一种基于机器学习的风暴单体跟踪预报方法及系统技术方案

本发明专利技术公开了一种基于机器学习的风暴单体跟踪预报方法及系统，涉及机器学习开发领域；所述的方法具体步骤包括：S1通过同一天气的数据样本进行采样；S2利用体扫间隔算法获取前后风暴单体数据，判断其是否连续；S3通过风暴单体的特征和距离判断是否在同一天气过程；S4利用一个时间序列内的风暴单体跟踪匹配，拟合该时间序列的运动轨迹；S5利用加权最小二乘法拟合直线预报下一时刻风暴单体的位置；本发明专利技术方法可预报单体个数更多,得到的单体位置平均预报误差更小，能够更好的实现风暴单体的跟踪及预报。踪及预报。踪及预报。

【技术实现步骤摘要】
一种基于机器学习的风暴单体跟踪预报方法及系统


[0001]本专利技术公开一种基于机器学习的风暴单体跟踪预报方法及系统，涉及机器学习开发


技术介绍

[0002]机器学习是基于一种算法，该算法从数据中获得学习能力，而无需依靠基于规则的编程。随着数字化的进步和计算能力日趋便宜，使得数据科学家能够停止建造模型，转而训练计算机来进行这一工作，因此机器学习在20世纪90年代晚期作为一门科学学科出现在了大众的视野中。目前全世界瞩目的大数据因其难以管理的巨大数量和复杂性增加了使用机器学习的潜能——以及对机器学习的需求。加权最小二乘法的核心思想是加权，一般来说，近期数据比起远期数据对未来的影响更大。因此比较合理的方法就是使用加权的方法，对近期数据赋以较大的权数，对远期数据则赋以较小的权数。中国的气候类型复杂多样，冰雹和暴雨等强对流天气常有发生，对区域的经济发展和人们的生产和生活产生了很大的影响。为了降低强对流天气的影响，人工的预报工作越来越受到人们的重视。为了能够减小预报的误差提高预报的精度，就需要我们更好的利用机器学习算法实现对于风暴单体的跟踪及预报。
[0003]在现有的风暴单体跟踪及预报算法中，包括TITAN算法和SCIT算法在实际业务中取得了一些效果，但是由于没有将风暴单体的整体结构和局部信息很好的利用起来，使得其在预报的精确度上不够高，以及预报时效上的不稳定性，因此具有了一定的局限性；
[0004]故现专利技术一种基于机器学习的风暴单体跟踪预报方法及系统，以解决上述问题。

技术实现思路
/>[0005]本专利技术针对现有技术的问题，提供一种基于机器学习的风暴单体跟踪预报方法及系统，所采用的技术方案为：一种基于机器学习的风暴单体跟踪预报方法，所述的方法具体步骤包括：
[0006]S1通过同一天气的数据样本进行采样；
[0007]S2利用体扫间隔算法获取前后风暴单体数据，判断其是否连续；
[0008]S3通过风暴单体的特征和距离判断是否在同一天气过程；
[0009]S4利用一个时间序列内的风暴单体跟踪匹配，拟合该时间序列的运动轨迹；
[0010]S5利用加权最小二乘法拟合直线预报下一时刻风暴单体的位置。
[0011]所述S2利用体扫间隔算法获取前后风暴单体数据，判断其是否连续的具体步骤包括：
[0012]S201对前后两个风暴单体的体扫时间间隔进行检查；
[0013]S202用时间阈值和时间间隔进行比较；
[0014]S203时间阈值小于时间间隔，则判断出现数据为不连续；
[0015]S213时间阈值大于时间间隔，则判断出现数据为连续。
[0016]所述S3通过风暴单体的特征和距离判断是否在同一天气过程的具体步骤包括：
[0017]S301利用特征相似算法计算单体扫强度均值数据；
[0018]S302利用距离优先算法计算单体间距；
[0019]S303判断计算风暴单体是否属于同一天气过程。
[0020]所述S301利用特征相似算法，使用风暴单体强度均值的差值和面积的比值，计算单体扫强度均值数据。
[0021]一种基于机器学习的风暴单体跟踪预报系统，所述的系统具体包括数据采样模块、连续判断模块、天气判断模块、轨迹拟合模块和位置预报模块：
[0022]数据采样模块：通过同一天气的数据样本进行采样；
[0023]连续判断模块：利用体扫间隔算法获取前后风暴单体数据，判断其是否连续；
[0024]天气判断模块：通过风暴单体的特征和距离判断是否在同一天气过程；
[0025]轨迹拟合模块：利用一个时间序列内的风暴单体跟踪匹配，拟合该时间序列的运动轨迹；
[0026]位置预报模块：利用加权最小二乘法拟合直线预报下一时刻风暴单体的位置。
[0027]所述连续判断模块具体包括间隔检查模块、间隔比较模块、间隔判断模块A和间隔判断模块B：
[0028]间隔检查模块:对前后两个风暴单体的体扫时间间隔进行检查；
[0029]间隔比较模块:用时间阈值和时间间隔进行比较；
[0030]间隔判断模块A:时间阈值小于时间间隔，则判断出现数据为不连续；
[0031]间隔判断模块B：时间阈值大于时间间隔，则判断出现数据为连续。
[0032]所述天气判断模块具体包括强度计算模块、间距计算模块和天气判定模块：
[0033]强度计算模块：利用特征相似算法计算单体扫强度均值数据；
[0034]间距计算模块：利用距离优先算法计算单体间距；
[0035]天气判定模块：判断计算风暴单体是否属于同一天气过程。
[0036]所述强度计算模块利用特征相似算法，使用风暴单体强度均值的差值和面积的比值，计算单体扫强度均值数据。
[0037]本专利技术的有益效果为：本专利技术方法通过利用机器学习算法，针对其预报误差大、可预报单体数少的问题，首先从大量数据资料中获取有代表性的数据，本专利技术方法实施例可以选择某市2013
‑
2018年期间75个天气过程中最具代表性的冰雹和暴雨作为研究对象；然后根据“体扫间隔，特征相似，近距离优先”三个算法实现单体在一个时间序列内的跟踪匹配，最后再利用加权最小二乘法对风暴单体在下一时刻的位置进行预报；从评估结果来看，本方法可预报单体个数更多,得到的单体位置平均预报误差更小，能够更好的实现风暴单体的跟踪及预报；本专利技术方法提高了风暴单体预报的准确性、提升了风暴单体预报的时效性、增加了风暴单体预报的多元性的同时，丰富了机器学习算法的应用性。
附图说明
[0038]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以
根据这些附图获得其他的附图。
[0039]图1是本专利技术方法的流程图；图2是本专利技术系统的结构示意图。
具体实施方式
[0040]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。
[0041]实施例一：
[0042]一种基于机器学习的风暴单体跟踪预报方法，所述的方法具体步骤包括：
[0043]S1通过同一天气的数据样本进行采样；
[0044]S2利用体扫间隔算法获取前后风暴单体数据，判断其是否连续；
[0045]S3通过风暴单体的特征和距离判断是否在同一天气过程；
[0046]S4利用一个时间序列内的风暴单体跟踪匹配，拟合该时间序列的运动轨迹；
[0047]S5利用加权最小二乘法拟合直线预报下一时刻风暴单体的位置；
[0048]进一步的，所述S2利用体扫间隔算法获取前后风暴单体数据，判断其是否连续的具体步骤包括：
[0049]S201对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的风暴单体跟踪预报方法，其特征是所述的方法具体步骤包括：S1通过同一天气的数据样本进行采样；S2利用体扫间隔算法获取前后风暴单体数据，判断其是否连续；S3通过风暴单体的特征和距离判断是否在同一天气过程；S4利用一个时间序列内的风暴单体跟踪匹配，拟合该时间序列的运动轨迹；S5利用加权最小二乘法拟合直线预报下一时刻风暴单体的位置。2.根据权利要求1所述的方法，其特征是所述S2利用体扫间隔算法获取前后风暴单体数据，判断其是否连续的具体步骤包括：S201对前后两个风暴单体的体扫时间间隔进行检查；S202用时间阈值和时间间隔进行比较；S203时间阈值小于时间间隔，则判断出现数据为不连续；S213时间阈值大于时间间隔，则判断出现数据为连续。3.根据权利要求2所述的方法，其特征是所述S3通过风暴单体的特征和距离判断是否在同一天气过程的具体步骤包括：S301利用特征相似算法计算单体扫强度均值数据；S302利用距离优先算法计算单体间距；S303判断计算风暴单体是否属于同一天气过程。4.根据权利要求3所述的方法，其特征是所述S301利用特征相似算法，使用风暴单体强度均值的差值和面积的比值，计算单体扫强度均值数据。5.一种基于机器学习的风暴单体跟踪预报系统，其特征是所述的系统具体包括数据采样模块、连续判断模块、...

【专利技术属性】
技术研发人员：赵冬阳，胡清，李国涛，张栋，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：