申请/专利权人：北京工业大学

申请日：2023-07-28

公开（公告）日：2024-03-19

公开（公告）号：CN116720627B

主分类号：G06Q50/26

分类号：G06Q50/26;G06F18/20;G06F17/11;G06F30/27;G06N3/04;G06N3/08;G06F111/10

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.09.26#实质审查的生效;2023.09.08#公开

摘要：本发明公开一种监测站点风速和风向协同时序预测方法，属于大气污染气象要素预测技术领域；该方法包括：获取目标站点的气象数据，对风速数据和风向数据进行分解；通过风向数据将气压梯度力分解；利用压强正弦分量Pu、压强余弦分量Pv和气象数据与经向风分量u和纬向风分量v的关联程度筛选关键影响因子；分别构建u、v分量与关键影响因子之间的关系模型；根据关系模型进行预测；对u、v分量的预测结果进行合成。本发明还提供一种监测站点风速和风向协同时序预测系统。本发明通过分别构建基于关键影响因子的u、v分量时序预测模型，实现了对风速、风向准确预测，可为面向监测站点的大气污染气象条件分析与精细化防控奠定基础。

主权项：1.一种监测站点风速和风向协同时序预测方法，其特征在于，包括以下步骤：获取目标站点的气象数据；所述气象数据包括风速数据、风向数据和气压数据；对风速数据和风向数据进行分解，得到经向风分量u和纬向风分量v；所述经向风分量u和纬向风分量v的计算公式如下：uobst＝-Vtsinθtvobst＝-Vtcosθt式中：Vt为目标站点在t时刻的风速监测数据；θt为目标站点在t时刻的风向监测数据；uobst为目标站点在对应t时刻的经向风分量u；vobst为目标站点在对应t时刻的纬向风分量v；基于二维向量分解通过风向数据对气压梯度力进行分解，通过比例传递法得到压强正弦分量Pu和压强余弦分量Pv；所述压强正弦分量Pu和压强余弦分量Pv的计算公式如下：Ft＝PtSFut＝-SPtsinθtFvt＝-SPtcosθt式中：Ft分别表示目标站点在t时刻的气压梯度力，Fut、Fvt分别表示目标站点在t时刻的气压梯度力的分力，S表示面积；Put＝-PtsinθtPvt＝-Ptcosθt式中：Pt表示目标站点在对应t时刻的压强监测数据；Put表示目标站点在对应t时刻的压强正弦分量；Pvt表示目标站点在对应t时刻的压强余弦分量；θt表示目标站点在t时刻的风向监测数据；分别逐时计算压强正弦分量Pu、压强余弦分量Pv、温度数据、湿度数据和气压数据与经向风分量u和纬向风分量v之间的关联程度；基于经向风分量u、纬向风分量v与u、v监测序列、Pu、Pv监测序列以及气象要素逐时监测数据之间的相关关系，筛选与u、v分量强相关的影响因子分别作为影响u、v分量预测效果的关键影响因子；所述气象要素包括温度、湿度、风速、风向和气压；基于结合深度学习时序预测算法，分别构建经向风分量u和纬向风分量v与关键影响因子之间的关系，作为关系模型；所述关系模型为：YuYvt＝uobstvobstPutPvtWStWDtRHtPRStTt′式中：uobst、vobst、Put、Pvt、WSt、WDt、RHt、PRSt、Tt分别为目标站点在t时刻的经向风分量u、纬向风分量v、压强正弦分量、压强余弦分量、风速数据、风向数据、湿度数据、气压数据、温度数据；YuYvt为关系模型；根据关系模型进行预测，得到经向风分量u预测结果和纬向风分量v预测结果；对经向风分量u预测结果和纬向风分量v预测结果进行合成，得到风速预测值和风向预测值。

全文数据：

权利要求：

百度查询： 北京工业大学 一种监测站点风速和风向协同时序预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD