基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，利用偏相關(guān)分析法確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠兀玫侥繕?biāo)景區(qū)的主要?dú)庀笠氐臍v史數(shù)據(jù)與數(shù)值預(yù)報(bào)模式輸出數(shù)據(jù)的差異集，并分別利用基因表達(dá)式編程算法計(jì)算得到氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)集和氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)集，然后對(duì)預(yù)測(cè)函數(shù)集進(jìn)行差異疊加修正得到目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)模型，最后代入數(shù)值預(yù)報(bào)模式輸出的各氣象要素值，即可預(yù)測(cè)出各種氣象災(zāi)害的可能發(fā)生情況，本發(fā)明專利技術(shù)克服了現(xiàn)有技術(shù)中所存在的樣本數(shù)據(jù)要求高、適應(yīng)能力差、計(jì)算過程復(fù)雜等不足等問題，能為景區(qū)災(zāi)害防控和管理提供很好的決策支持。

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法
本專利技術(shù)涉及氣象預(yù)報(bào)領(lǐng)域。更具體地說，本專利技術(shù)涉及一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法。
技術(shù)介紹
旅游業(yè)是嚴(yán)重依賴自然環(huán)境和氣象條件的產(chǎn)業(yè)，氣象條件是影響旅游安全和旅游質(zhì)量的重要因素。旅游氣象災(zāi)害已經(jīng)成為氣象部門和旅游管理部門越來越關(guān)注的問題，如何正確地預(yù)報(bào)預(yù)測(cè)景區(qū)及周邊的惡劣天氣，如何準(zhǔn)確有效地做好旅游災(zāi)害預(yù)警服務(wù)、如何及時(shí)有效地幫助游客規(guī)避旅游災(zāi)害風(fēng)險(xiǎn)和做到安全健康出行，最大限度地保障人民生命財(cái)產(chǎn)安全，已經(jīng)成為刻不容緩的研究課題。由于氣象災(zāi)害種類繁多，同時(shí)氣象要素對(duì)氣象災(zāi)害的成因影響關(guān)系復(fù)雜，因此如何建立氣象要素與氣象災(zāi)害之間的映射聯(lián)系，一直是氣象學(xué)中的重點(diǎn)和難點(diǎn)問題之一。經(jīng)過長(zhǎng)期研究，目前氣象學(xué)中通常采用以下三種方法建立氣象要素與氣象災(zāi)害之間的映射聯(lián)系：一是利用灰色預(yù)測(cè)模型中的拓?fù)淠Ｐ停美L制曲線來建立氣象要素與氣象災(zāi)害關(guān)系，從而得到與預(yù)測(cè)未來數(shù)值的模型，但是該模型的建立對(duì)樣本數(shù)據(jù)要求較高，一旦原始數(shù)據(jù)有波動(dòng)就極易產(chǎn)生預(yù)測(cè)壞點(diǎn)；二是采取平穩(wěn)時(shí)間序列分析法，根據(jù)統(tǒng)計(jì)學(xué)統(tǒng)計(jì)出的因果關(guān)系建立方程，求得相關(guān)系數(shù)，該方法的缺陷是模型一旦建立，系數(shù)就確定不變，無法適應(yīng)多變的天氣現(xiàn)象演變規(guī)律；三是用周期疊加、神經(jīng)網(wǎng)絡(luò)等非線性預(yù)測(cè)模型建立曲線方程，通過海溫格點(diǎn)對(duì)未來趨勢(shì)進(jìn)行預(yù)測(cè)，該方法預(yù)測(cè)精度較高，但是計(jì)算復(fù)雜且需要對(duì)結(jié)果進(jìn)行多次調(diào)試，在實(shí)際中難以得到較好應(yīng)用。而氣象要素?cái)?shù)值的獲取一般是通過常規(guī)氣象觀測(cè)設(shè)施探測(cè)或現(xiàn)代天氣數(shù)值預(yù)報(bào)模式推演輸出獲得，其中現(xiàn)代天氣數(shù)值預(yù)報(bào)模式對(duì)中大區(qū)域范圍的氣象要素預(yù)報(bào)準(zhǔn)確度非常高，是當(dāng)前天氣預(yù)報(bào)業(yè)務(wù)中最常用的方式。近年來，國(guó)家在旅游防災(zāi)減災(zāi)方面做了大量的工作，各地氣象部門在氣候景觀、旅游舒適度等旅游氣象指數(shù)等方面也做了大量的理論研究與應(yīng)用服務(wù)，特別是復(fù)雜地貌的景區(qū)更是缺乏，不能形成有效服務(wù)。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)提供一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，利用偏相關(guān)分析法確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠兀玫侥繕?biāo)景區(qū)的主要?dú)庀笠氐臍v史數(shù)據(jù)與數(shù)值預(yù)報(bào)模式輸出數(shù)據(jù)的差異集，并分別利用基因表達(dá)式編程算法計(jì)算得到氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)集和氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)集，然后對(duì)預(yù)測(cè)函數(shù)集進(jìn)行差異疊加修正得到目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)模型，最后代入數(shù)值預(yù)報(bào)模式輸出的各氣象要素值，即可預(yù)測(cè)出各種氣象災(zāi)害的可能發(fā)生情況，克服了現(xiàn)有技術(shù)中所存在的樣本數(shù)據(jù)要求高、適應(yīng)能力差、計(jì)算過程復(fù)雜等不足等問題，能為景區(qū)災(zāi)害防控和管理提供很好的決策支持。為了實(shí)現(xiàn)根據(jù)本專利技術(shù)的這些目的和其它優(yōu)點(diǎn)，提供了一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，包括以下步驟：步驟一、收集目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史數(shù)據(jù)，其包括目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的時(shí)間和發(fā)生該氣象災(zāi)害的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史氣象要素?cái)?shù)據(jù)庫(kù)HDB；收集目標(biāo)景區(qū)發(fā)生氣象災(zāi)害時(shí)目標(biāo)景區(qū)所屬地區(qū)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)所屬地區(qū)的歷史氣象要素?cái)?shù)據(jù)庫(kù)RDB；步驟二、根據(jù)目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的類型，將HDB中的氣象要素?cái)?shù)據(jù)進(jìn)行分類，并對(duì)同類型的氣象要素?cái)?shù)據(jù)進(jìn)行偏相關(guān)分析，確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠兀⒛繕?biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疐s；在RDB中選取與Fs內(nèi)的氣象要素類型相同的氣象要素，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疪Fs；步驟三、從HDB中提取Fs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合XFs；從RDB中提取RFs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合XRFs；分別計(jì)算XFs中的每一個(gè)氣象要素?cái)?shù)據(jù)和XRFs中與XFs中的氣象要素?cái)?shù)據(jù)相對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)的差值，得到差異集XDFs；步驟四、以XRFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的每一種氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)，進(jìn)而得到氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)集G1；步驟五、以XDFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的每一種氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)，進(jìn)而得到氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)集G2；步驟六、將G1中的每一個(gè)數(shù)據(jù)和G2中與該數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)相加，得到預(yù)測(cè)函數(shù)集G3；步驟七、對(duì)G3中的預(yù)測(cè)函數(shù)進(jìn)行F檢驗(yàn)，如果顯著水平P不能滿足P＜設(shè)定閾值，則該預(yù)測(cè)函數(shù)不符合要求，從G3中剔除該預(yù)測(cè)函數(shù)，否則保留該預(yù)測(cè)函數(shù)，完成剔除后得到的函數(shù)集，即為目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)模型G；步驟八、根據(jù)氣象部門發(fā)布的數(shù)值預(yù)報(bào)模式的實(shí)時(shí)數(shù)據(jù)，并從中選出RFs中相對(duì)應(yīng)的氣象要素值，輸入到G中，即可計(jì)算得到目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)結(jié)果。優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟二中確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠氐木唧w方法為：對(duì)同類型的氣象要素?cái)?shù)據(jù)進(jìn)行偏相關(guān)分析后，進(jìn)行偏相關(guān)系數(shù)檢驗(yàn)，通過給定信度檢驗(yàn)的偏相關(guān)性較好的氣象要素即為目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠亍?yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟四中使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的各氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)的方法包括以下步驟：步驟a、基因表達(dá)式編程算法程序讀入數(shù)據(jù)樣本，輸入種群大小、基因頭長(zhǎng)度、基因尾長(zhǎng)度、函數(shù)最大操目數(shù)、基因數(shù)、最大迭代數(shù)、最大適應(yīng)度值、變異率、插串率和重組率，基因表達(dá)式編程算法程序根據(jù)基因表達(dá)式編程染色體和基因的定義自動(dòng)生成初始種群；步驟b、基因表達(dá)式編程算法程序進(jìn)行適應(yīng)度計(jì)算，以染色體為個(gè)體，并分別計(jì)算各個(gè)個(gè)體的適應(yīng)度，適應(yīng)度的計(jì)算公式如下：其中，Ri為第i個(gè)體的適應(yīng)度，0≤Ri≤1；SSE為殘差平方和；m為目標(biāo)發(fā)生的氣象災(zāi)害的總記錄次數(shù)；yj為以XRFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，其中存儲(chǔ)的第j次氣象災(zāi)害；為變量yj關(guān)于函數(shù)y的估計(jì)值；SST為總離差平方和；為變量yj的平均值；步驟c、若步驟b中計(jì)算得到的個(gè)體的適應(yīng)度達(dá)到步驟a中輸入的最大適應(yīng)度值，則將種群中的最優(yōu)個(gè)體的表現(xiàn)型按樹的中序遍歷方法解析表達(dá)式樹為數(shù)學(xué)表達(dá)式，其中，在所有個(gè)體中適應(yīng)度最大的個(gè)體為最優(yōu)個(gè)體，所得數(shù)學(xué)表達(dá)式即為目標(biāo)景區(qū)的一種氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)；若步驟b中計(jì)算得到的個(gè)體的適應(yīng)度未達(dá)到步驟a中輸入的最大適應(yīng)度值，則繼續(xù)步驟d、以最優(yōu)個(gè)體作為最優(yōu)染色體，保留最優(yōu)染色體進(jìn)行遺傳操作，并根據(jù)達(dá)爾文的適者生存原則選擇產(chǎn)生下一代染色體，將得到的下一代染色體作為個(gè)體重復(fù)步驟b到步驟c。優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟a中基因表達(dá)式編程算法的基因用長(zhǎng)度固定的符串來表示，由頭部和尾部?jī)刹糠纸M成，頭部包含函數(shù)符號(hào)和終結(jié)符號(hào)，尾部包含終結(jié)符號(hào)，尾部長(zhǎng)度t和頭部長(zhǎng)度h之間滿足方程：t＝h*(n-1)+1。優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步驟a中的基因表達(dá)式編程算法程序采用多基因染色體的方式構(gòu)成染色體，每個(gè)主要?dú)庀笠赜靡粋€(gè)基因表示。優(yōu)選的是，所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法中，所述步本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，其特征在于，包括以下步驟：步驟一、收集目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史數(shù)據(jù)，其包括目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的時(shí)間和發(fā)生該氣象災(zāi)害的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史氣象要素?cái)?shù)據(jù)庫(kù)HDB；收集目標(biāo)景區(qū)發(fā)生氣象災(zāi)害時(shí)目標(biāo)景區(qū)所屬地區(qū)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)所屬地區(qū)的歷史氣象要素?cái)?shù)據(jù)庫(kù)RDB；步驟二、根據(jù)目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的類型，將HDB中的氣象要素?cái)?shù)據(jù)進(jìn)行分類，并對(duì)同類型的氣象要素?cái)?shù)據(jù)進(jìn)行偏相關(guān)分析，確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠兀⒛繕?biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疐s；在RDB中選取與Fs內(nèi)的氣象要素類型相同的氣象要素，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疪Fs；步驟三、從HDB中提取Fs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合X

【技術(shù)特征摘要】
1.一種基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，其特征在于，包括以下步驟：步驟一、收集目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史數(shù)據(jù)，其包括目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的時(shí)間和發(fā)生該氣象災(zāi)害的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的歷史氣象要素?cái)?shù)據(jù)庫(kù)HDB；收集目標(biāo)景區(qū)發(fā)生氣象災(zāi)害時(shí)目標(biāo)景區(qū)所屬地區(qū)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)所屬地區(qū)的歷史氣象要素?cái)?shù)據(jù)庫(kù)RDB；步驟二、根據(jù)目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的類型，將HDB中的氣象要素?cái)?shù)據(jù)進(jìn)行分類，并對(duì)同類型的氣象要素?cái)?shù)據(jù)進(jìn)行偏相關(guān)分析，確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠兀⒛繕?biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疐s；在RDB中選取與Fs內(nèi)的氣象要素類型相同的氣象要素，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠丶疪Fs；步驟三、從HDB中提取Fs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合XFs；從RDB中提取RFs對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)，建立目標(biāo)景區(qū)所屬地區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠財(cái)?shù)據(jù)集合XRFs；分別計(jì)算XFs中的每一個(gè)氣象要素?cái)?shù)據(jù)和XRFs中與XFs中的氣象要素?cái)?shù)據(jù)相對(duì)應(yīng)的氣象要素?cái)?shù)據(jù)的差值，得到差異集XDFs；步驟四、以XRFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的每一種氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)，進(jìn)而得到氣象災(zāi)害與主要?dú)庀笠刂g的映射關(guān)系函數(shù)集G1；步驟五、以XDFs中的數(shù)據(jù)作為數(shù)據(jù)樣本，使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的每一種氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)，進(jìn)而得到氣象災(zāi)害與主要?dú)庀笠刂g的差異映射關(guān)系函數(shù)集G2；步驟六、將G1中的每一個(gè)數(shù)據(jù)和G2中與該數(shù)據(jù)對(duì)應(yīng)的數(shù)據(jù)相加，得到預(yù)測(cè)函數(shù)集G3；步驟七、對(duì)G3中的預(yù)測(cè)函數(shù)進(jìn)行F檢驗(yàn)，如果顯著水平P不能滿足P＜設(shè)定閾值，則該預(yù)測(cè)函數(shù)不符合要求，從G3中剔除該預(yù)測(cè)函數(shù)，否則保留該預(yù)測(cè)函數(shù)，完成剔除后得到的函數(shù)集，即為目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)模型G；步驟八、根據(jù)氣象部門發(fā)布的數(shù)值預(yù)報(bào)模式的實(shí)時(shí)數(shù)據(jù)，并從中選出RFs中相對(duì)應(yīng)的氣象要素值，輸入到G中，即可計(jì)算得到目標(biāo)景區(qū)氣象災(zāi)害的預(yù)測(cè)結(jié)果。2.如權(quán)利要求1所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，其特征在于，所述步驟二中確定目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠氐木唧w方法為：對(duì)同類型的氣象要素?cái)?shù)據(jù)進(jìn)行偏相關(guān)分析后，進(jìn)行偏相關(guān)系數(shù)檢驗(yàn)，通過給定信度檢驗(yàn)的偏相關(guān)性較好的氣象要素即為目標(biāo)景區(qū)發(fā)生的氣象災(zāi)害的主要?dú)庀笠亍?.如權(quán)利要求1所述的基于差異修正的景區(qū)旅游氣象災(zāi)害智能預(yù)測(cè)方法，其特征在于，所述步驟四中使用基因表達(dá)式編程算法分別計(jì)算目標(biāo)景區(qū)的各氣象災(zāi)害與主要?dú)?..

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：彭昱忠，
申請(qǐng)(專利權(quán))人：廣西師范學(xué)院，
類型：發(fā)明
國(guó)別省市：廣西,45