得到更准确的降雨强度的预测结果。结合传统数值预测方法和深度学习网络预测技术,既能够模拟接近真实大气物理过程,也能够充分挖掘观测数据背后的规律,进一步提高预测降水强度的准确性。
本发明实施例提供的一种具体的降雨强度预报方法,区别于上述实施例,本发明实施例对上述实施例中S101做了具体地限定与说明,其他步骤内容与上述实施例大致相同,具体可以参考上述实施例,此处不再赘述。参见图3,S101具体包括:
S201,确定初始气象数据;
S202,将所述初始气象数据作为气象数值预报模式的输入数据进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果。
具体地,参考图4,本发明实施例提供的一种传统气象预报方法,包括:
S301,气象数值模型输入数据准备,包括模型控制参数设置,气象背景场数据下载及处理。
需要说明的是,WRF模式的控制参数主要包括文件namelist.wps和namelist.input,这两个文件分别用于控制WRF前处理过程和WRF数值预报过程,气象背景场数据是下载的GFS数据。
所述的控制参数包括:预报区域网格设置、预报时间设置、模式物理参数和动力参数设置。这里以某省级区域为预报范围,预报时间设置为24小时,时间分辨率和空间分辨率分别为6秒和1千米。
S302,气象数值模型前处理,包括气象初始场和边界场数据生成,运行环境设置;需要说明的是,所述的前处理过程具体是:
a)将GFS数据处理成所述预报网格区域的背景场数据;
b)将背景场数据处理获取所述网格区域和时间内的初始场和边界场数据。
需要说明的是,所述的运行环境设置,包括WRF模式的部署,并行环境部署,运行脚本的准备。
S303,利用气象数值模型进行数值预报得到预报结果,该过程主要是由WRF的可执行程序wrf.exe完成,需要使用多个CPU计算节点资源,一般运行时间在1小时以内,该部分为整个***主要计算和耗时部分。
S304,对预报结果进行后处理,即将预报结果进行数据处理、分析以及可视化。
需要说明的是,WRF运行结果的数据类型为netcdf,可以通过NCL(The NCARCommand Language,数据可视化设计的高级语言)软件处理预报结果。NCL软件为广泛应用于地球科学领域的开源的数据处理及绘图软件。
预报结果的处理方法主要是WRF输出的降雨相关量RAINC和RAINNC处理成降雨强度的表征量,这里由3小时的降雨率表示(单位:mm/h)。
所述的可视化过程主要是将降雨强度数据绘制成不同时间的等值线图。
S305,将处理后的预报结果输出,以利用该预报结果进行进一步的综合预测。
本发明实施例提供一种具体的降雨强度预报方法,区别于上述实施例,本发明实施例对上述S102做了进一步的限定和说明,其他步骤内容与上述实施例大致相同,具体可以参考上述实施例,此处不再赘述。具体地,参见图5,S102包括:
S401,确定初始云量数据对应的初始时刻前的连续目标张数的卫星云图历史数据。
深度学习网络模型,主要是通过网络模型预测下一个时刻云量的分布,根据云量的预测结果推算降雨强度的分布。具体步骤主要通过Python代码实现,深度学习框架为Tensorflow。Tensorflow在深度学习领域应用最为广泛,提供多种成熟的网络模型,计算效率相对较好。具体地,首先需要搭建深度学习网络型,该网络模型核心是基于Convolutional LSTM网络结构,数据集为历史30年卫星云图数据,预测模型建模公式为At+1=F(At-J+1+At-J+2+...+At)。
需要说明的是,数据集{At-J+1,At-J+2,...,At}为J张连续时间序列的卫星云图,而At+1为预测的下一个时刻的云图。
因此首先需要准备初始云量数据对应的初始时刻前的连续目标张数,即J张的卫星云图历史数据。
所述的Convolutional LSTM网络模型是结合CNN和RNN网络模型的特点,可用于预测二维空间变量随时间的变化,并且已经应用于短期天气预报中。
历史30年卫星云图数据主要是1987~2016年间国际公开的高分辨率卫星云图数据,选取的图像分辨率为512*512*3。
数据集需要进行一系列的处理才能用于网络训练,具体过程包括数据清洗、数据压缩处理,区分训练集、验证集和测试集。
数据压缩处理,需要将图像分辨率压缩至128*128*3,减小训练集的数据大小,提高训练效率。
区分训练集、验证集和测试集,是将数据集按照6:2:2比例进行分配。
预测模型建模公式,是通过所述的Conv LSTM网络模型训练所述的数据集获取的预测模型,并且得到的预测模型需要通过验证集和测试集验证通过,所述公式中的F表示最终得到的预测模型。
S402,利用所述卫星云图历史数据与深度学习网络模型计算得到目标时刻的目标云量数据。
将初始时刻前J张卫星云图作为输入样本数据,利用搭建好的预测网络模型预测得到下一时刻的云图,即云量的分布。
初始时刻为预测的起点时刻,与上述步骤中的初始场对应时间相同,所述的初始时刻前J张卫星云图表示预测起点时刻之前连续J个时间的卫星云图历史数据。
预测的下一时刻的云图为初始时刻之后的3小时,该时刻数据与传统数值预报模块的第一个降雨强度预测结果时间相对应。
S403,利用所述目标云量数据确定目标时刻的第一降雨强度。
需要说明的是,降雨强度的分布与云量的分布密切相关,两者之间的关系可由以下公式表示:
Qt+1=Φ(At+1)
其中Qt+1表示降雨强度,At+1表示云量。
上述公式为经验关系式,降雨强度与云量存在强相关性,云量作为输入数据,如果数据质量较高,能够保证降雨强度的准确性。
将第一降雨强度输出,以利用该预报结果进行进一步的综合预测。
本发明实施例提供一种具体的降雨强度预报方法,区别于上述实施例,本发明是合理提供的实施例对上述S103做了进一步的限定和说明。其他步骤内容与上述实施例大致想用具体可以参考上述实施例,此处不再赘述。参见图6,S103具体包括:
S501,利用历史误差值确定误差权重系数。
具体地,首先利用历史误差确定误差权重系数ω,是通过统计分析历史的预报结果误差和深度学习网络模型误差,将两者的误差通过均一化处理得到,具体方法为ω=RA/(RA+RM)。
其中RA和RM分别为深度学习网络模型误差和数值预测结果误差。
S502,利用所述误差权重系数、时间衰减系数、目标时刻的所述预报结果与所述第一降雨强度进行计算得到目标时刻的第二降雨强度。
具体地,利用以下公式获取目标时刻的第二降雨强度:
Rt+1=λ1ωMt+1+(1-λ1ω)Qt+1
A′t+1=Φ-1(Rt+1)
At+2=F(At-J+2+At-J+3+…+A′t+1)
Qt+2=Φ(At+2)
Rt+2=λ2ωMt+2+(1-λ2ω)Qt+2
……
其中Rt为降雨强度综合预测结果,即第二降雨强度,Mt为数值预报降雨强度结果,即预报结果,Qt为网络模型预测降雨强度结果,即第一降雨强度,ω为数值预报和网络模型预测的结果与真实降雨强度之间的误差权重系数,λ1和λ2为时间衰减系数,主要反映误差权重系数ω随时间的变化。衰减系数λi,主要体现深度学习网络预测随着时间推移,预测误差逐渐增大,则预测结果对综合预测结果影响比重逐渐减小,权重占比也随之减小。权重系数的评估只需要定期进行验证更新,在综合预测降雨强度时执行时调用所述的权重系数和时间衰减系数。
根据以上公式可以综合预测多个时刻的降雨强度,不仅解决了网络模型超短时预报的局限性,同时也减小了数值预报结果引入的误差。
下面对本发明实施例提供的一种降雨强度预测***进行介绍,下文描述的一种降雨强度预测***与上文描述的一种降雨强度预测方法,可以相互参照。
参见图7,本发明实施例提供的一种降雨强度预测***,具体包括:
传统气象数值预报模块601,用于利用初始气象数据和气象数值预报模式进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻。
在本方案中,主要是结合利用传统气象预报模式得到的预报结果和深度学习网络模型的到的降雨强度,获取更高准确度的降雨强度预测结果。
首先,传统气象数值预报模块601利用初始的气象数据和气象数值预报模式进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果。
作为优选的,气象数值预报模式可以采用WRF(The Weather Research andForecasting Model)。
需要说明的是,传统气象数值预报模块601利用传统气象预报模式得到的预报结果是未来一段时间内的预报结果,例如可以是24小时内的预报结果。在未来的预设时间内,包括了多个预设时刻,即预设的时间点,例如,在上述24小时中,可以每间隔3个小时为一个预设时刻。在本方案中,获取到预设时间内的预报结果后,还需要在其中确定对应每个预设时刻的预报结果。例如,预设时刻为{T1,T2,...,Tn},则预设时间内对应每个时刻的预报结果可以是{M1,M2,...,Mn}。
深度学习网络预测模块602,用于利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻。
在本步骤中,需要深度学习网络预测模块602利用深度学习网络模型计算目标时刻的目标云量数据。也就是由初始云量数据通过深度学习网络模型预测得到下一时刻的云量数据。例如,当前时刻为T0,当前的云量数据为A0,A0作为初始云量数据,即可利用深度学习网络模型计算下一时刻T1,即目标时刻对应的云量数据A1。
需要说明的是,降雨强度与云量数据之间存在关系式Qt+1=Φ(At+1),其中Qt+1为目标时刻的降雨强度,At+1为目标时刻的云量数据,根据目标时刻的云量数据即可以计算得到目标时刻的降雨强度。
降雨强度综合预测模块603,用于利用目标时刻的所述预报结果与所述第一降雨强度计算得到目标时刻第二降雨强度。
具体地,首先降雨强度综合预测模块603在传统气象模式得到的预报结果中确定当前目标时刻的预报结果,并确定与第一降雨强度,例如当前时刻为T1,则对应该目标时刻的预报结果即为M1,对应该目标时刻的第一降雨强度即为Q1,利用综合评估计算降雨强度的公式,对M1与Q1进行计算,得到当前目标时刻的第二降雨强度,即综合预测结果R1。
判断模块604,用于判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度。
更新模块605,用于当前的目标时刻不是所述预设时间内最后一个的预设时刻时,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度确定对应目标时刻的云量数据,并利用该目标时刻的云量数据更新初始云量数据,并调用所述深度学习网络预测模块602。
具体地,判断模块604判断当前目标时刻是否已经是预设时间内的最后一个时刻,例如,预设时间为24小时,每相邻时刻间隔3小时,最后一个时刻为T8,也就是当目标时刻为T8时,对预设时间内的每个时刻均已完成第二降雨强度,也就是综合预测结果的计算。
因此,当前目标时刻已经是最后一个时刻时,就将预设时间内,每个目标时刻对应的综合预测结果输出,即得到预测时间内的所有时刻对应的综合结果,例如{R1,R2,...,Rn}。
而当前目标时刻不是最后一个时刻时,更新模块605需要将目标时刻更新为当前目标时刻的下一时刻,并且利用上述关系式Qt+1=Φ(At+1),更新得到新的初始云量数据,即A't+1=Φ-1(Rt+1),例如当前目标时刻为T1,则需要将目标时刻更新为T2,利用公式A'1=φ-1(R1)得到A'1,将A'1作为新的初始云量数据,深度学习网络预测模块602,继续计算T2时刻的综合预测结果,直到得到预设时间内所有时刻的综合预测结果。
由此可见,本发明实施例提供的一种降雨强度预报***,可以利用传统气象数值预报模块601进行传统气象预报,并利用深度学习网络预测模块602得到目标时刻的降雨强度,降雨强度综合预测模块603综合传统气象预报得到的预报结果与网络模型预测得到的降雨强度就可以得到更准确的降雨强度的预测结果。结合传统数值预测方法和深度学习网络预测技术,既能够模拟接近真实大气物理过程,也能够充分挖掘观测数据背后的规律,进一步提高预测降水强度的准确性。
本发明实施例提供一种具体的降雨强度预报方法,区别于上述实施例,本发明是合理提供的实施例对上降雨强度综合预测模块603做了进一步的限定和说明。其他步骤内容与上述实施例大致相同具体可以参考上述实施例,此处不再赘述。降雨强度综合预测模块603具体包括:
权重系数评估单元,用于利用历史误差值确定误差权重系数。
具体地,首先权重系数评估单元利用历史误差确定误差权重系数ω,是通过统计分析历史的预报结果误差和深度学习网络模型误差,将两者的误差通过均一化处理得到具体方法为ω=RA/(RA+RM)。
其中RA和RM分别为深度学习网络模型误差和数值预测结果误差。
降雨强度计算单元,用于利用所述误差权重系数、时间衰减系数、目标时刻的所述预报结果与所述第一降雨强度进行计算得到目标时刻的第二降雨强度。
具体地,降雨强度计算单元利用以下公式获取目标时刻的第二降雨强度:
Rt+1=λ1ωMt+1+(1-λ1ω)Qt+1
A′t+1=Φ-1(Rt+1)
At+2=F(At-J+2+At-J+3+…+A′t+1)
Qt+2=Φ(At+2)
Rt+2=λ2ωMt+2+(1-λ2ω)Qt+2
……
其中Rt为降雨强度综合预测结果,即第二降雨强度,Mt为数值预报降雨强度结果,即预报结果,Qt为网络模型预测降雨强度结果,即第一降雨强度,ω为数值预报和网络模型预测的结果与真实降雨强度之间的误差权重系数,λ1和λ2为时间衰减系数,主要反映误差权重系数ω随时间的变化。衰减系数λi,主要体现深度学习网络预测随着时间推移,预测误差逐渐增大,则预测结果对综合预测结果影响比重逐渐减小,权重占比也随之减小。权重系数的评估只需要定期进行验证更新,在综合预测降雨强度时执行时调用所述的权重系数和时间衰减系数。
根据以上公式可以综合预测多个时刻的降雨强度,不仅解决了网络模型超短时预报的局限性,同时也减小了数值预报结果引入的误差。
下面对本发明实施例提供的一种降雨强度预报装置进行介绍,下文描述的一种降雨强度预报装置与上文描述的一种降雨强度预报方法可以相互参照。
本发明实施例提供的一种降雨强度预报装置具体包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现以下步骤:
S101,利用初始气象数值进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻;
S102,利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻。
S103,利用目标时刻的所述预报结果与所述第一降雨强度进行综合训练得到目标时刻的第二降雨强度;
S104,判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度;若否,则执行S105;
S105,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度确定对应目标时刻的云量数据,并利用该目标时刻的云量数据更新初始云量数据,并返回S102。
需要说明的是,处理器包括CPU与GPU,其中,CPU用于执行计算机程序以实现所述S101、所述S103、所述S104、所述S105,GPU用于执行计算机程序以实现所述S102。
下面对本发明实施例提供的一种计算机存储介质进行介绍,下文描述的一种计算机存储介质与上文描述的一种降雨强度预报方法可以相互参照。
具体地,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述降雨强度预报方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种降雨强度预报方法,其特征在于,包括:
S101,利用初始气象数据和气象数值预报模式进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻;
S102,利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻;
S103,利用目标时刻的所述预报结果与所述第一降雨强度计算得到目标时刻第二降雨强度;
S104,判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度;若否,则执行S105;
S105,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度确定对应目标时刻的云量数据,并利用该目标时刻的云量数据更新初始云量数据,并返回S102。
2.根据权利要求1所述的方法,其特征在于,所述S101包括:
确定初始气象数据;
将所述初始气象数据作为气象数值预报模式的输入数据进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果。
3.根据权利要求1所述的方法,其特征在于,所述S102包括:
确定初始云量数据对应的初始时刻前的连续目标张数的卫星云图历史数据;
利用所述卫星云图历史数据与深度学习网络模型计算得到目标时刻的目标云量数据;
利用所述目标云量数据确定目标时刻的第一降雨强度。
4.根据权利要求1所述的方法,其特征在于,所述S103包括:
利用历史误差值确定误差权重系数;
利用所述误差权重系数、时间衰减系数、目标时刻的所述预报结果与所述第一降雨强度进行计算得到目标时刻的第二降雨强度。
5.根据权利要求4所述的方法,其特征在于,所述利用历史误差值确定误差权重系数,包括:
确定所述预报结果的第一误差值;
确定所述第一降雨强度的第二误差值;
对所述第一误差值与所述第二误差值进行均一化处理得到误差权重系数。
6.一种降雨强度预报***,其特征在于
传统气象数值预报模块,用于利用初始气象数据和气象数值预报模式进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻;
深度学习网络预测模块,用于利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻;
降雨强度综合预测模块,用于利用目标时刻的所述预报结果与所述第一降雨强度计算得到目标时刻第二降雨强度;
判断模块,用于判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度;
更新模块,用于当前的目标时刻不是所述预设时间内最后一个的预设时刻时,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度确定对应目标时刻的云量数据,并利用该目标时刻的云量数据更新初始云量数据,并调用所述深度学习网络预测模块。
7.根据权利要求6所述的***,其特征在于,所述降雨强度综合预测模块,包括:
权重系数评估单元,用于利用历史误差值确定误差权重系数;
降雨强度计算单元,用于利用所述误差权重系数、时间衰减系数、目标时刻的所述预报结果与所述第一降雨强度进行计算得到目标时刻的第二降雨强度。
8.一种降雨强度预报装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现:
S101,利用初始气象数值进行传统气象预报,得到对应预设时间内每个预设时刻的预报结果;其中,所述预设时间内每个预设时刻包括目标时刻;
S102,利用初始云量数据与深度学习网络模型计算得到目标时刻的目标云量数据;并利用所述目标云量数据确定目标时刻的第一降雨强度;其中,初始云量数据对应的初始时刻为所述预设时间中,目标时刻的前一时刻;
S103,利用目标时刻的所述预报结果与所述第一降雨强度进行综合训练得到目标时刻的第二降雨强度;
S104,判断当前的目标时刻是否为所述预设时间内最后一个的预设时刻;若是,则输出所有所述第二降雨强度;若否,则执行S105;
S105,将当前的目标时刻更新为所述预设时间内目标时刻的下一个预设时刻,利用所述第二降雨强度确定对应目标时刻的云量数据,并利用该目标时刻的云量数据更新初始云量数据,并返回S102。
9.根据权利要求8所述的装置,其特征在于,所述处理器包括:
CPU,用于执行计算机程序以实现所述S101、所述S103、所述S104、所述S105;
GPU,用于执行计算机程序以实现所述S102。
10.一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,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述降雨强度预报方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008194.8A CN107977758A (zh) | 2018-01-04 | 2018-01-04 | 一种降雨强度预报方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008194.8A CN107977758A (zh) | 2018-01-04 | 2018-01-04 | 一种降雨强度预报方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977758A true CN107977758A (zh) | 2018-05-01 |
Family
ID=62005861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810008194.8A Pending CN107977758A (zh) | 2018-01-04 | 2018-01-04 | 一种降雨强度预报方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977758A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118001A (zh) * | 2018-08-09 | 2019-01-01 | 成都天地量子科技有限公司 | 一种基于卫星遥感数据的山火监测方法和*** |
CN109492757A (zh) * | 2018-11-28 | 2019-03-19 | 中科赛诺(北京)科技有限公司 | 资料集成方法及装置 |
CN109615236A (zh) * | 2018-12-13 | 2019-04-12 | 深圳市气象局 | 降水预报模式检验评分方法、***、终端及存储介质 |
CN109902120A (zh) * | 2019-01-16 | 2019-06-18 | 中山大学 | 一种面向栅格文本降水数据的可视化分析方法 |
CN109993282A (zh) * | 2019-03-28 | 2019-07-09 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
CN111028260A (zh) * | 2019-12-17 | 2020-04-17 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
CN112348058A (zh) * | 2020-10-20 | 2021-02-09 | 华东交通大学 | 一种基于cnn-lstm网络的卫星云图分类方法和计算机可读存储介质 |
CN113627668A (zh) * | 2021-08-10 | 2021-11-09 | 贵州中云数据服务有限公司 | 一种超算环境下的数据分析处理*** |
CN113821939A (zh) * | 2021-11-22 | 2021-12-21 | 中机国际工程设计研究院有限责任公司 | 基于时空分布特征的城市暴雨强度计算方法及***、设备、存储介质 |
CN114066059A (zh) * | 2021-11-16 | 2022-02-18 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235890A (zh) * | 2013-04-28 | 2013-08-07 | 南京信大高科技发展有限公司 | 卫星短时临近降水预报***及降水预报方法 |
CN103713336A (zh) * | 2013-12-24 | 2014-04-09 | 广西壮族自治区气象服务中心 | 基于gis分区的水电站流域面雨量气象预报方法 |
CN104504389A (zh) * | 2014-12-18 | 2015-04-08 | 南京信息工程大学 | 一种基于卷积神经网络的卫星云量计算方法 |
US20160041305A1 (en) * | 2014-08-11 | 2016-02-11 | The Boeing Company | 4d volumetric weather data processing and display |
CN105334551A (zh) * | 2015-12-10 | 2016-02-17 | 国网四川省电力公司电力科学研究院 | 基于数值天气预报模式的电网气象预测预警*** |
CN106371155A (zh) * | 2016-08-25 | 2017-02-01 | 华南师范大学 | 基于大数据和分析场的气象预报方法及*** |
-
2018
- 2018-01-04 CN CN201810008194.8A patent/CN107977758A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235890A (zh) * | 2013-04-28 | 2013-08-07 | 南京信大高科技发展有限公司 | 卫星短时临近降水预报***及降水预报方法 |
CN103713336A (zh) * | 2013-12-24 | 2014-04-09 | 广西壮族自治区气象服务中心 | 基于gis分区的水电站流域面雨量气象预报方法 |
US20160041305A1 (en) * | 2014-08-11 | 2016-02-11 | The Boeing Company | 4d volumetric weather data processing and display |
CN104504389A (zh) * | 2014-12-18 | 2015-04-08 | 南京信息工程大学 | 一种基于卷积神经网络的卫星云量计算方法 |
CN105334551A (zh) * | 2015-12-10 | 2016-02-17 | 国网四川省电力公司电力科学研究院 | 基于数值天气预报模式的电网气象预测预警*** |
CN106371155A (zh) * | 2016-08-25 | 2017-02-01 | 华南师范大学 | 基于大数据和分析场的气象预报方法及*** |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118001A (zh) * | 2018-08-09 | 2019-01-01 | 成都天地量子科技有限公司 | 一种基于卫星遥感数据的山火监测方法和*** |
CN109492757A (zh) * | 2018-11-28 | 2019-03-19 | 中科赛诺(北京)科技有限公司 | 资料集成方法及装置 |
CN109615236A (zh) * | 2018-12-13 | 2019-04-12 | 深圳市气象局 | 降水预报模式检验评分方法、***、终端及存储介质 |
CN109902120A (zh) * | 2019-01-16 | 2019-06-18 | 中山大学 | 一种面向栅格文本降水数据的可视化分析方法 |
CN109993282A (zh) * | 2019-03-28 | 2019-07-09 | 北京航空航天大学 | 一种台风波及范围的预测方法 |
CN111028260A (zh) * | 2019-12-17 | 2020-04-17 | 上海眼控科技股份有限公司 | 图像预测方法、装置、计算机设备和存储介质 |
CN112348058A (zh) * | 2020-10-20 | 2021-02-09 | 华东交通大学 | 一种基于cnn-lstm网络的卫星云图分类方法和计算机可读存储介质 |
CN113627668A (zh) * | 2021-08-10 | 2021-11-09 | 贵州中云数据服务有限公司 | 一种超算环境下的数据分析处理*** |
CN113627668B (zh) * | 2021-08-10 | 2024-06-11 | 贵州中云数据服务有限公司 | 一种超算环境下的数据分析处理*** |
CN114066059A (zh) * | 2021-11-16 | 2022-02-18 | 中科三清科技有限公司 | 一种预测环境污染的方法和装置 |
CN113821939A (zh) * | 2021-11-22 | 2021-12-21 | 中机国际工程设计研究院有限责任公司 | 基于时空分布特征的城市暴雨强度计算方法及***、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977758A (zh) | 一种降雨强度预报方法及相关装置 | |
Fragiadakis et al. | Seismic assessment of structures and lifelines | |
CN110443002A (zh) | 一种高边坡形变预测方法及*** | |
CN109902885A (zh) | 基于深度学习混合cnn-lstm模型的台风预测方法 | |
Haas et al. | Updating the decision aids for tunneling | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** | |
CN107563574A (zh) | 一种基于长短时记忆模型循环神经网络的地磁场预测方法 | |
CN109001736A (zh) | 一种基于深度时空预测神经网络的雷达回波外推方法 | |
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
CN107515842B (zh) | 一种城市人口密度动态预测方法及*** | |
Khosrowshahi | Simulation of expenditure patterns of construction projects | |
CN110503267B (zh) | 基于时空尺度自适应模型的城市侵财案件预测***及预测方法 | |
CN106155901A (zh) | 黑盒与白盒相结合的执行反馈驱动的并行模糊测试方法 | |
CN110232444A (zh) | 地质监测bp神经网络的优化方法、装置、设备及存储介质 | |
CN107944550A (zh) | 一种基于探测式深度网络的时空大数据预测方法 | |
CN109615414A (zh) | 房产预估方法、装置及存储介质 | |
CA3231095A1 (en) | Systems and methods for load forecasting for improved forecast results based on tuned weather data | |
CN114510870A (zh) | 一种城市轨道交通地下结构的剩余寿命预测方法及装置 | |
CN110489844A (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
CN107194507A (zh) | 一种基于组合支持向量机的风电场短期风速预测方法 | |
CN110222905A (zh) | 一种预测人流量的方法及装置 | |
CN106157163A (zh) | 一种粮食产量短期预测方法及装置 | |
CN116430739B (zh) | 一种基于数字孪生技术的全过程智慧压实***及管控方法 | |
Murru et al. | Real time earthquake forecasting in Italy | |
CN108535434A (zh) | 基于神经网络模型预测工地周边水体浊度的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |
|
RJ01 | Rejection of invention patent application after publication |