基于多源融合的旅游气象智能体景观概率预报方法及系统与流程

摘要: 本发明涉及旅游气象服务,更具体地说,本发明涉及基于多源融合的旅游气象智能体景观概率预报方法及系统。背景技术:1、随着旅游业的快速发展,旅游气象服务需求日益增长,...
基于多源融合的旅游气象智能体景观概率预报方法及系统与流程

本发明涉及旅游气象服务,更具体地说,本发明涉及基于多源融合的旅游气象智能体景观概率预报方法及系统。

背景技术:

1、随着旅游业的快速发展,旅游气象服务需求日益增长,尤其是云海、日出、星空、佛光等自然景观的出现概率预报,对于游客出行决策和旅游体验提升具有重要意义。

2、例如申请公布号为:cn106772697a的中国发明专利申请文献公开了一种云海自然景观预报方法及系统,其通过在海拔高于云海的云顶高度处设置第一自动气象站、在云海中设置第二自动气象站,分别采集当天的温度、湿度、风速、雨量等气象数据,并结合气象局发布的天气预报数据以及当天的云海出现情况,采用logistics回归分析预先建立预报方程,将上述数据代入预报方程后得到第二天的云海预报结果,其能够提供较高准确率的云海景观出现概率预报,以方便旅客和摄影爱好者的出行计划,推动当地旅游事业发展。

3、然而,上述方法存在如下不足:

4、(1)预报粒度粗,缺乏空间精细化能力:预报结果仅能反映云海是否出现,无法得到云海会在景区内哪些具体位置出现这一空间分布问题,且景观类型覆盖单一,仅针对云海单一景观类型,限制了其在不同旅游场景下的适用性。

5、(2)数据来源有限,多源异构数据利用不充分:仅依赖两个自动气象站和气象局天气预报数据,未能充分利用卫星遥感数据、高精度地形高程数据、景区实时监控影像以及游客位置数据等多源异构信息,导致限制了预报的精细度和可靠性。

6、针对上述不足,亟需一种预报精度高,具备空间精细化能力,且能够充分利用多源异构数据提高景观概率预报准确性的旅游气象智能体景观概率预报方法。

技术实现思路

1、为了克服现有技术的上述缺陷,本发明的实施例提供基于多源融合的旅游气象智能体景观概率预报方法及系统,以解决现有技术中预报粒度粗,缺乏空间精细化能力,且数据来源有限,多源异构数据利用不充分的问题。

2、为实现上述目的,本技术提供以下技术方案:

3、本发明的第一方面,提供基于多源融合的旅游气象智能体景观概率预报方法,包括以下步骤:

4、获取目标景区各景观节点的多源数据,依据多源数据构建景观节点的多维特征张量;

5、依据多维特征张量构建目标景区在预报时段的气象地形场,基于气象地形场识别景观类型的适宜分布区域,并依据适宜分布区域生成各景观类型在预报时段的景观适宜区热力图;

6、构建多智能体协作框架,基于多智能体协作框架提取多维特征张量和景观适宜区热力图中的三维编码向量,对三维编码向量进行融合得到景观节点的景观出现概率和置信区间;

7、依据所述多源数据识别异常聚类事件,并基于异常聚类事件判断各景观节点的隐式标签,依据隐式标签和景观出现概率计算各景观节点的预报偏差,并基于预报偏差更新多智能体协作框架;

8、依据景观适宜区热力图、各景观节点的景观出现概率和置信区间生成可视化的预报结果界面。

9、在一个优选的实施方式中,依据多源数据构建景观节点的多维特征张量,包括:

10、所述多源数据包括气象观测数据、数值天气预报数据、卫星遥感数据、地形高程数据、景区监控影像以及游客位置数据;

11、对所述多源数据进行时间对齐和标准化处理,并基于处理后的多源数据提取各景观节点的气象特征、遥感特征、地形特征、视觉特征以及游客分布特征;

12、依据所述气象特征、遥感特征、地形特征、视觉特征以及游客分布特征组成各景观节点的特征向量,并基于所述特征向量构建目标景区的多维特征张量。

13、在一个优选的实施方式中,依据多维特征张量构建目标景区在预报时段的气象地形场,包括:

14、依据多维特征张量构建目标景区的三维地形特征场和气象三维分布场;

15、基于多源数据获取地形坡度、风向与坡向的夹角、抬升凝结高度,依据所述地形坡度、风向与坡向的夹角、抬升凝结高度计算地形抬升算子;

16、基于多源数据获取地形高度和来流气层厚度,依据地形高度和来流气层厚度计算地形阻挡算子;

17、基于多源数据获取山谷走向与风向的夹角,以及山谷地形高度差,依据所述夹角和山谷地形高度差计算狭管效应算子;

18、基于多源数据获取坡向与太阳辐射的角度关系,依据所述角度关系和太阳辐射强度计算热力调制算子;

19、依据所述地形抬升算子、地形阻挡算子、狭管效应算子以及热力调制算子构成物理耦合算子,并基于物理耦合算子将三维地形特征场和气象三维分布场进行物理耦合,得到气象地形场。

20、在一个优选的实施方式中,依据适宜分布区域生成各景观类型在预报时段的景观适宜区热力图,包括:

21、构建景观形成条件模型,所述景观形成条件模型中包含各景观类型对应的景观形成条件;

22、基于景观形成条件和气象地形场中各空间网格点的气象特征识别景观类型的适宜分布区域,并计算适宜分布区域内的空间网格点在预报时段内满足景观形成条件的概率值;

23、基于所述概率值和适宜分布区域生成各景观类型在预报时段内的景观适宜区热力图。

24、在一个优选的实施方式中,基于多智能体协作框架提取多维特征张量和景观适宜区热力图中的三维编码向量,包括:

25、所述多智能体协作框架包括气象解析智能体、地形耦合智能体、景观判识智能体以及融合决策智能体;

26、基于时序编码网络构建气象解析智能体,并将景观节点的气象特征序列作为气象解析智能体的输入,依据气象解析智能体输出气象条件编码向量;

27、基于卷积神经网络构建地形耦合智能体,将气象地形场和景观适宜区热力图作为地形耦合智能体的输入,依据地形耦合智能体输出地形景观耦合编码向量;

28、基于残差网络构建景观判识智能体,将景观节点的视觉特征作为景观判识智能体的输入,依据景观判识智能体输出视觉状态编码向量;

29、依据所述气象条件编码向量、地形景观耦合编码向量以及视觉状态编码向量构成三维编码向量。

30、在一个优选的实施方式中,对三维编码向量进行融合得到景观节点的景观出现概率和置信区间,包括:

31、所述融合决策智能体基于交叉注意力融合机制,将气象条件编码向量、地形景观耦合编码向量以及视觉状态编码向量进行多源特征的深度融合,得到融合特征;

32、基于所述融合特征计算景观预测概率,并对景观预测概率进行预设次数的随机前向计算得到景观出现概率,依据预设次数所对应景观出现概率的标准差得到置信区间的区间半径。

33、在一个优选的实施方式中,依据所述多源数据识别异常聚类事件,包括:

34、获取多源数据中的游客位置数据,对游客位置数据进行相似度聚类得到各景观节点的聚类结果,并基于所述聚类结果构建目标景区内各景观节点的游客密度时序曲线;

35、依据目标景区内各景观节点的历史游客分布数据构建各景观节点的基准游客密度曲线,并基于历史游客分布数据计算超出阈值;

36、将所述游客密度时序曲线与基准游客密度曲线进行比对,若景观节点的游客密度时序曲线超出基准游客密度曲线,且超出幅值大于超出阈值,则判断该景观节点发生异常聚类事件。

37、在一个优选的实施方式中,基于异常聚类事件判断各景观节点的隐式标签,包括:

38、设置包含时间一致性验证信号、空间一致性验证信号以及视觉验证信号的多源辅助信号,并设置多源辅助信号中各验证信号对应的信号权重;

39、基于多源辅助信号对异常聚类事件进行交叉验证,得到信号验证结果,并依据信号权重对信号验证结果进行赋权计算,得到隐式标签。

40、在一个优选的实施方式中,基于预报偏差更新多智能体协作框架,包括:

41、依据信号验证结果和多源辅助信号中参与验证的验证信号数量,计算置信度权重;

42、依据所述置信度权重、隐式标签以及景观出现概率,计算各景观节点的预报偏差;

43、基于预报偏差对多智能体协作框架中的各智能体进行在线增量学习,更新多智能体协作框架。

44、本发明的第二方面,提供基于多源融合的旅游气象智能体景观概率预报系统,包括:

45、数据获取模块,用于获取目标景区各景观节点的多源数据,依据多源数据构建景观节点的多维特征张量;

46、热力分布模块,用于依据多维特征张量构建目标景区在预报时段的气象地形场,基于气象地形场识别景观类型的适宜分布区域,并依据适宜分布区域生成各景观类型在预报时段的景观适宜区热力图;

47、景观出现概率模块,用于构建多智能体协作框架,基于多智能体协作框架提取多维特征张量和景观适宜区热力图中的三维编码向量,对三维编码向量进行融合得到景观节点的景观出现概率和置信区间;

48、预报更新模块,用于依据所述多源数据识别异常聚类事件,并基于异常聚类事件判断各景观节点的隐式标签,依据隐式标签和景观出现概率计算各景观节点的预报偏差,并基于预报偏差更新多智能体协作框架;

49、预报结果模块,用于依据景观适宜区热力图、各景观节点的景观出现概率和置信区间生成可视化的预报结果界面。

50、本发明的有益效果:

51、1.本发明依据目标景区各景观节点的多源数据构建多维特征张量,并依据多维特征张量构建目标景区在预报时段的气象地形场,基于气象地形场识别景观类型的适宜分布区域,并依据适宜分布区域生成各景观类型在预报时段的景观适宜区热力图,通过景观适宜区热力图提高预报粒度精细度,进一步提高预报空间精细化能力。

52、2.本发明通过构建多智能体协作框架,并基于多智能体协作框架提取多维特征张量和景观适宜区热力图中的三维编码向量,对三维编码向量进行融合得到景观节点的景观出现概率和置信区间,依据多源数据识别异常聚类事件,并基于异常聚类事件判断各景观节点的隐式标签,依据隐式标签和景观出现概率计算各景观节点的预报偏差,并基于预报偏差更新多智能体协作框架,利用多源异构数据识别异常聚类事件,并基于异常聚类事件得到的隐式标签计算预报偏差,通过经预报偏差更新后的多智能体协作框架可进一步提高预报结果的精细度和可靠性。