一种基于机器学习的均压场识别方法、装置、存储介质及终端制造方法及图纸

本发明专利技术公开了一种基于机器学习的均压场识别方法、装置、存储介质及终端，方法包括：获取待识别地区未来预设时段的气象预测数据；根据气象预测数据构建待识别地区对应的组合特征；其中，组合特征包括气压梯度特征和风力特征；将组合特征进行归一化，生成特征向量；将特征向量输入预先训练的均压场识别模型中，输出待识别地区对应的均压场识别结果。由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中均压场的自动识别，同时可自动识别出指定地区是否处于均压场控制之下，从而提升了均压场的识别效率。从而提升了均压场的识别效率。从而提升了均压场的识别效率。

【技术实现步骤摘要】
一种基于机器学习的均压场识别方法、装置、存储介质及终端


[0001]本专利技术涉及天气系统自动识别
，特别涉及一种基于机器学习的均压场识别方法、装置、存储介质及终端。

技术介绍

[0002]均压场就是在一个范围之内气压变化极小，以至于通过气压梯度力形成的风都无法形成的一种地面天气，其附近往往伴随着重要的天气系统和天气现象，例如该范围内出现风力微弱,导致出现灰霾天气。随着均压场引起的灾害事件频发，均压场活动得到了广泛的关注，因此均压场分析成为天气预报业务中一项重要的工作。
[0003]在现有的均压场分析方案中，均压场分析仍以人工分析为主，即依赖预报员在天气地图上判断一个城市点的天气形势是否是均压场。由于人工分析要花费预报员宝贵的业务时间，且具有主观性，从而降低了分析结果的准确性。因此，实现均压场自动识别是气象业务现代化的迫切需求，对气象科研工作也具有十分重要的意义。

技术实现思路

[0004]本申请实施例提供了一种基于机器学习的均压场识别方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
[0005]第一方面，本申请实施例提供了一种基于机器学习的均压场识别方法，方法包括：
[0006]获取待识别地区未来预设时段的气象预测数据；
[0007]根据气象预测数据构建待识别地区对应的组合特征；其中，组合特征包括气压梯度特征和风力特征；
[0008]将组合特征进行归一化，生成特征向量；
[0009]将特征向量输入预先训练的均压场识别模型中，输出待识别地区对应的均压场识别结果。
[0010]可选的，根据气象预测数据构建待识别地区对应的组合特征，包括：
[0011]将待识别地区确定为源点；
[0012]创建经过源点的多条直线，多条直线中任意相邻的两条直线间的夹角为预设角度；
[0013]基于多条直线计算待识别地区的气压梯度特征；
[0014]根据地图上预先标注的网格点的风力值生成待识别地区的风力特征；
[0015]将气压梯度特征与风力特征确定为待识别地区对应的组合特征。
[0016]可选的，基于多条直线计算待识别地区的气压梯度特征，包括：
[0017]分别确定每条直线与地图上预先标注的等压线之间的交点，得到每条直线的多个交点；
[0018]分别从每条直线的多个交点中选取距离源点最近的两个交点作为每条直线的第一交点和第二交点；
[0019]根据每条直线的第一交点和第二交点，计算待识别地区的气压梯度特征。
[0020]可选的，根据每条直线的第一交点和第二交点，计算待识别地区的气压梯度特征，包括：
[0021]分别计算每条直线的第一交点和第二交点之间的距离；
[0022]根据每条直线上第一交点与第二交点之间的距离，分别计算每条直线对应的气压梯度；
[0023]将每条直线对应的第一交点和第二交点之间的距离以及气压梯度确定为待识别地区的气压梯度特征。
[0024]可选的，根据每条直线上第一交点和第二交点之间的距离，分别计算每条直线对应的气压梯度，包括：
[0025]获取第一直线上第一交点所在等压线的第一气压值，及第二交点所在等压线的第二气压值；第一直线为每条直线中的任一直线；
[0026]计算第一气压值和第二气压值的差值；
[0027]将差值的绝对值与第一交点和第二交点之间的距离的比值确定为第一直线的气压梯度。
[0028]可选的，根据地图上预先标注的网格点的风力值生成待识别地区的风力特征，包括：
[0029]从地图上预先标注的网格点中选取距离源点最近的预设数量个网格点；
[0030]将预设数量个网格点的风力值确定为待识别地区的风力特征。
[0031]可选的，按照以下步骤生成预先训练的均压场识别模型，包括：
[0032]采集历史气象数据，并根据历史气象数据构建正样本和负样本；
[0033]根据支持向量机模型构建均压场识别模型；
[0034]提取正样本和负样本的样本组合特征，得到正样本特征集合和负样本特征集合；
[0035]将正样本特征集合和负样本特征集合中各特征进行归一化处理后输入均压场识别模型中，并计算损失值；
[0036]当损失值到达预设值时，得到训练好的均压场识别模型。
[0037]第二方面，本申请实施例提供了一种基于机器学习的均压场识别装置，装置包括：
[0038]气象预测数据获取模块，用于获取待识别地区未来预设时段的气象预测数据；
[0039]组合特征构建模块，用于根据气象预测数据构建待识别地区对应的组合特征；其中，组合特征包括气压梯度特征和风力特征；
[0040]特征向量生成模块，用于将组合特征进行归一化，生成特征向量；
[0041]结果输出模块，用于将特征向量输入预先训练的均压场识别模型中，输出待识别地区对应的均压场识别结果。
[0042]第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
[0043]第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
[0044]本申请实施例提供的技术方案可以包括以下有益效果：
[0045]在本申请实施例中，基于机器学习的均压场识别装置首先获取待识别地区未来预设时段的气象预测数据，然后根据气象预测数据构建待识别地区对应的组合特征；其中，组合特征包括气压梯度特征和风力特征，其次将组合特征进行归一化，生成特征向量，最后将特征向量输入预先训练的均压场识别模型中，输出待识别地区对应的均压场识别结果。由于本申请利用训练好的模型进行未来天气形势的判断，从而实现了气象业务中均压场的自动识别，同时可自动识别出指定地区是否处于均压场控制之下，从而提升了均压场的识别效率。
[0046]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0047]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0048]图1是本申请实施例提供的一种基于机器学习的均压场识别方法的流程示意图；
[0049]图2是本申请实施例提供的一种天气特征分析示意图；
[0050]图3是本申请实施例提供的一种均压场识别模型生成的方法流程示意图；
[0051]图4是本申请实施例提供的一种基于机器学习的均压场识别装置的结构示意图；
[0052]图5是本申请实施例提供的一种终端的结构示意图。
具体实施方式
...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的均压场识别方法，其特征在于，所述方法包括：获取待识别地区未来预设时段的气象预测数据；根据所述气象预测数据构建所述待识别地区对应的组合特征；其中，所述组合特征包括气压梯度特征和风力特征；将所述组合特征进行归一化，生成特征向量；将所述特征向量输入预先训练的均压场识别模型中，输出所述待识别地区对应的均压场识别结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述气象预测数据构建所述待识别地区对应的组合特征，包括：将所述待识别地区确定为源点；创建经过所述源点的多条直线，所述多条直线中任意相邻的两条直线间的夹角为预设角度；基于所述多条直线计算待识别地区的气压梯度特征；根据地图上预先标注的网格点的风力值生成待识别地区的风力特征；将所述气压梯度特征与所述风力特征确定为待识别地区对应的组合特征。3.根据权利要求2所述的方法，其特征在于，所述基于所述多条直线计算待识别地区的气压梯度特征，包括：分别确定每条直线与地图上预先标注的等压线之间的交点，得到每条直线的多个交点；分别从所述每条直线的多个交点中选取距离所述源点最近的两个交点作为每条直线的第一交点和第二交点；根据所述每条直线的第一交点和第二交点，计算待识别地区的气压梯度特征。4.根据权利要求3所述的方法，其特征在于，所述根据所述每条直线的第一交点和第二交点，计算待识别地区的气压梯度特征，包括：分别计算所述每条直线的第一交点和第二交点之间的距离；根据所述每条直线上所述第一交点与所述第二交点之间的距离，分别计算每条直线对应的气压梯度；将所述每条直线对应的所述第一交点和第二交点之间的距离以及所述气压梯度确定为待识别地区的气压梯度特征。5.根据权利要求4所述的方法，其特征在于，所述根据所述每条直线上所述第一交点和第二交点之间的距离，分别计算每条直线对应的气压梯度，包括：获取第一直线上所述第一交点所在等压线的第一气压值，及所述第二交点所在等压线的第...

【专利技术属性】
技术研发人员：赵宗玉，安刚，卓流艺，张海忠，孙明生，秦东明，
申请(专利权)人：中科三清科技有限公司，
类型：发明
国别省市：