CN114999117A - 一种机场道面冰雪状况监测预警方法、***、终端及介质 - Google Patents

一种机场道面冰雪状况监测预警方法、***、终端及介质 Download PDF

Info

Publication number
CN114999117A
CN114999117A CN202210745767.1A CN202210745767A CN114999117A CN 114999117 A CN114999117 A CN 114999117A CN 202210745767 A CN202210745767 A CN 202210745767A CN 114999117 A CN114999117 A CN 114999117A
Authority
CN
China
Prior art keywords
pollutant
data
simulated
prediction
condition
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
Application number
CN202210745767.1A
Other languages
English (en)
Other versions
CN114999117B (zh
Inventor
王海恩
韩光辉
黄旭东
曾国伟
郑刚
李变变
孙晓洁
曹笑洋
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.)
Luoyang Tengfei Municipal Engineering Co ltd
Original Assignee
Luoyang Tengfei Municipal Engineering 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 Luoyang Tengfei Municipal Engineering Co ltd filed Critical Luoyang Tengfei Municipal Engineering Co ltd
Priority to CN202210745767.1A priority Critical patent/CN114999117B/zh
Publication of CN114999117A publication Critical patent/CN114999117A/zh
Application granted granted Critical
Publication of CN114999117B publication Critical patent/CN114999117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Emergency Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种机场道面冰雪状况监测预警方法、***、终端及介质，其方法包括：基于预设的模拟试件以及设置在模拟试件上的计量设备获取机场道面在模拟冰雪情况下的模拟训练数据，模拟训练数据包括模拟气象数据、模拟道面温度数据和模拟污染物状况数据；基于XGBoost算法以及模拟训练数据构建污染物状况预测模型；基于计量设备实时获取机场道面的预测输入数据，预测输入数据包括实时气象数据和实时道面温度数据；基于污染物状况预测模型和预测输入数据进行道面冰雪状况预测，输出污染物预测数据；基于污染物预测数据和预设的预警等级标准发出预警信号。本申请具有提高机场道面冰雪状况预测的准确性，并及时发出冰雪情况预警信号的效果。

Description

一种机场道面冰雪状况监测预警方法、***、终端及介质
技术领域
本申请涉及机场道面冰雪状况研究的技术领域，尤其是涉及一种机场道面冰雪状况监测预警方法、***、终端及介质。
背景技术
机场道面是指在天然土基和基层顶面用筑路材料铺筑的一层或多层的人工结构物,是供飞机起飞、着陆、滑行及维修、停放的坪道，如跑道、滑行道、客机坪、维修坪、货机坪、停机坪等。
在航空领域，保证航空运输安全是首要任务，而保证机场道面畅通和安全是其中重要一环。若机场道面出现积雪或者结冰现象，将会使飞机的降落或者起飞存在极高的风险，因此，对机场道面的结冰和积雪状况进行预测，从而提前发出预警是十分必要的。
目前，机场道面的预警大部分是通过气象学角度出发的，根据天气情况来对机场道面的结冰或者积雪情况进行预测，并发出预警信号。然而，由于各种机场道面的筑造材料或者筑造结构不同，不同机场道面的传热效果不同，在相同的天气情况下出现的冰雪情况可能会不同，因此，仅依靠气象预报或者从气象学角度出发进行预测，准确性不足。
发明内容
为了提高机场道面冰雪状况预测的准确性，并及时发出冰雪情况预警信号，本申请提供一种机场道面冰雪状况监测预警方法、***、终端及介质。
第一方面，本申请提供一种机场道面冰雪状况监测预警方法，采用如下的技术方案：一种机场道面冰雪状况监测预警方法，包括以下步骤：
基于预设的模拟试件以及设置在模拟试件上的计量设备获取机场道面在模拟冰雪情况下的模拟训练数据，所述模拟训练数据包括模拟气象数据、模拟道面温度数据和机场道面的模拟污染物状况数据；
基于XGBoost算法以及所述模拟训练数据构建污染物状况预测模型；
基于所述计量设备实时获取机场道面的预测输入数据，所述预测输入数据包括实时气象数据和实时道面温度数据；
基于所述污染物状况预测模型和所述预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据；
基于所述污染物预测数据和预设的预警等级标准发出预警信号。
通过采用上述技术方案，根据模拟气象数据、模拟道面温度数据和模拟污染物状况数据构建污染物状况预测模型，能够根据实际的机场道面温度变化来训练模型，使得构建的污染物状况模型更加贴合机场道面实际情况，从而提高了污染物状况预测模型预测的准确性；通过向污染物状况预测模型输入预测输入数据，得到污染物预测数据，并根据污染物预测数据来确定道面冰雪状况的预警等级，并根据预警等级发出预警，提高了机场道面冰雪状况预测的准确性，同时方便了机场航班调度***或者服务部门及时响应，做出处理决策。
可选的，所述基于XGBoost算法以及所述模拟训练数据构建污染物状况预测模型包括以下步骤：
根据所述模拟气象数据和所述模拟道面温度数据确定输入变量；
根据所述模拟污染物状况数据确定输出结果；
基于所述输入变量、所述输出结果以及XGBoost算法构建污染物状况预测模型。
通过采用上述技术方案，将模拟气象数据和模拟道面温度数据作为模拟输入变量，贴合实际，并根据模拟污染物状况数据对模型进行训练修正，提高了污染物状况预测模型预测的准确性。
可选的，所述模拟污染物状况数据包括模拟污染物类型数据和模拟污染物厚度数据，将所述模拟污染物类型数据作为第一模拟输出结果，将所述模拟污染物厚度数据作为第二模拟输出结果，所述基于所述模拟输入变量、所述模拟输出结果以及XGBoost算法构建污染物状况预测模型包括以下步骤：
基于所述模拟输入变量、所述第一模拟输出结果以及XGBoost算法构建污染物类型预测模型，所述污染物类型预测模型用于预测机场道面上的污染物类型；
基于所述模拟输入变量、所述第二模拟输出结果以及XGBoost算法构建污染物厚度预测模型，所述污染物厚度预测模型用于预测机场道面上的污染物厚度；
将所述污染物类型预测模型和所述污染物厚度预测模型作为污染物状况预测模型。
通过采用上述技术方案，分别构建污染物类型预测模型和污染物厚度预测模型，能够分别对污染物的类型和厚度进行预测，预测结果比较准确。
可选的，所述基于所述污染物状况预测模型和所述预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据包括以下步骤：
基于所述实时气象数据和所述实时道面温度数据确定预测输入变量；
将所述预测输入变量输入所述污染物类型预测模型，得到污染物类型预测结果；
基于所述污染物类型预测结果，将所述预测输入变量输入所述污染物厚度预测模型中，得到污染物厚度预测结果；
基于所述污染物类型预测结果和所述污染物厚度预测结果得到污染物预测数据。
通过采用上述技术方案，将实时气象数据和实时道面温度数据数据输入进模型中，能够让模型根据实际情况对机场道面的冰雪情况进行预测，比较贴合实际。
可选的，所述预警等级标准内包括机场道面的污染物状况信息以及与所述污染物状况信息对应的预警等级，所述基于所述污染物预测数据和预设的预警等级标准发出预警信号包括以下步骤：
预设预警等级标准；
将所述污染物预测数据与所述污染物状况信息进行对比，判断所述污染物预测数据是否与所述污染物状况信息匹配；
若匹配，则获取所述污染物状况信息对应的预警等级；
基于所述预警等级发出预警信号。
通过采用上述技术方案，根据污染物预测数据确定预警等级，以便直观了解机场道面结冰或者积雪的危险程度。
可选的，所述预设预警等级标准包括以下步骤：
获取机场道面出现冰雪状况时的污染物状况信息，所述污染物状况信息包括污染物类型和污染物厚度，所述污染物类型包括积雪和结冰；
对所述污染物类型以及污染物厚度进行分析，获取与所述污染物类型对应的预警等级：若机场道面存在积雪现象，且所述积雪厚度不超过预设的积雪厚度阈值，则将所述预警等级设置为第一等级；
若机场道面存在积雪现象，且所述积雪厚度超出预设的积雪厚度阈值，则将所述预警等级设置为第二等级；
若机场道面存在结冰现象，则将所述预警等级设置为第三等级。
通过采用上述技术方案，对积雪和结冰的不同程度来确定预警等级，方便机场航班调度***或者机场服务部门能够根据预警等级制定不同的处理策略。
第二方面，本申请还提供一种机场道面冰雪状况监测预警***，采用如下的技术方案：
一种机场道面冰雪状况监测预警***，包括：
第一获取模块，用于基于预设的模拟试件以及设置在模拟试件上的计量设备获取机场道面在模拟冰雪情况下的模拟训练数据，所述模拟训练数据包括模拟气象数据、模拟道面温度数据和机场道面的模拟污染物状况数据；
模型构建模块，用于基于XGBoost算法以及所述模拟训练数据构建污染物状况预测模型；
第二获取模块，用于基于所述计量设备实时获取机场道面的预测输入数据，所述预测输入数据包括实时气象数据和实时道面温度数据；
预测输出模块，用于基于所述污染物状况预测模型和所述预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据；
预警提示模块，用于基于所述污染物预测数据和预设的预警等级标准发出预警信号。
通过采用上述技术方案，根据模拟气象数据、模拟道面温度数据和模拟污染物状况数据构建污染物状况预测模型，能够根据实际的机场道面温度变化来训练模型，使得构建的污染物状况模型更加贴合机场道面实际情况，从而提高了污染物状况预测模型预测的准确性；通过向污染物状况预测模型输入预测输入数据，得到污染物预测数据，并根据污染物预测数据来确定道面冰雪状况的预警等级，并根据预警等级发出预警，提高机场道面冰雪状况预测的准确性，同时方便了机场航班调度***或者服务部门及时响应，做出处理决策。
可选的，所述模型构建模块还包括：
第一确定单元，基于所述模拟气象数据和所述模拟道面温度数据确定模拟输入变量；
第二确定单元，基于所述模拟污染物状况数据确定模拟输出结果；
模型构建单元，基于所述模拟输入变量、所述模拟输出结果以及XGBoost算法构建污染物状况预测模型。
第三方面，本申请提供一种终端设备，采用如下的技术方案：
一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了上述的一种机场道面冰雪状况监测预警方法。
通过采用上述技术方案，通过将上述的一种机场道面冰雪状况监测预警方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而，根据存储器及处理器制作终端设备，方便使用。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，采用了上述的一种机场道面冰雪状况监测预警方法。
通过采用上述技术方案，通过将上述的一种机场道面冰雪状况监测预警方法生成计算机程序，并存储于计算机可读存储介质中，以被处理器加载并执行，通过计算机可读存储介质，方便计算机程序的可读及存储。
附图说明
图1是本申请实施例一种机场道面冰雪状况监测预警方法的整体流程示意图。
图2是本申请实施例一种机场道面冰雪状况监测预警方法中步骤S201-步骤S203的流程示意图。
图3是本申请实施例一种机场道面冰雪状况监测预警方法中步骤S301-步骤S303的流程示意图。
图4是本申请实施例一种机场道面冰雪状况监测预警方法中模拟训练数据、模拟输入变量、模拟输出数据、训练集以及测试集之间的关系示意图。
图5是本申请实施例一种机场道面冰雪状况监测预警方法中污染物状况预测模型的决策树原理示意图。
图6是本申请实施例一种机场道面冰雪状况监测预警方法中一个实施方式的污染物厚度预测模型示意图。
图7是本申请实施例一种机场道面冰雪状况监测预警方法中步骤S401-步骤S404的流程示意图。
图8是本申请实施例一种机场道面冰雪状况监测预警方法中步骤S501-步骤S504的流程示意图。
图9是本申请实施例一种机场道面冰雪状况监测预警方法中步骤S601-步骤S605的流程示意图。
图10是本申请实施例一种机场道面冰雪状况监测预警***的模块连接示意图。
附图标记说明：
1、第一获取模块；2、模型构建模块；3、第二获取模块；4、预测输出模块；5、预警提示模块。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请实施例公开一种机场道面冰雪状况监测预警方法,参照图1，包括以下步骤：
S101、基于预设的模拟试件以及设置在模拟试件上的计量设备获取机场道面在模拟冰雪情况下的模拟训练数据，模拟训练数据包括模拟气象数据、模拟道面温度数据和机场道面的模拟污染物状况数据；
S102、基于XGBoost算法以及模拟训练数据构建污染物状况预测模型；
S103、基于计量设备实时获取机场道面的预测输入数据，预测输入数据包括实时气象数据和实时道面温度数据；
S104、基于污染物状况预测模型和预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据；
S105、基于污染物预测数据和预设的预警等级标准发出预警信号。
为了方便测试，同时不对机场道面造成破坏，在机场环境下预设一个与当前机场道面筑造材料相同的模拟试件，以模拟机场道面，来进行各项参数的获取，在本实施例中，将试件尺寸设置为长*宽*高＝300*300*380mm，用于模拟机场跑道部分38cm厚水泥混凝土道面实际结冰和积雪情况。
通过预设在模拟试件上的计量设备获取模拟训练数据和预测输入数据，模拟训练数据包括模拟气象数据、模拟道面温度数据和机场道面的模拟污染物状况数据，预测输入数据包括实时气象数据和实时道面温度数据。其中，模拟气象数据和实时气象数据均包括大气温度、湿度、太阳辐射强度、降雨量、降雪量，对应的计量设备包括气温传感器、湿度传感器、风速传感器、雨量筒和太阳辐射传感器，均安装在模拟试件上方；
模拟道面温度数据和实时道面温度数据均指模拟试件不同深度的温度，采用的计量设备是道面温度传感器，道面温度传感器分别位于模拟试件距离表面的不同深度处，例如5cm、10cm、20cm、30cm处，用于获取模拟试件不同深度处的温度作为机场道面的道面温度数据；模拟污染物状况数据是指机场道面的污染物状况，包括污染物类型和污染物厚度，例如“积雪，3mm”或者“结冰，2mm”，获取模拟污染物状况的计量设备为道面表面状况传感器，也即市面常见的路面状况传感器，安装在模拟试件的表面，传感器表面与模拟试件表面平齐。
其中，所有的计量设备均与计算机***连接，并实现通讯，具体通讯方式可以通过RS-485串行通信接口实现，也可以通过其他通讯方式实现，用于计算机***读取计量设备获取的模拟测试数据和预测输入数据。
具体地，通过模拟试件模拟机场道面的模拟气象数据和模拟道面温度数据，以使模拟试件在预设的时间后出现结冰或者积雪情况，并将结冰或者积雪情况作为模拟污染物状况数据。例如，模拟试件处于某气象数据和道面温度数据下，经过20min，后会出现结冰2mm现象；在某气象数据和道面温度数据下，经过20min，会出现积雪3mm现象等，记录上述气象数据和道面温度数据作为模拟气象数据和模拟道面温度数据，同时将“结冰，2mm”“积雪，3mm”作为模拟污染物状况数据。
获取模拟训练数据后，根据模拟训练数据，以XGBoost算法为基础，构建污染物状况预测模型，从而向污染物状况预测模型内输入预测输入数据，即可预测机场道面上的污染物厚度。
本实施例中，根据计量设备实时获取预测输入数据，即实时气象数据和实时道面温度数据，向污染物状况预测模型内输入预测输入数据，污染物状况预测模型输出在预设时间后的机场道面的污染物预测数据，将预设时间设置为20min，也即，获取当前预测数据数据，预测的是20min后机场道面的具体情况。具体的污染物预测数据包括污染物类型和污染物厚度。
在获取污染物预测数据之后，计算机***根据污染物预测数据和预设的预警等级标准确定预警等级，并根据预警等级发出预警信号，以提示机场服务部门提前进行道面处理决策。
具体地，参照图2，步骤S102：基于XGBoost算法以及模拟训练数据构建污染物状况预测模型包括以下步骤：
S201、基于模拟气象数据和模拟道面温度数据确定模拟输入变量；
S202、基于模拟污染物状况数据确定模拟输出结果；
S203、基于输入变量、输出结果以及XGBoost算法构建污染物状况预测模型。
因为机场道面表面冰雪情况与温度、湿度、风速和机场表面特征有关，并且与温度、湿度和风速呈现非线性耦合关系(输入与输出不成正比，则称为非线性***；两种因素之间相互影响，互相纠缠的关系称之为耦合)，是时变的非线性环节，所以输入和输出都很难用具体的数学函数来表达。考虑至此，本实施例采用数学模型，并通过对数学模型进行训练的方式来实现机场道面表面冰雪状况的预测。
具体地，构建模型需要输入变量、输出结果和训练算法，在本实施例中，将模拟训练数据中的模拟气象数据和模拟道面温度数据进行数值化处理，提取出模拟气象数据和模拟道面温度数据中的特征数值信息，作为模拟输入变量；提取出模拟污染物状况数据的特征数值信息，作为模拟输出结果。
例如，模拟气象数据中：大气温度为1℃、湿度为60％、太阳辐射强度为200W/㎡、降雪量为1mm，四个道面温度传感器测得的模拟道面温度分别为2℃、1℃、1℃、0℃，则按照顺序提取出来的特征数值信息分别为1、60、200、1、2、1、1、0，将上述模拟气象数据和模拟道面温度数据的特征数值信息作为模拟输入变量。模拟污染物状况数据包括模拟污染物类型数据和模拟污染物厚度数据，其中模拟污染物类型数据表示机场道面上的污染物类型信息，包括“干燥/积雪/结冰”三种情况，分别用特征数值信息“0/1/2”表示，将模拟污染物类型数据的特征数值信息作为第一模拟输出结果；模拟污染物厚度数据表示机场道面上污染物的厚度，如“1mm/2mm”等，从模拟污染物厚度数据中提取出污染物厚度的特征数值信息，例如模拟污染物厚度数据为“2mm”，则提取特征数值信息为2，将模拟污染物状况数据的特征数值信息作为第二模拟输出结果，将第一模拟输出结果和第二模拟输出结果统称为模拟输出结果。
根据模拟输入变量和模拟输出结果，以XGBoost算法为基础，构建污染物状况预测模型。具体地，参照图3，步骤S203包括以下步骤：
S301、基于模拟输入变量、第一模拟输出结果以及XGBoost算法构建污染物类型预测模型，污染物类型预测模型用于预测机场道面上的污染物类型；
S302、基于模拟输入变量、第二模拟输出结果以及XGBoost算法构建污染物厚度预测模型，污染物厚度预测模型用于预测机场道面上的污染物厚度；
S303、将污染物类型预测模型和污染物厚度预测模型作为污染物状况预测模型。
参照图4，为了保证模型的预测准确性，将模拟训练数据中的模拟输入变量和模拟输出结果进行划分，得到训练集和测试集，训练集中包括对应的模拟输入变量和模拟输出结果，测试集中同样包括对应的模拟输入变量和模拟输出结果，通过训练集对污染物类型预测模型和污染物厚度预测模型进行训练，通过测试集来对污染物类型预测模型和污染物厚度预测模型进行测试。
在本实施例的一个实施方式中，采用十折交叉验证方法确保模型计算结果的可靠性，具体方式为，将训练集随机分割成10个不同的子集，每个子集成为一个折叠，然后对模型进行10次训练和评估——每次挑选一个折叠进行评估，使用另外9个折叠进行训练，产出的结果是一个包含10次评估分数的数组。
污染物类型预测模型和污染物厚度预测模型的构建原理为：参照图5，假设模型有K棵树，其中，第一棵树表示构建的第一模型，每个树节点表示不同的判断条件，将训练集中的模拟输入变量输入第一棵树，经过第一棵树不同节点的判断条件的判断，得到第一模拟预测结果，将第一模拟预测结果与测试集中的第一模拟输出结果进行对比，得到误差信息，将误差信息作为第二棵树的目标输出结果；第二棵树用于对第一棵树的第一模拟输出结果进行误差拟合，得到更加准确的预测结果。
具体的模型构建过程如下：
每棵树用一个函数fk(xi)表示,则该模型可表示为K棵树的和:
Figure BDA0003719273540000081
XGBoost算法每次迭代产生一棵新树，用于拟合之前树的残差，所以假设第t次迭代时预测值为
Figure BDA0003719273540000091
则
Figure BDA0003719273540000092
目标函数有两个目的：
1.优化预测值和真实值的差异即损失值。
2.加入正则化惩罚项，减小模型过拟合的可能性。
因此得到目标函数由损失值、正则项和常数项3部分组成。
Figure BDA0003719273540000093
正则项：
Figure BDA0003719273540000094
其中γ和λ为模型参数；T为树的叶子节点总个数，wj为书中第j个叶子节点的权重。
将损失函数泰勒展开至二阶，并移除常数项，则目标函数变为：
Figure BDA0003719273540000095
Figure BDA0003719273540000096
Figure BDA0003719273540000097
在产生一棵新树时
Figure BDA0003719273540000098
为固定值可以视为常数忽略，并且将函数对样本的遍历整合为对叶子节点的遍历。因此目标函数可以进一步精简为:
Figure BDA0003719273540000099
其中
Figure BDA00037192735400000910
Ij为第j个叶子节点上的样本集合。
令偏导数
Figure BDA00037192735400000911
则
Figure BDA00037192735400000912
代回原目标函数为
Figure BDA00037192735400000913
当目标函数值最小时，说明整棵树结构最优。
利用网格搜索法来寻找XGBoost模型中的最优参数，提高模型的预测性能。调优参数包括决策树个数、学习率、树的最大深度、最小叶子节点权重和，γ惩罚项系数，λ正则化系数。经过参数调整之后，模型参数达到最优。即为训练好的机场道面污染物状况预测模型。
使用预测结冰厚度的均方误差(MSE)来评估模型的预报效果。均方误差的计算公式为：
Figure BDA0003719273540000101
式中：yi为真实值，f(xi)为预测值，m为测试样本数量，i为样本序号。
其中，决策树节点切分点划分方法具体为：
从树的深度为0开始，对每个叶子节点进行特征枚举，对应每一个特征，把该节点的训练样本按特征值升序排列，通过线性扫描的方式来决定该特征的最佳***点，并记录该特征的***收益。
假设在某一节点完成特征***，则***前的目标函数可以写为：
Figure BDA0003719273540000102
***后的目标函数为：
Figure BDA0003719273540000103
则对目标函数来说，***后的收益为：
Figure BDA0003719273540000104
选择***后收益最大的特征，用该特征的最佳***点作为***位置，***出两个新的叶节点，并关联每个新节点对应的样本集。
因为新引入叶子节点有对应的惩罚项，所以当引入的分割带来的收益小于惩罚时，就可以剪去这个分割。
重复以上操作，直到决策树构建完成，形成污染物类型预测模型和污染物厚度预测模型。例如，参照图6，为训练后的一个污染物厚度预测模型。
参照图7，步骤S104中，基于污染物状况预测模型和预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据具体包括以下步骤：
S401、基于实时气象数据和实时道面温度数据确定预测输入变量；
S402、将预测输入变量输入污染物类型预测模型，得到污染物类型预测结果；
S403、基于污染物类型预测结果，将预测输入变量输入污染物厚度预测模型中，得到污染物厚度预测结果；
S404、基于污染物类型预测结果和污染物厚度预测结果得到污染物预测数据。
预测输入变量的确定方法与上述的模拟输入变量的确定方法相同，通过提取实时气象数据和实时道面温度数据中的特征数值信息来确定预测输入变量。将预测输入变量输入污染物类型预测模型，经过训练后的污染物类型预测模型已经能够输出准确的污染物类型预测结果；同理，将预测输入变量输入污染物厚度预测模型，得到污染物厚度预测结果。通过对污染物类型预测结果以及污染物厚度预测结果进行解析，得到污染物预测数据。例如，污染物类型预测模型和污染物厚度预测模型输出的预测输出结果分别为“1，2”，对模型预测输出结果进行解析，可知根据当前预测输入数据，污染物类型为积雪，厚度为2mm，也即表示预测结果为机场道面在20min后将会出现积雪，积雪的厚度为2mm。
参照图8，步骤S105中，基于污染物预测数据和预设的预警等级标准发出预警信号具体包括以下步骤：
S501、预设预警等级标准；
S502、将污染物预测数据与污染物状况信息进行对比，判断污染物预测数据是否与污染物状况信息匹配；
S503、若匹配，则获取污染物状况信息对应的预警等级；
S504、基于预警等级发出预警信号。
首先，根据实际道面冰雪情况预设预警等级标准，并保存在计算机***中，预警等级标准里规定了机场道面污染物状况信息以及与污染物状况信息对应的预警等级，不同程度的污染物状况信息对应了不同的预警等级。在获取污染物预测数据后，通过预警等级标准，将污染物预测数据与污染物状况信息进行对比，并选择与污染物预测数据匹配的污染物状况信息，从而获取与该污染物状况信息对应的预警等级，计算机***基于该预警等级发出预警信号。
具体地，参照图9，预设预警等级标准在本实施例中包括以下步骤：
S601、获取机场道面出现冰雪状况时的污染物状况信息，污染物状况信息包括污染物类型和污染物厚度，污染物类型包括积雪和冰；
S602、对污染物类型以及污染物厚度进行分析，获取与污染物类型对应的预警等级：
S603、若机场道面存在积雪现象，且积雪厚度不超过预设的积雪厚度阈值，则将预警等级设置为第一等级；
S604、若机场道面存在积雪现象，且积雪厚度超出预设的积雪厚度阈值，则将预警等级设置为第二等级；
S605、若机场道面存在结冰现象，则将预警等级设置为第三等级。
在机场道面出现冰雪情况时，根据积雪或者结冰情况设定预警等级，在本实施例中，预警等级按照颜色来体现，例如，黄、橙、红等。若出现积雪现象，则根据污染物预测数据中预测的积雪厚度与预设的积雪厚度阈值进行对比，判断是否超出积雪厚度阈值，来确定预警等级。例如，预设积雪厚度阈值为3mm，通过污染物状况预测模型获取的污染物预测数据若为“积雪，2mm”，则确定积雪厚度未超出积雪厚度阈值，此时赋予黄色预警等级；若污染物预测数据为“积雪，5mm”，则确定积雪厚度超出积雪厚度阈值，此时赋予橙色预警等级。若预测机场道面将会出现结冰情况，则直接赋予红色预警等级，以表机场道面的危险程度。
预警等级标准的一种匹配关系如下表：
机场道面冰雪状况 预警等级
道面表面有积雪，积雪深度不超过3mm(含) 黄
道面表面有积雪，积雪深度超过3mm 橙
道面表面有结冰 红
具体地，计算机***通过远程网络或者其他连接方式与机场航班调度***连接，在确定机场道面的预警等级之后，计算机***将预警等级以及相关数据发送中机场航班调度***，以便机场航班调度***及时做出反应，提前进行道面处理决策。
本申请实施例一种机场道面冰雪状况监测预警方法的实施原理为：根据模拟气象数据、模拟道面温度数据和模拟污染物状况数据构建污染物状况预测模型，能够根据实际的机场道面温度变化来训练模型，使得构建的污染物状况模型更加贴合机场道面实际情况，从而提高了污染物状况预测模型预测的准确性；通过向污染物状况预测模型输入预测输入数据，得到污染物预测数据，并根据污染物预测数据来确定道面冰雪状况的预警等级，并根据预警等级发出预警，提高了机场道面冰雪状况预测的准确性，同时方便了机场航班调度***或者服务部门及时响应，做出处理决策。
本申请实施例还提供一种机场道面冰雪状况监测预警***，应用了上述的一种机场道面冰雪状况监测预警方法，参照图10，该***包括：第一获取模块1、模型构建模块2、第二获取模块3、预测输出模块4和预警提示模块5，其中，第一获取模块1用于基于预设的模拟试件以及设置在模拟试件上的计量设备获取机场道面在模拟冰雪情况下的模拟训练数据；模型构建模块2用于基于XGBoost算法以及模拟训练数据构建污染物状况预测模型；第二获取模块3用于基于计量设备实时获取机场道面的预测输入数据；预测输出模块4用于基于污染物状况预测模型和预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据；预警提示模块5用于基于污染物预测数据和预设的预警等级标准发出预警信号。
具体地，模拟训练数据包括模拟气象数据、模拟道面温度数据和机场道面的模拟污染物状况数据，预测输入数据包括实时气象数据和实时道面温度数据。其中，模拟气象数据和实时气象数据均包括大气温度、湿度、太阳辐射强度、降雨量、降雪量，对应的计量设备包括气温传感器、湿度传感器、风速传感器、雨量筒和太阳辐射传感器，均安装在模拟试件上方；
模拟道面温度数据和实时道面温度数据均指模拟试件不同深度的温度，采用的计量设备是道面温度传感器，道面温度传感器分别位于模拟试件距离表面的不同深度处，例如5cm、10cm、20cm、30cm处，用于获取模拟试件不同深度处的温度作为机场道面的道面温度数据；模拟污染物状况数据是指机场道面的污染物状况，包括污染物类型和污染物厚度，例如“积雪，3mm”或者“结冰，2mm”，获取模拟污染物状况的计量设备为道面表面状况传感器，也即市面常见的路面状况传感器，安装在模拟试件的表面，传感器表面与模拟试件表面平齐。
其中，所有的计量设备均与计算机***连接，并实现通讯，具体通讯方式可以通过RS-485串行通信接口实现，也可以通过其他通讯方式实现，用于计算机***读取计量设备获取的模拟测试数据和预测输入数据。
具体地，第一获取模块1通过模拟试件模拟机场道面的模拟气象数据和模拟道面温度数据，以使模拟试件在预设的时间后出现结冰或者积雪情况，并将结冰或者积雪情况作为模拟污染物状况数据。例如，模拟试件处于某气象数据和道面温度数据下，经过20min，后会出现结冰2mm现象；在某气象数据和道面温度数据下，经过20min，会出现积雪3mm现象等，记录上述气象数据和道面温度数据作为模拟气象数据和模拟道面温度数据，同时将“结冰，2mm”“积雪，3mm”作为模拟污染物状况数据。
第一获取模块1获取模拟训练数据后，模型构建模块2根据模拟训练数据，以XGBoost算法为基础，构建污染物状况预测模型，从而向污染物状况预测模型内输入预测输入数据，即可预测机场道面上的污染物厚度。
其中，模型构建模块还包括第一确定单元、第二确定单元和模型构建单元，第一确定单元用于基于模拟气象数据和模拟道面温度数据确定模拟输入变量；第二确定单元用于基于模拟污染物状况数据确定模拟输出结果；模型构建单元用于基于模拟输入变量、模拟输出结果以及XGBoost算法构建污染物状况预测模型。具体构建过程如上述一种机场道面冰雪状况监测预警方法相同。
本实施例中，第二获取模块3根据计量设备实时获取预测输入数据，即实时气象数据和实时道面温度数据，向污染物状况预测模型内输入预测输入数据，预测输出模块4通过污染物状况预测模型输出在预设时间后的机场道面的污染物预测数据，将预设时间设置为20min，也即，获取当前预测数据数据，预测的是20min后机场道面的具体情况。具体的污染物预测数据包括污染物类型和污染物厚度。
在获取污染物预测数据之后，计算机***中的预警提示模块5根据污染物预测数据和预设的预警等级标准确定预警等级，并根据预警等级发出预警信号，以提示机场服务部门提前进行道面处理决策。
本申请实施例一种机场道面冰雪状况监测预警***其他的具体实施方式与上述的一种机场道面冰雪状况监测预警方法相同，故在此不再赘述。
本申请实施例还公开一种终端设备，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，其中，处理器执行计算机程序时，采用了上述实施例中的一种机场道面冰雪状况监测预警方法方法。
其中，终端设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备，并且，终端设备包括但不限于处理器以及存储器，例如，终端设备还可以包括输入输出设备、网络接入设备以及总线等。
其中，处理器可以采用中央处理单元(CPU)，当然，根据实际的使用情况，也可以采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以采用微处理器或者任何常规的处理器等，本申请对此不做限制。
其中，存储器可以为终端设备的内部存储单元，例如，终端设备的硬盘或者内存，也可以为终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)或者闪存卡(FC)等，并且，存储器还可以为终端设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及终端设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本申请对此不做限制。
其中，通过本终端设备，将上述实施例中的一种机场道面冰雪状况监测预警方法存储于终端设备的存储器中，并且，被加载并执行于终端设备的处理器上，方便使用。
本申请实施例还公开一种计算机可读存储介质，并且，计算机可读存储介质存储有计算机程序，其中，计算机程序被处理器执行时，采用了上述实施例中的一种机场道面冰雪状况监测预警方法。
其中，计算机程序可以存储于计算机可读介质中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等，计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等，需要说明的是，计算机可读介质包括但不限于上述元器件。
其中，通过本计算机可读存储介质，将上述实施例中的一种机场道面冰雪状况监测预警方法存储于计算机可读存储介质中，并且，被加载并执行于处理器上，以方便上述方法的存储及应用。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种机场道面冰雪状况监测预警方法，其特征在于，包括以下步骤：
基于预设的模拟试件以及设置在模拟试件上的计量设备获取机场道面在模拟冰雪情况下的模拟训练数据，所述模拟训练数据包括模拟气象数据、模拟道面温度数据和机场道面的模拟污染物状况数据；
基于XGBoost算法以及所述模拟训练数据构建污染物状况预测模型；
基于所述计量设备实时获取机场道面的预测输入数据，所述预测输入数据包括实时气象数据和实时道面温度数据；
基于所述污染物状况预测模型和所述预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据；
基于所述污染物预测数据和预设的预警等级标准发出预警信号。
2.根据权利要求1所述的一种机场道面冰雪状况监测预警方法，其特征在于，所述基于XGBoost算法以及所述模拟训练数据构建污染物状况预测模型包括以下步骤：
基于所述模拟气象数据和所述模拟道面温度数据确定模拟输入变量；
基于所述模拟污染物状况数据确定模拟输出结果；
基于所述模拟输入变量、所述模拟输出结果以及XGBoost算法构建污染物状况预测模型。
3.根据权利要求2所述的一种机场道面冰雪状况监测预警方法，其特征在于，所述模拟污染物状况数据包括模拟污染物类型数据和模拟污染物厚度数据，将所述模拟污染物类型数据作为第一模拟输出结果，将所述模拟污染物厚度数据作为第二模拟输出结果，所述基于所述模拟输入变量、所述模拟输出结果以及XGBoost算法构建污染物状况预测模型包括以下步骤：
基于所述模拟输入变量、所述第一模拟输出结果以及XGBoost算法构建污染物类型预测模型，所述污染物类型预测模型用于预测机场道面上的污染物类型；
基于所述模拟输入变量、所述第二模拟输出结果以及XGBoost算法构建污染物厚度预测模型，所述污染物厚度预测模型用于预测机场道面上的污染物厚度；
将所述污染物类型预测模型和所述污染物厚度预测模型作为污染物状况预测模型。
4.根据权利要求3所述的一种机场道面冰雪状况监测预警方法，其特征在于， 所述基于所述污染物状况预测模型和所述预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据包括以下步骤：
基于所述实时气象数据和所述实时道面温度数据确定预测输入变量；
将所述预测输入变量输入所述污染物类型预测模型，得到污染物类型预测结果；
基于所述污染物类型预测结果，将所述预测输入变量输入所述污染物厚度预测模型中，得到污染物厚度预测结果；
基于所述污染物类型预测结果和所述污染物厚度预测结果得到污染物预测数据。
5.根据权利要求4所述的一种机场道面冰雪状况监测预警方法，其特征在于，所述预警等级标准内包括机场道面的污染物状况信息以及与所述污染物状况信息对应的预警等级，所述基于所述污染物预测数据和预设的预警等级标准发出预警信号包括以下步骤：
预设预警等级标准；
将所述污染物预测数据与所述污染物状况信息进行对比，判断所述污染物预测数据是否与所述污染物状况信息匹配；
若匹配，则获取所述污染物状况信息对应的预警等级；
基于所述预警等级发出预警信号。
6.根据权利要求5所述的一种机场道面冰雪状况监测预警方法，其特征在于，所述预设预警等级标准包括以下步骤：
获取机场道面出现冰雪状况时的污染物状况信息，所述污染物状况信息包括污染物类型和污染物厚度，所述污染物类型包括积雪和结冰；
对所述污染物类型以及污染物厚度进行分析，获取与所述污染物类型对应的预警等级：
若机场道面存在积雪现象，且所述积雪厚度不超过预设的积雪厚度阈值，则将所述预警等级设置为第一等级；
若机场道面存在积雪现象，且所述积雪厚度超出预设的积雪厚度阈值，则将所述预警等级设置为第二等级；
若机场道面存在结冰现象，则将所述预警等级设置为第三等级。
7.一种机场道面冰雪状况监测预警***，其特征在于，包括：
第一获取模块（1），用于基于预设的模拟试件以及设置在模拟试件上的计量设备获取机场道面在模拟冰雪情况下的模拟训练数据，所述模拟训练数据包括模拟气象数据、模拟道面温度数据和机场道面的模拟污染物状况数据；
模型构建模块（2），用于基于XGBoost算法以及所述模拟训练数据构建污染物状况预测模型；
第二获取模块（3），用于基于所述计量设备实时获取机场道面的预测输入数据，所述预测输入数据包括实时气象数据和实时道面温度数据；
预测输出模块（4），用于基于所述污染物状况预测模型和所述预测输入数据进行道面冰雪状况预测，输出机场道面的污染物预测数据；
预警提示模块（5），用于基于所述污染物预测数据和预设的预警等级标准发出预警信号。
8.根据权利要求7所述的一种机场道面冰雪状况监测预警***，其特征在于，所述模型构建模块还包括：
第一确定单元，基于所述模拟气象数据和所述模拟道面温度数据确定模拟输入变量；
第二确定单元，基于所述模拟污染物状况数据确定模拟输出结果；
模型构建单元，基于所述模拟输入变量、所述模拟输出结果以及XGBoost算法构建污染物状况预测模型。
9.一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述处理器加载并执行计算机程序时，采用了权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用了权利要求1-7中任一项所述的方法。
CN202210745767.1A 2022-06-29 2022-06-29 一种机场道面冰雪状况监测预警方法、***、终端及介质 Active CN114999117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210745767.1A CN114999117B (zh) 2022-06-29 2022-06-29 一种机场道面冰雪状况监测预警方法、***、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210745767.1A CN114999117B (zh) 2022-06-29 2022-06-29 一种机场道面冰雪状况监测预警方法、***、终端及介质

Publications (2)

Publication Number Publication Date
CN114999117A true CN114999117A (zh) 2022-09-02
CN114999117B CN114999117B (zh) 2023-09-01

Family

ID=83037852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210745767.1A Active CN114999117B (zh) 2022-06-29 2022-06-29 一种机场道面冰雪状况监测预警方法、***、终端及介质

Country Status (1)

Country Link
CN (1) CN114999117B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485046A (zh) * 2023-06-21 2023-07-25 华北电力科学研究院有限责任公司 一种光伏出力预测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
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
CN106408857A (zh) * 2016-08-31 2017-02-15 江苏中路工程技术研究院有限公司 一种高速公路路面结冰监控装置和监控方法
CN107016819A (zh) * 2017-06-05 2017-08-04 中国民航大学 一种机场道面积冰预警***及其预警方法
CN108513674A (zh) * 2018-03-26 2018-09-07 深圳市锐明技术股份有限公司 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN108701396A (zh) * 2018-03-26 2018-10-23 深圳市锐明技术股份有限公司 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN111047844A (zh) * 2019-12-26 2020-04-21 西安靖轩航空科技有限公司 一种军用机场道面除雪除冰预警***及方法
US20210332796A1 (en) * 2017-12-14 2021-10-28 Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. Method and apparatus for icing prediction, method and apparatus for generatng icing prediction model

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN106408857A (zh) * 2016-08-31 2017-02-15 江苏中路工程技术研究院有限公司 一种高速公路路面结冰监控装置和监控方法
CN107016819A (zh) * 2017-06-05 2017-08-04 中国民航大学 一种机场道面积冰预警***及其预警方法
US20210332796A1 (en) * 2017-12-14 2021-10-28 Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. Method and apparatus for icing prediction, method and apparatus for generatng icing prediction model
CN108513674A (zh) * 2018-03-26 2018-09-07 深圳市锐明技术股份有限公司 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN108701396A (zh) * 2018-03-26 2018-10-23 深圳市锐明技术股份有限公司 一种车前积雪与结冰的检测报警方法、存储介质和服务器
CN111047844A (zh) * 2019-12-26 2020-04-21 西安靖轩航空科技有限公司 一种军用机场道面除雪除冰预警***及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116485046A (zh) * 2023-06-21 2023-07-25 华北电力科学研究院有限责任公司 一种光伏出力预测方法及装置

Also Published As

Publication number Publication date
CN114999117B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
Lelovics et al. Design of an urban monitoring network based on Local Climate Zone mapping and temperature pattern modelling
Zhang et al. Assimilation of precipitation-affected radiances in a cloud-resolving WRF ensemble data assimilation system
CN111797131B (zh) 一种基于遥感降水产品的极端降水区域频率分析方法
Potvin et al. Systematic comparison of convection-allowing models during the 2017 NOAA HWT spring forecasting experiment
CN110826788A (zh) 基于大数据深度学习的机场场面可变滑出时间预测方法
Sekertekin et al. Modeling diurnal Land Surface Temperature on a local scale of an arid environment using artificial Neural Network (ANN) and time series of Landsat-8 derived spectral indexes
Moser et al. An initial assessment of radar data assimilation on warm season rainfall forecasts for use in hydrologic models
CN108761571A (zh) 基于神经网络的大气能见度预测方法及***
Liu et al. Constraining land surface and atmospheric parameters of a locally coupled model using observational data
CN114999117B (zh) 一种机场道面冰雪状况监测预警方法、***、终端及介质
Osinski et al. Short‐range probabilistic forecasting of convective risks for aviation based on a lagged‐average‐forecast ensemble approach
CN103778305A (zh) 基于k-VNN和LS-SVM的输电线路覆冰建模方法
CN112215416A (zh) 智能规划巡检航线***及方法
Skaugen et al. Modeling the snow depth variability with a high‐resolution lidar data set and nonlinear terrain dependency
Rostam et al. Towards the determination of driving factors of varying LST-LCZ relationships–a case study over 25 cities
Soleimani et al. Satellite aerosol optical depth prediction using data mining of climate parameters
CN110968926A (zh) 一种基于改进背景误差协方差矩阵预测大气参数的方法
CN117574493A (zh) 一种多年冻土地区高速公路冻土范围形变识别方法及***
Marchand et al. A bootstrap technique for testing the relationship between local-scale radar observations of cloud occurrence and large-scale atmospheric fields
da Silveira et al. Observational Investigation of the Statistical Properties of Surface-Layer Turbulence in a Suburban Area of São Paulo, Brazil: Objective Analysis of Scaling-Parameter Accuracy and Uncertainties
Reiweger et al. Measuring acoustic emissions in an avalanche starting zone to monitor snow stability
Darghiasi et al. Enhancing Winter Maintenance Decision Making through Deep Learning-Based Road Surface Temperature Estimation
CN110533241B (zh) 终端区起降容量预测***
CN113536657A (zh) 基于机器学习的海洋大气折射率预测方法
Lussana et al. Evaluation of seNorge2, a conventional climatological datasets for snow-and hydrological modeling in Norway

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
CB02 Change of applicant information

Address after: 471000 room 210, building 11, phase I standardized workshop, Yiluo Industrial Park, Luoyang City, Henan Province

Applicant after: Luoyang Tengfei Construction Engineering Group Co.,Ltd.

Address before: 471000 room 210, building 11, phase I standardized workshop, Yiluo Industrial Park, Luoyang City, Henan Province

Applicant before: Luoyang Tengfei Municipal Engineering Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant