一种云边端协同的气象智能预警系统技术方案

本发明专利技术公开了一种云边端协同的气象智能预警系统，该系统包括用于大区域气象预警的云端、用于小区域气象预警的边缘端、用于采集和结果显示的终端；云端从终端采集的气象数据进行大区域气象预警分析及气象智能预警模型训练，并下发至边缘端；边缘端根据从云端获取的气象智能预警模型，并从各个终端获取对应所需数据，输入气象智能预警模型并进行模型计算，得到小区域的气象预警分析；及用于结合边缘端所在地区的特征，分析大区域和小区域的综合气象预警信息；及用于把小区域和综合气象预警信息上传至所述用于大区域气象预警的云端存储，并把综合气象预警信息下发至用于采集和结果显示的终端进行预警展示。本发明专利技术系统气象预警精度高、速度快。

【技术实现步骤摘要】
一种云边端协同的气象智能预警系统
本专利技术涉及云计算和边缘计算
，具体涉及一种云边端协同的气象智能预警系统。
技术介绍
随着计算机技术的发展，云计算由Google在2007年提出，并在随后的几年快速发展。云计算是一种全新的资源应用模式，其将大量的硬件资源构成一个可配置的计算资源池，具有强大的计算和存储能力，这也使得云计算降低了互联网对设备资源的消耗，提高了设备的使用率；减少了信息维护和存储的成本，能够对计算资源进行弹性分配。然而，云计算也存在缺陷：（1）需要持久稳定的网络连接，在距离云计算中心较远的地区存在较大的网络延迟性；（2）数据安全性无法保证；（3）用户对数据和技术的掌控灵活度下降。对于气象预警方面，在有不同且复杂的地质地貌，有成都平原地区，有普通山区，也有青藏高原地区，在以上不同的地区中，各地区都有自己的气象特点、地质环境差异大，出现地质灾害的概率和类型等也不相同。因此仅仅在云端进行上述数据的处理和建模，可能会存在以下问题：一、网络通信环境较差导致结果返回的延迟性高；二、数据具有区域性特征，均放在云端计算分析，返回的结果本文档来自技高网...

【技术保护点】
1.一种云边端协同的人工智能模型执行系统，其特征在于，包括云端、边缘端和终端，所述云端双向通信连接所述边缘端，所述边缘端双向通信连接所述终端；/n所述云端包括云端服务器和镜像仓库，所述云端服务器用于搭建运行环境，并在运行环境上实现人工智能模型的训练和数据存储，并把训练的人工智能模型、结果数据传输程序和运行环境打包成模型执行镜像推送至镜像仓库，并控制边缘端拉取执行所述模型执行镜像；/n所述边缘端，用于从所述云端的镜像仓库中拉取所述模型执行镜像，并在相应的边缘端构建模型执行的配置文件；及根据人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；及根据加工好的数据运行人工智能模型...

【技术特征摘要】
1.一种云边端协同的人工智能模型执行系统，其特征在于，包括云端、边缘端和终端，所述云端双向通信连接所述边缘端，所述边缘端双向通信连接所述终端；
所述云端包括云端服务器和镜像仓库，所述云端服务器用于搭建运行环境，并在运行环境上实现人工智能模型的训练和数据存储，并把训练的人工智能模型、结果数据传输程序和运行环境打包成模型执行镜像推送至镜像仓库，并控制边缘端拉取执行所述模型执行镜像；
所述边缘端，用于从所述云端的镜像仓库中拉取所述模型执行镜像，并在相应的边缘端构建模型执行的配置文件；及根据人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；及根据加工好的数据运行人工智能模型执行镜像和模型计算，并把模型计算结果推送至对应的终端和云端；
所述终端，用于接收所述边缘端推送的模型计算结果，进行结果展示；及根据所述人工智能模型所需的数据来进行对应终端数据采集。


2.根据权利要求1所述的一种云边端协同的人工智能模型执行系统，其特征在于，所述边缘端还用于：
模型计算计算后，进行模型计算的结果保存，若边缘端接收到终端上传的新数据，则继续输入模型计算，并更新结果文件；
所述结果数据传输程序将在边缘端监控结果文件是否发生改变，如果监控结果改变，则所述结果传输程序将读取监控结果文件中的最新数据推送至所述云端和终端。


3.根据权利要求1所述的一种云边端协同的人工智能模型执行系统，其特征在于，所述边缘端以容器的方式运行人工智能模型执行镜像；
所述边缘端根据人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；其中数据加工包括把数据转换为模型输入的格式。


4.根据权利要求1所述的一种云边端协同的人工智能模型执行系统，其特征在于，一个所述云端对应若干个边缘端，一个所述边缘端对应若干个终端设备。


5.一种云边端协同的人工智能模型执行方法，其特征在于，该方法应用于如权利要求1至4中任意一项所述的一种云边端协同的人工智能模型执行系统，该方法包括以下步骤：
步骤1，人工智能模型下发：云端服务器搭建运行环境，并在运行环境上实现人工智能模型的训练和数据存储，并把训练的所述人工智能模型、结果数据传输程序和运行环境打包成模型执行镜像推送至镜像仓库，并控制边缘端拉取执行所述模型执行镜像；
步骤2，人工智能模型执行：边缘端从所述云端的镜像仓库中拉取所述模型执行镜像，并在相应的边缘端构建模型执行的配置文件；同时，根据所述人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；并根据加工好的数据运行所述人工智能模型执行镜像和模型计算，并保存模型计算的结果；
步骤3，结果返回：边缘端把模型计算结果推送至对应的终端和云端，云端获取到边缘端推送的数据，并对数据进行存储和管理；终端设备获取到边缘端推送的数据，并对数据进行展示。


6.根据权利要求5所述的人工智能模型执行方法，其特征在于，步骤1具体包括以下子步骤：
S11：在云端服务器上拉取人工智能运行环境所需的镜像，并导入关键函数库；
S12：创建容器配置文件，在所述容器配置文件中引入步骤S11中拉取的镜像，并写入关键函数库的安装方法和创建模型运行目录的操作命令；
S13：在云端服务器上编写人工智能程序，输入处理好的训练数据，训练模型并保存至所述容器配置文件所在目录，在此...

【专利技术属性】
技术研发人员：唐旺，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川;51