基于北斗信号及地面无线信号的天气预测方法技术

本发明专利技术公开的于北斗信号及地面无线信号的天气预测方法，涉及天气预报技术领域，结合北斗定位信号与地面无线信号，通过采用训练后的数据融合模型和神经网络预测模型进行天气预测，使得神经网络预测模型易于训练，提高了现有天气预测方法的准确度，解决了现有现有天气预测方法存在的循环神经网络模型难以训练及预报的准确度不高的缺陷。

【技术实现步骤摘要】
基于北斗信号及地面无线信号的天气预测方法
本专利技术涉及天气预报
，具体涉及一种基于北斗信号及地面无线信号的天气预测方法。
技术介绍
随着近年来人工智能技术的发展，基于数据挖掘和机器学习的智能算法的应用覆盖了几乎整个工商业领域，在无线通信方面，其在信道估计与预测、智能发射与接收、干扰信号识别等方面有着重要作用，具有十分广泛的应用价值和前景。天气预测是通过对现有的大量气象数据(温度、湿度、气压等)，并对结合气象学认知对未来大气状态的预测。由于大气状态的复杂性与不稳定性，往往会产生一定的预测误差。在北斗定位中，信号会受到传输路径上电离层电子浓度与对流层大气状态的影响，产生一定的延迟与衰落，结合相关的气象学理论知识，经过统计分析，便可获知接收信号与天气状况的关系。基于模式识别的分类算法除了近邻、决策树、贝叶斯决策、支持向量机SVM(SupportVectorMachine，SVM)、误差反向传播BP(ErrorBackPropagationTraining，BP)神经网络分类器等等外，还可以采用组合的多个个体学习器，以达到比个体学习器更优的性能。传统的机器学习方法往往无法对带有时间序列的数据进行预测，上世纪80年代末神经网络专家如Jordan，Pineda.Williams，Elman等提出的一种循环神经网络模型，该模型能够通过内部状态机的转移可有效地展示数据的时序行为，但是该循环神经网络模型包含了大量参数，导致难以对其进行训练且天气预测的准确度不高。
技术实现思路
为解决现有技术的不足，本专利技术实施例提供了一种基于北斗信号及地面无线信号的天气预测方法，该方法包括以下步骤：Step1：在基站BS处及设定的时间段内，持续接收北斗信号和地面无线信号并分别提取北斗信号的延迟与信噪比及地面无线信号的信噪比；Step2：在时间段内，以小时为单位，抽取北斗信号的延迟与信噪比、地面无线信号的信噪比及时段内的天气状况，计算时段内所述北斗信号的延迟与信噪比的均值与方差及地面无线信号的信噪比的均值与方差并对北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差进行预处理，对天气状况进行编码，生成与天气状况对应的天气编码；Step3：将北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码作为训练样本，根据训练样本，对学习器进行训练，生成数据分类模型，数据分类模型根据贝叶斯融合算法，生成数据融合模型，数据融合模型对经学习器分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码进行融合；Step4：将融合后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码按照时间序列划分为若干个窗口大小为M的数据集合，将前K组数据作为训练样本进行输入、后M-K组数据作为验证数据，采用前K组数据，对神经网络进行训练，生成预测神经网络模型，其中，M、K均为自然数，K≤M；Step5：从数据集合中，选取时间序列为N-(K+1)～N的数据作为预测神经网络模型的输入数据，将预测神经网络模型输出的数据作为数据融合模型的输入数据，将数据融合模型输出的数据与天气编码相比较，确定最终预测的天气状况，其中，N为自然数；Step6：发布天气状况。优选地，对北斗信号的延迟与信噪比、无线信号的信噪比进行预处理包括：对北斗信号的延迟与信噪比、无线信号的信噪比进行平滑及去噪处理。优选地，对天气状况进行编码包括：对该时段内的天气状况进行二进制编码，其中，各个二进制编码的汉明距离相同。优选地，学习器包括：近邻算法、支持向量机及神经网络分类器。优选地，预测神经网络模型包括：长短期记忆网络LSTM模型及选通重复单元GRU模型。本专利技术实施例提供的基于北斗信号及地面无线信号的天气预测方法的有益之处在于：(1)利用无线信号统计特性随天气变化这一特点，通过多天线基站BS对北斗定位信号与地面无线信号在长时间段内观测的信号数据进行数据挖掘，来获知垂直大气分布和小范围内水平大气分布，简化了气象观测模型，提高了现有气象观测模型的可靠性，且易于实现。(2)将观测时间内的信号数据进行处理，并分别使其转化为适用于集成学习的分类样本和深度学习的时间序列预测样本，并通过配制模型的参数，提高了现有天气预测的准确度。附图说明图1是本专利技术实施例提供的基于北斗信号及地面无线信号的天气预测方法的应用场景示意图；图2是本专利技术实施例提供的基于北斗信号及地面无线信号的天气预测方法的流程示意图；图3是本专利技术实施例提供的基于北斗信号及地面无线信号的天气预测方法中生成预测神经网络模型的过程示意图。具体实施方式以下结合附图和具体实施例对本专利技术作具体的介绍参照图1，本专利技术实施例提供的基于北斗信号及地面无线信号的天气预测方法的应用场景包括：多个地面移动设备、基站及北斗卫星导航系统。其中，地面移动设备发射地面无线信号，北斗卫星导航系统发射北斗信号。参照图2，本专利技术实施例提供的基于北斗信号及地面无线信号的天气预测方法包括以下步骤：Step1：在基站BS处及设定的时间范围内，持续接收北斗信号和地面无线信号并分别提取所述北斗信号的延迟与信噪比及所述地面无线信号的信噪比。其中，上述设定的时间范围可以为一天、两天…。Step2：在所述时间段内，以小时为单位，抽取所述北斗信号的延迟与信噪比、所述地面无线信号的信噪比及所述时段内的天气状况，计算所述时段内所述北斗信号的延迟与信噪比的均值与方差及所述地面无线信号的信噪比的均值与方差并对所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差进行预处理，对所述时段内的天气状况进行编码，生成与所述天气状况对应的天气编码。其中，在多天线基站BS处接收一段时间内的第I路载波频率为1561.198Mhz的北斗信号B1I及周围(1km半径内)无线用户的信号，对于第j个卫星的B1I信号，其信号表达式如公式(1)所示：其中，由于电离层延迟可以利用双频信号将其影响消除，因此可以算出因不同天气状况下大气产生的延迟，此外，通过对信号振幅AB1I进行采样，并根据噪声功率算出信噪比，同理，也可以计算出地面无线信号的信噪比。将北斗信号的延迟与信噪比及地面无线信号的信噪比以小时为单位进行统计，并分别计算该段时间内统计数据的均值与方差，并将信号统计数据进行预处理。Step3：将所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差及所述天气编码作为训练样本，根据所述训练样本，对学习器进行训练，生成数据分类模型，所述数据分类模型根据贝叶斯融合算法，生成数据融合模型，所述数据融合模型对经学习器分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码进行融合。其中，学习器为不同类型及数量的学习器的组合，其中，学习器的数量和类型可以调节。进一步地，对学习器进行训练的过程如下：随机抽取北斗信号延迟、北斗信号信噪比、地面无线信号信噪比和统计时间内的天气状况作为训练样本，对于每个集成分类器设置不同的学习器的种类以及数量，以保证其差异性，并进行结合，从而得到集成学习的结果；最后，对集成学习训练结果进行误差分析，修改权值以及其他参数。另外在集成学习器中，可选择KNN、SVM、本文档来自技高网...

【技术保护点】
1.一种基于北斗信号及地面无线信号的天气预测方法，其特征在于，包括以下步骤：Step1：在基站BS处及设定的时间段内，持续接收北斗信号和地面无线信号并分别提取所述北斗信号的延迟与信噪比及所述地面无线信号的信噪比；Step2：在所述时间段内，以小时为单位，抽取所述北斗信号的延迟与信噪比、所述地面无线信号的信噪比及所述时段内的天气状况，计算所述时段内所述北斗信号的延迟与信噪比的均值与方差及所述地面无线信号的信噪比的均值与方差并对所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差进行预处理，对所述天气状况进行编码，生成与所述天气状况对应的天气编码；Step3：将所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差及所述天气编码作为训练样本，根据所述训练样本，对学习器进行训练，生成数据分类模型，所述数据分类模型根据贝叶斯融合算法，生成数据融合模型，所述数据融合模型对经学习器分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码进行融合；Step4：将融合后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码按照时间序列划分为若干个窗口大小为M的数据集合，将前K组数据作为训练样本进行输入、后M‑K组数据作为验证数据，采用前K组数据，对神经网络进行训练，生成预测神经网络模型，其中，M、K均为自然数，K≤M；Step5：从所述数据集合中，选取时间序列为N‑(K+1)～N的数据作为所述预测神经网络模型的输入数据，将预测神经网络模型输出的数据作为所述数据融合模型的输入数据，将所述数据融合模型输出的数据与所述天气编码相比较，确定最终预测的天气状况，其中，N为自然数；Step6：发布所述天气状况。...

【技术特征摘要】
1.一种基于北斗信号及地面无线信号的天气预测方法，其特征在于，包括以下步骤：Step1：在基站BS处及设定的时间段内，持续接收北斗信号和地面无线信号并分别提取所述北斗信号的延迟与信噪比及所述地面无线信号的信噪比；Step2：在所述时间段内，以小时为单位，抽取所述北斗信号的延迟与信噪比、所述地面无线信号的信噪比及所述时段内的天气状况，计算所述时段内所述北斗信号的延迟与信噪比的均值与方差及所述地面无线信号的信噪比的均值与方差并对所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差进行预处理，对所述天气状况进行编码，生成与所述天气状况对应的天气编码；Step3：将所述北斗信号的延迟与信噪比的均值与方差、所述地面无线信号的信噪比的均值与方差及所述天气编码作为训练样本，根据所述训练样本，对学习器进行训练，生成数据分类模型，所述数据分类模型根据贝叶斯融合算法，生成数据融合模型，所述数据融合模型对经学习器分类后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码进行融合；Step4：将融合后的北斗信号的延迟与信噪比的均值与方差、地面无线信号的信噪比的均值与方差及天气编码...

【专利技术属性】
技术研发人员：李文刚，刘欢，孙珑心，钱天蓉，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61