锋面过境预测模型的训练方法及锋面过境的预测方法与流程

1.本发明涉及气象识别技术领域，具体涉及一种锋面过境预测模型的训练方法及锋面过境的预测方法。


背景技术：

2.风切变是指风速矢量或其分量沿垂直方向或某一水平方向的变化。风切变是向量值，它反映了所研究的两点之间风速和风向的变化。在气象学中，低空风切变通常是指近地面600米高度以下的风切变。低空风切变的形成需要一定的天气背景和环境条件。雷暴、积雨云、龙卷等天气有较强的对流，能形成强烈的垂直风切变；强下击暴流到达地面后向四周扩散的阵风，能形成强烈的水平风切变；锋面两侧气象要素差异大，容易产生较强的风切变。
3.低空风切变所具有的生命周期短、尺度小、破坏性强等特点，使其难以被探测和预警、预报，被各国气象部门公认为“无形杀手”。引起风切变的六大类天气过程主要包括：锋面过境、海陆风、山地风、低空急流、下击暴流、湍流。如何准确地检测出以上天气过程，是提高风切变预警准确性的关键。
4.锋面过境是指锋面经过某地(例如机场等)，此时地面气象要素发生急剧变化的现象。对于锋面过境的气象变化，现有技术中往往是通过目标区域的气象数据来判断该区域是否发生过锋面过境的天气。这种方式属于事后分析，对于某些(如机场等)区域而言，滞后的分析无法满足实际的预测需求，因此，亟需一种能够提前预测锋面过境天气变化现象的方案，以防止锋面过境引起的风切变所产生的损失和风险。


技术实现要素：

5.有鉴于此，本发明提供了锋面过境预测模型的训练方法、装置及存储介质，锋面过境的预测方法、装置及存储介质，以解决现有技术中无法预测锋面过境的技术问题。
6.第一方面，本发明实施例提供一种锋面过境预测模型的训练方法，包括：
7.建立神经网络模型；
8.从气象检测历史数据库中选取训练样本集，其中，所述训练样本集包括发生锋面过境之前预设时间段的气象数据和未发生锋面过境的气象数据；
9.利用所述训练样本集对所述神经网络模型进行训练，得到锋面过境预测模型，所述锋面过境预测模型用于对锋面过境进行预测。
10.在一个可选的实施方式中，所述建立神经网络模型，包括：
11.根据锋面的目标类别数确定神经网络模型的输出层节点；
12.利用选取的气象检测历史数据库中的预报因子类别，确定神经网络模型的输入层节点，其中，所述预报因子为气象变化指标数据；
13.确定神经网络模型的中间层级节点，并确定上下层级节点间的初始权重集合。
14.在一个可选的实施方式中，若所述中间层节点为一层隐含层节点，则所述初始权
重集合包括：所述输入层到所述隐含层的初始权重值、隐含层到输出层的初始权重值。
15.在一个可选的实施方式中，所述从气象检测历史数据库中选取训练样本集，包括：
16.获取气象检测历史数据库中目标区域的地表观测数据；
17.将所述目标区域的地表观测数据作为训练样本集。
18.在一个可选的实施方式中，所述利用所述训练样本集对所述神经网络模型进行训练，得到锋面过境预测模型，包括：
19.将所述训练样本集输入到所述神经网络模型，得到对应的当前输出集；
20.计算所述当前输出集与目标期望输出集中每个输出层节点的误差值；
21.计算所述当前输出集与目标期望输出集的均方误差；
22.判断所述均方误差是否小于预设阈值；
23.若所述均方误差不小于所述预设阈值，则确定所述当前输出集无效，则利用所述误差值对权重集合进行修正，得到修正后的权重集合，并返回执行将所述训练样本集输入到所述神经网络模型，得到对应的当前输出集的步骤；
24.若所述均方误差小于所述预设阈值，则确定所述当前输出集有效，并确定当前锋面过境预测模型的对应的权重集合为目标权重集合，得到所述锋面过境预测模型。
25.在一个可选的实施方式中，所述利用所述误差值对权重集合进行修正，得到修正后的权重集合，包括：
26.利用输出层的误差值计算得到隐含层的误差值；
27.根据所述隐含层的误差值对权重进行修正，得到修正后的权重值。
28.第二方面，本发明实施例提供一种锋面过境的预测方法，包括：
29.获取目标区域的气象检测数据；
30.将所述气象检测数据输入到第一方面任一实施方式所述的锋面过境预测模型的训练方法训练得到的锋面过境预测模型中，以得到锋面过境的预测结果。
31.第三方面，本发明实施例提供一种锋面过境预测模型的训练装置，包括：
32.创建模块，用于建立神经网络模型；
33.取样模块，用于从气象检测历史数据库中选取训练样本集，其中，所述训练样本集包括发生锋面过境之前预设时间段的气象数据和未发生锋面过境的气象数据；
34.训练模块，用于利用所述训练样本集对所述神经网络模型进行训练，得到锋面过境预测模型，所述锋面过境预测模型用于对锋面过境进行预测。
35.第四方面，本发明实施例提供一种锋面过境的预测装置，包括：
36.获取模块，用于获取目标区域的气象检测数据；
37.预测模块，用于将所述气象检测数据输入到第一方面任一实施方式所述的锋面过境预测模型的训练方法训练得到的锋面过境预测模型中，以得到锋面过境的预测结果。
38.第五方面，本发明实施例提供一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现第一方面任一项所述的锋面过境预测模型的训练方法，或实现第二方面所述的锋面过境的预测方法。
39.第六方面，根据本发明实施例提供的一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现第一方面
任一项所述的锋面过境预测模型的训练方法，或实现第二方面所述的锋面过境的预测方法。
40.本发明实施例提供的锋面过境预测模型的训练方法、装置及存储介质，至少具有如下有益效果：
41.本发明实施例提供的锋面过境预测模型的训练方法、装置及存储介质及本发明实施例提供的锋面过境的预测方法、装置及存储介质，可以通过创建神经网络模型，并从气象检测历史数据库中选取训练样本集，训练样本集包括发生锋面过境之前预设时间段的气象数据和未发生锋面过境的气象数据；利用选取的训练样本集对创建的神经网络模型进行训练，得到锋面过境预测模型，以利用锋面过境预测模型对锋面过境进行预测。在对锋面过境进行预测的问题中，对应的气象数据存在着大量的非线性关系，通过创建并训练神经网络模型得到锋面过境预测模型，以对锋面过境进行预测，进而提高了对锋面过境预测的准确性，增强了对锋面过境的预测能力。通过对锋面过境进行准确预测，进而防止锋面过境引起的风切变所产生的损失和风险。
附图说明
42.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
43.图1为本发明实施例1中锋面过境预测模型的训练方法的一个具体示例的流程图；
44.图2为本发明实施例1中锋面过境预测模型的训练方法的另一个具体示例的流程图；
45.图3为本发明实施例1中一个具体示例的bp神经元网络模型的结构示意图；
46.图4为本发明实施例1中锋面过境预测模型的训练方法的再一个具体示例的流程图；
47.图5为本发明实施例1中一个具体示例的均方误差随训练轮次收敛情况示意图；
48.图6为本发明实施例2中锋面过境的预测方法的一个具体示例的流程图；
49.图7为本发明实施例2中一个具体示例的锋面过境预测模型识别结果样例图；
50.图8为本发明实施例3中锋面过境预测模型的训练装置的一个具体示例的框图；
51.图9为本发明实施例4中锋面过境的预测装置的一个具体示例的框图；
52.图10为本发明实施例5中一个具体示例的计算机设备的结构示意图。
具体实施方式
53.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、
以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
55.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
56.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
57.虽然下文描述的过程包括以特定的顺序出现的多个操作，但是应该清楚地了解到，这些过程也可以包括更多或者更少的操作，这些操作可以顺序执行或者并行执行。
58.锋面过境是指锋面经过某地(例如机场、高铁站等)，此时地面气象要素发生急剧变化的现象。对于锋面过境的气象变化，现有技术中往往是通过目标区域的气象数据来判断该区域是否发生过锋面过境的天气。这种方式属于事后分析，对于某些区域(包括但不限定义机场)而言，以机场为例，滞后的分析无法满足实际的预测需求。换句话说，锋面过境对应的气象要素额急剧变化，对于处于起飞或降落阶段的飞机有着严重的威胁。若仅是事后分析机场区域内是否发生锋面过境，而不是提前对锋面过境进行预测，那么就无法针对锋面过境进行有效预防，将会造成巨大的损失，飞机着陆、起飞也存在较高的风险。
59.因此，亟需一种能够提前预测锋面过境天气变化现象的方案，以防止锋面过境引起的风切变所产生的损失和风险。
60.实施例1
61.本实施例提供一种锋面过境预测模型的训练方法，参见图1所示，包括如下步骤：
62.步骤s101、建立神经网络模型；
63.步骤s102、从气象检测历史数据库中选取训练样本集，其中，所述训练样本集包括发生锋面过境之前预设时间段的气象数据和未发生锋面过境的气象数据；
64.步骤s103、利用所述训练样本集对所述神经网络模型进行训练，得到锋面过境预测模型，所述锋面过境预测模型用于对锋面过境进行预测。
65.在本实施方式中，建立的神经网络模型可以是bp神经元网络模型，bp神经元网络模型基于误差逆向传播算法训练的多层前馈原理，目前应用较为广泛。当然，建立的神经网络模型还可以是其他的神经网络模型，例如rbf神经元网络模型。气象检测历史数据库可以包括各个区域对应的气象检测历史数据。在对训练样本集进行选取时，需要从气象检测历史数据库中选取锋面过境之前预设时间段的气象数据和未发生锋面过境的气象数据。利用选择的训练样本集对神经网络模型进行训练，得到锋面过境预测模型。在实际应用中，可以将目标区域的气象检测数据输入训练完成的锋面过境预测模型中，以得到锋面过境的预测结果，进而对锋面过境进行预测。
66.在本实施方式中，以应用于机场为例，在建立bp神经元网络模型后，从气象检测历史数据库中选取对应该机场区域的气象检测历史数据作为训练样本集。如选择该机场区域内两年内的所有气象数据，包括发生锋面过境之前预设时间段的气象数据和未发生锋面过境的气象数据，其中预设时间段可以为0.5小时。对该bp神经元网络模型进行训练，并得到
锋面过境预测模型。将该机场区域的气象检测数据输入到锋面过境预测模型中，以得到锋面过境的预测结果，进而对锋面过境进行预测。在实际应用中，应当根据实际应用场景的需求，灵活地选择创建神经网络模型，并选择对应训练样本集进行训练，得到锋面过境预测模型以对锋面过境进行预测，本技术对此并不做限定。
67.在本实施方式中，通过创建神经网络模型，并从气象检测历史数据库中选取训练样本集，训练样本集包括发生锋面过境之前预设时间段的气象数据和未发生锋面过境的气象数据；利用选取的训练样本集对创建的神经网络模型进行训练，得到锋面过境预测模型，以利用锋面过境预测模型对锋面过境进行预测。在对锋面过境进行预测的问题中，对应的气象数据存在着大量的非线性关系，通过创建并训练神经网络模型得到锋面过境预测模型，以对锋面过境进行预测，进而提高了对锋面过境预测的准确性，增强了对锋面过境的预测能力。通过对锋面过境进行准确预测，进而防止锋面过境引起的风切变所产生的损失和风险。
68.在一个可选的实施方式中，参见图2所示，建立神经网络模型，包括：
69.步骤s1011、根据锋面的目标类别数确定神经网络模型的输出层节点；
70.步骤s1012、利用选取的气象检测历史数据库中的预报因子类别，确定神经网络模型的输入层节点，其中，所述预报因子为气象变化指标数据；
71.步骤s1013、确定神经网络模型的中间层级节点，并确定上下层级节点间的初始权重集合。
72.在本实施方式中，建立的神经网络模型为bp神经元网络模型。参见图3所示，bp神经元网络模型是在输入层(input layer)与输出层(output layer)之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点，图3示意了一层隐单元层。
73.在本实施方式中，根据锋面的目标类别数确定神经网络模型的输出层节点。根据锋面的目标类别数确定输出层节点数，示例性地，确定锋面的目标类别数为两个，其中一个用以代指锋面，即对应的锋面指数为1，另一个代表非锋面指数。在后续预测估计阶段，锋面指数越接近1，则认为该时刻是锋面过境的可能性越高。利用选取的所述气象检测历史数据库中的预报因子类别，确定所述神经网络模型的输入层节点，其中，预报因子为气象变化指标数据。进一步地，预报因子类别的选择可以综合考虑气象检测的布局以及锋面过境时的气象要素变化规律。可选地，具体选取的预报因子类别及其说明如下表1-1所示。在确定神经网络模型的输入层节点及神经网络模型的输出层节点后，则进一步地确定神经网络模型的中间层级节点，其中，中间层级节点的确定包括对中间层级数量的确定以及每个中间层级对应的节点数量的确定，随后并确定上下层级节点间的初始权重集合。
74.表1-1：预报因子类别及其说明表
75.预报因子说明风速当前时刻各站风速风速分量的时间梯度各站当前时刻与历史时刻风速分量之差风速分量的空间梯度当前时刻站间风速分量之差风向的空间梯度站点间的风向差风场通量穿过所有站所围多边形的风矢通量
风场环流量沿着所有站所围多边形的风矢环流量湍流因子由各站风矢计算的湍流动能气温时间梯度各站当前时刻与历史时刻的气温差气温空间梯度站点间的气温差湿度时间梯度各站当前时刻与历史时刻的湿度差湿度空间梯度站点间的湿度差气压时间梯度各站当前时刻与历史时刻的气压差气压空间梯度站点间的气压差
76.在本实施方式中，通过以封面指数作为神经网络模型的输出层节点，以保证神经网络模型的输出层节点的数据可靠性，进而保证创建的神经网络模型的可靠性。通过根据预报因子类别确定神经网络模型的输入层节点，
77.选择与神经网络模型的输出层节点输出期望相关性的预报因子类别，减少神经网络模型的输出层节点的输入量，可以降低神经元网络模型的训练难度，提高神经元网络模型的训练效率。进而进一步地提高了对锋面过境预测的准确性，增强了对锋面过境的预测能力。通过对锋面过境进行准确预测，进而防止锋面过境引起的风切变所产生的损失和风险。
78.在一个可选的实施方式中，参见图3所示，若所述中间层节点为一层隐含层节点，则所述初始权重集合包括：所述输入层到所述隐含层的初始权重值、隐含层到输出层的初始权重值。
79.在本实施方式中，采用三层结构的bp神经元网络模型，输入层x(input layer)节点数为n、隐含层h(hidden layer)节点数为h、输出层y(output layer)节点数为m。
80.设置bp神经元网络模型的初始权重值为随机小量。
81.其中，输入层到隐含层的初始权重值为：
82.w
ij
(0)(i＝1，2，3，...，n；j＝1，2，3，...，h)；
83.隐含层到输出层的初始权重值为：
84.w
jk
(0)(j＝1，2，3，...，h；k＝1，2，3，...，m)。
85.其中，w
ij
表示输入层i节点到隐含层j节点的权重值，w
jk
表示隐含层j节点到输出层k节点的权重值。
86.进一步地，在确定初始权重集合后，确定该bp神经元网络模型的信号向前传输处理原理。举例来说，输入一个样本x1(x1,x2,x3,x4,
…
xn)，并指明它的期望输出d1(d1,d2,d3,d4,
…dm
)，其中0≤dk≤1，(k＝1,2,3,
…
m)，dk表示输出层k节点的期望输出值。
87.计算bp神经元网络模型的实际输出：
[0088][0089][0090]
其中，yk为输出层的k节点的实际输出值，hj为隐含层的j节点的实际输出值，xi为输入层的i节点的实际输入值，w
ij
表示输入层i节点到隐含层j节点的权重值，w
jk
表示隐含
层j节点到输出层k节点的权重值；θi表示输入层i节点对应的权重偏移系数，θj表示隐含层j节点对应的权重偏移系数。
[0091]
在本实施方式中，通过设置中间层节点为一层隐含层节点，仅一层的中间层节点为一层隐含层节点可以降低神经元网络模型的训练难度，提高神经元网络模型的训练效率。进而进一步地提高了对锋面过境预测的准确性，增强了对锋面过境的预测能力。通过对锋面过境进行准确预测，进而防止锋面过境引起的风切变所产生的损失和风险。
[0092]
在一个可选的实施方式中，所述从气象检测历史数据库中选取训练样本集，包括：
[0093]
获取气象检测历史数据库中目标区域的地表观测数据；
[0094]
将所述目标区域的地表观测数据作为训练样本集。
[0095]
在本实施方式中，获取气象检测历史数据库中目标区域的地表观测数据，目标区域的地表观测数据可以包括气象自动观测系统的监测到的地表气象数据，例如awos机场气象自动观测系统的监测到的地表气象数据。将目标区域的地表观测数据作为训练样本集。
[0096]
举例来说，从气象检测历史数据库中选取对应机场区域的气象检测历史数据作为训练样本集，则获取气象检测历史数据库中对应该机场awos气象自动观测系统的监测到的地表气象数据，确定训练样本集。
[0097]
通过将目标区域的地表观测数据作为训练样本集，以确保训练样本集中对应的训练案例的丰富性及合理性。进而进一步地降低神经元网络模型的训练难度，提高神经元网络模型的训练效率，提高了对锋面过境预测的准确性，增强了对锋面过境的预测能力。有利于通过对锋面过境进行准确预测，进而防止锋面过境引起的风切变所产生的损失和风险。
[0098]
在一个可选的实施方式中，参见图4所示，所述利用所述训练样本集对所述神经网络模型进行训练，得到锋面过境预测模型，包括：
[0099]
步骤s1031、将所述训练样本集输入到所述神经网络模型，得到对应的当前输出集；
[0100]
步骤s1032、计算所述当前输出集与目标期望输出集中每个输出层节点的误差值；
[0101]
步骤s1033、计算所述当前输出集与目标期望输出集的均方误差；
[0102]
步骤s1034、判断所述均方误差是否小于预设阈值；
[0103]
步骤s1035、若所述均方误差不小于所述预设阈值，则确定所述当前输出集无效，则利用所述误差值对权重集合进行修正，得到修正后的权重集合，并返回执行将所述训练样本集输入到所述神经网络模型，得到对应的当前输出集的步骤；
[0104]
步骤s1036、若所述均方误差小于所述预设阈值，则确定所述当前输出集有效，并确定当前锋面过境预测模型的对应的权重集合为目标权重集合，得到所述锋面过境预测模型。
[0105]
在本实施方式中，将训练样本集输入到神经网络模型，得到对应的当前输出集，进而根据当前输出集与目标期望输出集中每个输出层节点的误差值，计算得到对应的均方误差，若是均方误差未达到收敛需求，则利用当前输出集与目标期望输出集中每个输出层节点的误差值对权重集合进行反复修正，直至均方误差未达到收敛需求，即在均方误差收敛到对应的阈值内之后，则完成对神经网络模型的训练，得到锋面过境预测模型。示例性地，参见图5所示，均方误差在开始会出现快速降低，随后误差降低速率减缓并逐渐趋于稳定。根据均方误差的变化情况也间接反映了选取的神经网络模型的输入层节点与输出层期望
之间存在较高的相关性，并未对神经网络模型的训练造成困扰，神经网络模型的训练效率相对较高，均方误差最终收敛结果也具有较为理想的精度。
[0106]
在本实施方式中，通过将训练样本集输入到神经网络模型，得到对应的当前输出集，以根据得到的当前输出集与目标期望输出集中每个输出层节点的误差值，得到对应的均方误差，以均方误差与预设阈值的比较结果，作为是否进行反复训练的条件，利用当前输出集与目标期望输出集中每个输出层节点的误差值对权重集合进行修正，直到均方误差小于预设阈值。提高神经元网络模型的训练效率，提高了对锋面过境预测的准确性，增强了对锋面过境的预测能力。有利于通过对锋面过境进行准确预测，进而防止锋面过境引起的风切变所产生的损失和风险。
[0107]
在一个可选的实施方式中，所述利用所述误差值对权重集合进行修正，得到修正后的权重集合，包括：
[0108]
利用输出层的误差值计算得到隐含层的误差值；
[0109]
根据所述隐含层的误差值对权重进行修正，得到修正后的权重值。
[0110]
在本实施方式中，将训练样本集中对应的训练样本的输入值载入到神经网络模型，得到相应的输出值，将输出值与样本相应的期望输出值作比较，当输出值与期望值不一致时，则需要对权重集合进行修正。
[0111]
对于输出层，输出层的误差值为：
[0112]
δ
ok
＝yk(1-yk)(d
k-yk)
[0113]
利用输出层的误差值计算得到隐含层的误差值，隐含层的误差值为：
[0114][0115]
其中，δ
ok
表示输出层k节点的误差值，dk表示输出层k节点的期望输出值；yk为输出层k节点的实际输出值；δ
hj
表示隐含层j节点的误差值，hj表示隐含层的j节点的实际输出值；w
jk
表示隐含层j节点到输出层k节点的权重值；
[0116]
根据隐含层的误差值对权重进行修正，得到修正后的权重值。通过从输出层到输入层依次反向修正权值时，对于从输入层到隐含层的权值改变公式为：
[0117]wij
(t 1)＝w
ij
(t) αδ
hj
xi β[w
ij
(t)-w
ij
(t-1)]
[0118]
其中，α称为学习参数，控制搜索步长，一般取0.2≤α≤0.5；β称为动量参数，控制平滑程度，一般取0≤β≤1；t为当前迭代次数。
[0119]
这便完成了样本x1与期望输出d1对联接权重的一轮训练，重复第二步和第三步，完成样本x2,x3,...,xn对应的期望输出d2,d3,...,dn对联接权重的一轮训练。
[0120]
重复上述步骤，利用选定样本数据的输入值与期望输出对权重数据进行反复训练，直到均方误差小于一个阈值s。
[0121]
通过从输出层到输入层依次反向修正权值时训练样本集输入到神经网络模型，提高神经元网络模型的训练效率，提高了对锋面过境预测的准确性，增强了对锋面过境的预测能力。有利于通过对锋面过境进行准确预测，进而防止锋面过境引起的风切变所产生的损失和风险。
[0122]
实施例2
[0123]
本实施例提供一种锋面过境的预测方法，参见图6所示，包括如下步骤：
[0124]
步骤s601、获取目标区域的气象检测数据；
[0125]
步骤s602、将所述气象检测数据输入锋面过境预测模型的训练方法训练得到的锋面过境预测模型中，以得到锋面过境的预测结果，其中，所述锋面过境预测模型的训练方法为实施例1中任一实施方式所述的锋面过境预测模型的训练方法。
[0126]
在本实施方式中，获取目标区域的气象检测数据，目标检测区域的气象检测数据可以是实时的检测数据，例如aows机场气象自动观测系统的监测到的气象数据，将所述气象检测数据输入锋面过境预测模型的训练方法训练得到的锋面过境预测模型中，以得到锋面过境的预测结果。基于锋面过境预测模型的识别结果样例如图7所示。示例性地，利用某机场一年的awos机场气象自动观测系统的监测到的气象数据对训练得到的锋面过境预测模型进行仿真测试，并以飞行器空中报告记录结合人工识别得到的结果作为标准对比(由于空中报告仅在有飞机起落时发布，缺少无飞机起落期间发生的锋面过境记录，故采用人工识别的方法进行补充)，结果如表1-2所示。
[0127]
表1-1：锋面过境预测模型识别结果与空中报告结合人工识别结果对比
[0128][0129]
对空中报告结合人工识别认定的51次锋面过境天气过程，锋面过境预测模型识别到36次，检测率(probability of detection,pod)达70.6％；在锋面过境预测模型识别的61次锋面过境中，有26次识别有误，虚警率(false alarm rate,far)达42.6％。根据仿真测试结果可见，利用锋面过境预测模型预测锋面过境的准确率较高。
[0130]
本实施方式，通过利用训练完成的锋面过境预测模型进行锋面过境预测，以实现对锋面过境的预测能力。有利于通过对锋面过境进行准确预测，进而防止锋面过境引起的风切变所产生的损失和风险。
[0131]
实施例3
[0132]
本实施例提供一种锋面过境预测模型的训练装置，本实施例以该锋面过境预测模型的训练装置应用于上述实施例1所述的锋面过境预测模型的训练方法进行说明。如图8所示,该锋面过境预测模型的训练装置至少包括以下几个模块：
[0133]
创建模块81，用于建立神经网络模型；
[0134]
取样模块82，用于从气象检测历史数据库中选取训练样本集，其中，所述训练样本集包括发生锋面过境之前预设时间段的气象数据和未发生锋面过境的气象数据；
[0135]
训练模块83，用于利用所述训练样本集对所述神经网络模型进行训练，得到锋面过境预测模型，所述锋面过境预测模型用于对锋面过境进行预测。
[0136]
本技术实施例提供的锋面过境预测模型的训练装置，可用于如上实施例1中执行的锋面过境预测模型的训练方法，相关细节参考上述方法实施例，其实现原理和技术效果
类似，在此不再赘述。
[0137]
需要说明的是：上述实施例中提供的锋面过境预测模型的训练装置在进行锋面过境预测模型的训练时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将锋面过境预测模型的训练装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的锋面过境预测模型的训练装置与锋面过境预测模型的训练方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0138]
实施例4
[0139]
本实施例提供一种锋面过境的预测装置，本实施例以该锋面过境的预测装置应用于上述实施例2所述的锋面过境的预测方法进行说明。如图9所示,该锋面过境的预测装置至少包括以下几个模块：
[0140]
获取模块91，用于获取目标区域的气象检测数据；
[0141]
预测模块92，用于将所述气象检测数据输入锋面过境预测模型的训练方法训练得到的锋面过境预测模型中，以得到锋面过境的预测结果，其中，所述锋面过境预测模型的训练方法为实施例1中任一实施方式所述的锋面过境预测模型的训练方法。
[0142]
本技术实施例提供的锋面过境的预测装置，可用于如上实施例2中执行的锋面过境的预测方法，相关细节参考上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
[0143]
需要说明的是：上述实施例中提供的锋面过境的预测装置在进行锋面过境的预测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将锋面过境的预测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的锋面过境的预测装置与锋面过境的预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0144]
实施例5
[0145]
请参阅图10所示，本发明实施方式还提供了一种计算机设备，该计算机设备可以是桌上型计算机、笔记本电脑、掌上电脑以及云端服务器等计算机设备。该计算机设备可以包括，但不限于，处理器和存储器，其中处理器和存储器可以通过总线或者其他方式连接。
[0146]
处理器可以为中央处理器(central processing unit，cpu)也可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、图形处理器(graphics processing unit，gpu)、嵌入式神经网络处理器(neural-network processing unit，npu)或者其他专用的深度学习协处理器、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
[0147]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施方式中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施方式中的方法。
[0148]
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至
少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行上述方法实施方式中的方法。
[0149]
本发明实施方式还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述方法实施方式中的方法。其中，所述非暂态计算机可读存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述非暂态计算机可读存储介质还可以包括上述种类的存储器的组合。
[0150]
本领域内的技术人员应明白，本发明的实施方式可提供为方法、装置、计算机设备或非暂态计算机可读存储介质均可涉及或包含计算机程序产品。
[0151]
因此，本发明可采用完全硬件实施方式、完全软件实施方式、或结合软件和硬件方面的实施方式的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0152]
以上所述实施方式的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施方式中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0153]
显然，以上所述实施方式仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。因此，本技术专利的保护范围应以所附权利要求为准。