[發(fā)明專利]一種車載局部短臨預(yù)警發(fā)布方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910323863.5
• 申請(qǐng)日: 2019-04-22
• 公開(kāi)（公告）號(hào): CN110083918A
• 公開(kāi)（公告）日: 2019-08-02
• 發(fā)明（設(shè)計(jì)）人: 陳蘇婷;張婧霖;陳耀登;張艷艷;楊春;張闖
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06F17/50
• 分類號(hào): G06F17/50;G06Q10/04;G06Q50/26;G06N3/04;G01W1/10
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種車載局部短臨預(yù)警發(fā)布方法，其特征在于，包括以下步驟：

(1)將待預(yù)測(cè)區(qū)域平均劃分為若干小區(qū)域，每個(gè)小區(qū)域中心設(shè)置一個(gè)移動(dòng)氣象臺(tái)，所述移動(dòng)氣象臺(tái)搭載有基于LSTM網(wǎng)絡(luò)的小型工作站；

(2)移動(dòng)氣象臺(tái)獲取現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)，通過(guò)小型工作站對(duì)歷史觀測(cè)數(shù)據(jù)及現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)進(jìn)行預(yù)處理；

(3)小型工作站根據(jù)預(yù)處理后的歷史觀測(cè)數(shù)據(jù)訓(xùn)練預(yù)測(cè)模型，利用預(yù)測(cè)模型對(duì)預(yù)處理后的現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)進(jìn)行分析，得到局部地區(qū)未來(lái)時(shí)刻的預(yù)測(cè)數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的車載局部短臨預(yù)警發(fā)布方法，其特征在于：所述數(shù)據(jù)包括要素：區(qū)域定位信息、氣象參數(shù)、環(huán)境分布信息；其中，所述環(huán)境分布信息包括區(qū)域內(nèi)的河流、山地信息。

3.根據(jù)權(quán)利要求1所述的車載局部短臨預(yù)警發(fā)布方法，其特征在于，所述步驟(1)具體包括：

(11)選定格網(wǎng)系統(tǒng)類型，將待預(yù)測(cè)區(qū)域平均劃分為多個(gè)小區(qū)域；

(12)建立擴(kuò)充格網(wǎng)坐標(biāo)系；

(13)確定格網(wǎng)的有效控制邊界條件；

(14)計(jì)算不同格網(wǎng)單元節(jié)點(diǎn)坐標(biāo)；

(15)在地圖上顯示劃分后的區(qū)域信息，包括區(qū)域編號(hào)、災(zāi)害類別、預(yù)測(cè)的災(zāi)害等級(jí)。

4.根據(jù)權(quán)利要求1或3所述的車載局部短臨預(yù)警發(fā)布方法，其特征在于：所述小區(qū)域的形狀為正六邊形。

5.根據(jù)權(quán)利要求3所述的車載局部短臨預(yù)警發(fā)布方法，其特征在于，所述步驟(12)具體包括：

(121)以格網(wǎng)坐標(biāo)系原點(diǎn)為第一移動(dòng)氣象臺(tái)所處位置，地圖的水平方向?yàn)閄軸，垂直方向?yàn)閅軸建立輔助的直角坐標(biāo)系，所述第一移動(dòng)氣象臺(tái)所處位置用于標(biāo)記初始小區(qū)域的中心位置，其他小區(qū)域毗鄰分布；

(122)在直角坐標(biāo)系中，記格網(wǎng)單元為正n邊形，定義格網(wǎng)單元的外接圓半徑是R，在格網(wǎng)坐標(biāo)(i，j)的任一單元的n+1個(gè)節(jié)點(diǎn)中，中心節(jié)點(diǎn)用(i，j)標(biāo)識(shí)，n個(gè)邊界節(jié)點(diǎn)從右上角按逆時(shí)針?lè)较蛞来螛?biāo)識(shí)。

6.根據(jù)權(quán)利要求3所述的車載局部短臨預(yù)警發(fā)布方法，其特征在于，步驟(13)中，所述邊界條件為：

其中，R為小區(qū)域格網(wǎng)外接圓半徑，R_s、R_c分別為移動(dòng)氣象臺(tái)傳感節(jié)點(diǎn)的感知半徑和通信半徑。

7.根據(jù)權(quán)利要求1所述的車載局部短臨預(yù)警發(fā)布方法，其特征在于，步驟(2)中，所述預(yù)處理為：利用一致性分析方法對(duì)歷史觀測(cè)數(shù)據(jù)及現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)進(jìn)行質(zhì)量控制，包括內(nèi)部一致性監(jiān)測(cè)、時(shí)間一致性檢查、持續(xù)性檢查及水平一致性計(jì)算。

8.根據(jù)權(quán)利要求7所述的車載局部短臨預(yù)警發(fā)布方法，其特征在于，所述水平一致性計(jì)算為：對(duì)同一要素，按照如下公式計(jì)算其在某一待預(yù)測(cè)區(qū)域內(nèi)要素的標(biāo)準(zhǔn)觀測(cè)值以判斷該要素的觀測(cè)值是否正常：

T_t＝(X_t-Q_t,2/4)/(Q_t,3/4-Q_t,1/4)

其中，T_t為要素的標(biāo)準(zhǔn)觀測(cè)值，X_t為t時(shí)刻某一要素的觀測(cè)值，Q_t,1/4、Q_t,2/4及Q_t,3/4為鄰近移動(dòng)氣象臺(tái)t時(shí)刻對(duì)要素觀測(cè)值按由小到大逆向排序后的四分位值；當(dāng)T_t超過(guò)統(tǒng)計(jì)閾值時(shí)，則去除該X_t數(shù)據(jù)。

9.根據(jù)權(quán)利要求1所述的車載局部短臨預(yù)警發(fā)布方法，其特征在于，步驟(3)具體包括以下步驟:

(31)在LSTM模型的輸入層中，根據(jù)如下公式對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，得到模型預(yù)測(cè)優(yōu)劣的判斷依據(jù)：

x_in＝(f_is,f_id,f_it)

y_out＝(f_os,f_od,f_ot)

y_e＝(f_es,f_ed,f_et)

其中，x_in、y_out、y_e分別為歷史觀測(cè)數(shù)據(jù)、LSTM模型輸出數(shù)據(jù)、期望數(shù)據(jù)，每組數(shù)據(jù)的向量元素從左至右依次對(duì)應(yīng)同一時(shí)刻的降水量、濕度及溫度值；所述LSTM模型輸出數(shù)據(jù)為根據(jù)歷史觀測(cè)數(shù)據(jù)預(yù)測(cè)的下一時(shí)刻的數(shù)據(jù)；所述期望數(shù)據(jù)為下一時(shí)刻的觀測(cè)數(shù)據(jù)；

(32)在LSTM模型的交互層的遺忘門(mén)層中，根據(jù)如下公式對(duì)數(shù)據(jù)進(jìn)行篩選，輸出信息預(yù)測(cè)權(quán)重g_t，g_t＝σ[w_f(h_t-1，x_t)+b_f]，其取值為0～1之間，0表示為完全舍棄該信息，1表示完全保留該信息，其中，t為當(dāng)前時(shí)刻，h_t-1為上一時(shí)刻輸出門(mén)層的輸出，x_t為當(dāng)前時(shí)刻遺忘門(mén)層的輸入，w_f和b_f為遺忘門(mén)層對(duì)應(yīng)權(quán)重和偏置；

(33)在LSTM模型的交互層的輸入門(mén)層中，根據(jù)如下公式進(jìn)行數(shù)據(jù)保留和更新：

i_t＝σ[w_i(h_t-1，x_t)+b_i]

其中，t為當(dāng)前時(shí)刻，h_t-1為上一時(shí)刻輸出門(mén)層的輸出，x_t為當(dāng)前時(shí)刻遺忘門(mén)層輸入，w_i和b_i為輸入門(mén)層對(duì)應(yīng)權(quán)重和偏置；

(34)在LSTM模型的交互層的tanh層中，根據(jù)如下公式創(chuàng)建一個(gè)可以被添加到處理器狀態(tài)中的新候選值：

其中，所述處理器包括輸入門(mén)層、遺忘門(mén)層、輸出門(mén)層及tanh層，t為當(dāng)前時(shí)刻，h_t-1為上一時(shí)刻輸出門(mén)層的輸出，x_t為當(dāng)前時(shí)刻遺忘門(mén)層輸入，w_c和b_c為對(duì)應(yīng)權(quán)重和偏置，函數(shù)tanh把數(shù)值規(guī)范化至-1到1區(qū)間；

(35)根據(jù)如下公式，根據(jù)步驟(32)輸出的信息預(yù)測(cè)權(quán)重g_t及步驟(33)中的i_t，將攜帶記憶信息的舊處理器狀態(tài)C_t-1與包含新信息的候選值結(jié)合，更新處理器:

(36)在LSTM模型的輸出門(mén)層中，根據(jù)如下公式基于更新后的處理器狀態(tài)生成LSTM的輸出值：

h_t＝σ[W_o(h_t-1,x_t)+b_o]tanhC_t

其中，h_t-1為上一時(shí)刻輸出門(mén)層的輸出，x_t為當(dāng)前時(shí)刻遺忘門(mén)層輸入，w_o和b_o為輸出門(mén)層對(duì)應(yīng)權(quán)重和偏置；

(37)將LSTM模型的輸出結(jié)果按照時(shí)間序列進(jìn)行數(shù)據(jù)預(yù)測(cè)，并對(duì)比期望數(shù)據(jù)，利用BPTT算法實(shí)現(xiàn)網(wǎng)絡(luò)參數(shù)更新，得到預(yù)測(cè)模型；其中，所述參數(shù)包括權(quán)重、偏置；

(38)將現(xiàn)場(chǎng)觀測(cè)數(shù)據(jù)輸入預(yù)測(cè)模型，輸出預(yù)測(cè)數(shù)據(jù)的等級(jí)，并在地圖上相應(yīng)的小區(qū)域內(nèi)顯示災(zāi)害等級(jí)。