一种云边端协同的气象智能预警系统的制作方法
本发明涉及云计算和边缘计算技术领域，具体涉及一种云边端协同的气象智能预警系统。
背景技术：
随着计算机技术的发展，云计算由google在2007年提出，并在随后的几年快速发展。云计算是一种全新的资源应用模式，其将大量的硬件资源构成一个可配置的计算资源池，具有强大的计算和存储能力，这也使得云计算降低了互联网对设备资源的消耗，提高了设备的使用率；减少了信息维护和存储的成本，能够对计算资源进行弹性分配。然而，云计算也存在缺陷：（1）需要持久稳定的网络连接，在距离云计算中心较远的地区存在较大的网络延迟性；（2）数据安全性无法保证；（3）用户对数据和技术的掌控灵活度下降。
对于气象预警方面，在有不同且复杂的地质地貌，有成都平原地区，有普通山区，也有青藏高原地区，在以上不同的地区中，各地区都有自己的气象特点、地质环境差异大，出现地质灾害的概率和类型等也不相同。因此仅仅在云端进行上述数据的处理和建模，可能会存在以下问题：一、网络通信环境较差导致结果返回的延迟性高；二、数据具有区域性特征，均放在云端计算分析，返回的结果无法有效的显示各地区气象或地质特征。
技术实现要素：
本发明针对以上背景技术中存在的问题，目的在于提供一种云边端协同的气象智能预警系统，本系统应用于气象预警方面，不仅提升了计算效率，还降低了延迟性。
本发明通过下述技术方案实现：
第一方面，本发明提供了一种云边端协同的人工智能模型执行系统，包括云端、边缘端和终端，所述云端双向通信连接所述边缘端，所述边缘端双向通信连接所述终端；
所述云端包括云端服务器和镜像仓库，所述云端服务器用于搭建运行环境，并在运行环境上实现人工智能模型的训练和数据存储，并把训练的人工智能模型、结果数据传输程序和运行环境打包成模型执行镜像推送至镜像仓库，并控制边缘端拉取执行所述模型执行镜像；
所述边缘端，用于从所述云端的镜像仓库中拉取所述模型执行镜像，并在相应的边缘端构建模型执行的配置文件；及根据人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；及根据加工好的数据运行人工智能模型执行镜像和模型计算，并把模型计算结果推送至对应的终端和云端；
所述终端，用于接收所述边缘端推送的模型计算结果，进行结果展示；及根据所述人工智能模型所需的数据来进行对应终端数据采集。
工作原理是：基于现有技术中仅仅在云端进行上述数据的处理和建模，且云端是基于终端的请求来响应，可能会存在以下问题：一、网络通信环境较差导致结果返回的延迟性高；二、数据具有区域性特征，均放在云端计算分析，返回的结果无法有效的显示各地区气象或地质特征。因此，本发明采用上述方案，利用了边缘计算技术，增加了边缘端，本发明系统包括云端、边缘端和终端，且本发明中云端主动进行人工智能模型训练和数据储存，因为云端服务器具有强大的计算能力和充足的存储空间，并且对于人工智能模型训练的效率远高于边缘端或终端设备；云端下发人工智能模型至各个边缘端，根据需要各个边缘端需要的数据，每个边缘端对应的各个终端设备上传所需的数据至其对应的边缘端，边缘端执行模型计算得出结果，此结果能直接推送至终端进行展示，同时也能推送至云端进行数据的存储和管理。本发明实现了云端、边缘端和终端的人工智能协同计算。
本发明系统结构合理，尤其适合应用于不同地区且复杂的地质地貌，而各地区都有自己的气象特点、地质环境差异大的气象预警，不仅提升了计算效率，还降低了延迟性。
进一步地，所述边缘端还用于：
模型计算计算后，进行模型计算的结果保存，若边缘端接收到终端上传的新数据，则继续输入模型计算，并更新结果文件；
所述结果数据传输程序将在边缘端监控结果文件是否发生改变，如果监控结果改变，则所述结果传输程序将读取监控结果文件中的最新数据推送至所述云端和终端，进而，所述云端获取到边缘端推送的数据，并对数据进行存储和管理；及所述终端设备获取到边缘端推送的数据，并对数据进行展示。
进一步地，所述边缘端以容器的方式运行人工智能模型执行镜像。
进一步地，所述边缘端根据人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；其中数据加工包括把数据转换为模型输入的格式。
进一步地，一个所述云端对应若干个边缘端，一个所述边缘端对应若干个终端设备。
第二方面，本发明还提供了一种云边端协同的人工智能模型执行方法，该方法包括以下步骤：
步骤1，人工智能模型下发：云端服务器搭建运行环境，并在运行环境上实现人工智能模型的训练和数据存储，并把训练的所述人工智能模型、结果数据传输程序和运行环境打包成模型执行镜像，并推送至镜像仓库，并控制边缘端拉取执行所述模型执行镜像；
步骤2，人工智能模型执行：边缘端从所述云端的镜像仓库中拉取所述模型执行镜像，并在相应的边缘端构建模型执行的配置文件；同时，根据所述人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；并根据加工好的数据运行所述人工智能模型执行镜像和模型计算，并保存模型计算的结果；
步骤3，结果返回：边缘端把模型计算结果推送至对应的终端和云端，云端获取到边缘端推送的数据，并对数据进行存储和管理；终端设备获取到边缘端推送的数据，并对数据进行展示。
进一步地，步骤1具体包括以下子步骤：
s11：在云端服务器上拉取人工智能运行环境所需的镜像，并导入关键函数库；
s12：创建容器配置文件，在所述容器配置文件中引入步骤s11中拉取的镜像，并写入关键函数库的安装方法和创建模型运行目录的操作命令；
s13：在云端服务器上编写人工智能程序，输入处理好的训练数据，训练模型并保存至所述容器配置文件所在目录，在此文件中写入执行人工智能模型的操作命令；
s14：在所述容器配置文件所在目录创建并编写结果数据传输程序，并保存至此目录下；在所述容器配置文件中写入执行所述结果数据传输程序的操作命令；
s15：根据所述容器配置文件，将所述人工智能模型、结果数据传输程序和运行环境共同打包为模型执行镜像，并推送到镜像仓库。
进一步地，步骤2具体包括以下子步骤：
s21：边缘端从镜像仓库中拉取所述模型执行镜像，如果拉取成功，则在相应的边缘端构建模块执行的配置文件；
s22：终端设备将人工智能模型输入所需的数据上传到边缘端，边缘端将数据加工为模型输入的格式，并保存至模型所在的目录下；
s23：以容器的方式运行人工智能模型执行镜像，调用步骤22中保存的数据，输入人工智能模型中计算；
s24：保存人工智能模型计算的结果，若边缘端接收到终端上传的新数据，则继续输入模型计算，并更新结果文件。
进一步地，步骤3具体包括以下子步骤：
s31：所述结果数据传输程序，将在边缘端监控结果文件是否发生改变；
s32：如果步骤s31中监控结果改变，则所述结果传输程序将读取监控结果文件中的最新数据推送至云端和终端；
s33：云端获取到边缘端推送的数据，并对数据进行存储和管理；
s34：终端设备获取到边缘端推送的数据，并对数据进行展示。
进一步地，一个所述云端对应若干个边缘端，一个所述边缘端对应若干个终端设备。
第三方面，本发明还提供了一种云边端协同的气象智能预警系统，该系统包括用于大区域气象预警的云端、用于小区域气象预警的边缘端、用于采集和结果显示的终端；
所述用于大区域气象预警的云端包括气象预警云端服务器和气象预警镜像仓库，所述气象预警云端服务器，用于根据从所述采集和结果显示的终端采集的气象数据进行大区域气象预警分析；及用于搭建运行环境，并在运行环境上实现气象智能预警模型的训练和数据存储，并把训练的所述气象智能预警模型、预警信息、结果数据传输程序和运行环境打包成气象智能预警模型执行镜像推送至气象预警镜像仓库存储，供后续的所述气象智能预警模型更新训练使用；并控制所述用于小区域气象预警的边缘端拉取执行所述气象智能预警模型执行镜像；
所述用于小区域气象预警的边缘端，用于从所述用于大区域气象预警的云端的气象预警镜像仓库中拉取所述气象智能预警模型执行镜像，并在相应的用于小区域气象预警的边缘端构建模型执行的配置文件，及根据所述气象智能预警模型的所需数据从各个用于采集和结果显示的终端获取对应所需数据，输入所述气象智能预警模型并进行模型计算，得到小区域的气象预警分析；及用于结合所述用于小区域气象预警的边缘端所在地区的特征，分析大区域和小区域的综合气象预警信息；及用于把小区域和综合气象预警信息上传至所述用于大区域气象预警的云端存储，并把综合气象预警信息下发至用于采集和结果显示的终端进行预警展示；
所述用于采集和结果显示的终端，用于接收所述用于小区域气象预警的边缘端推送的综合气象预警信息，进行结果展示；及根据所述气象智能预警模型所需的数据来进行对应终端数据采集。
进一步地，所述用于采集和结果显示的终端包括气象数据采集终端和气象预警发布终端，所述气象数据采集终端包括气象站、雷达等设备，所述气象预警发布终端包括电脑、手机、平板、电视等设备。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明系统结构及方法流程合理，发明实现了云端、边缘端和终端的人工智能协同计算；本发明尤其适合应用于不同地区且复杂的地质地貌，而各地区都有自己的气象特点、地质环境差异大的气象预警，提升了计算效率，响应速度快，降低了延迟性；保证了数据安全；提高应用可靠性，边缘数据中心位于终端设备附近，网络中断的可能性很小。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明一种云边端协同的人工智能模型执行系统结构框架图。
图2为本发明方法步骤1人工智能模型下发流程图。
图3为本发明方法步骤2人工智能模型执行流程图。
图4为本发明方法步骤3结果返回流程图。
图5为本发明一种云边端协同的气象智能预警系统框图。
图6为本发明用于大区域气象预警的云端的执行流程示意图。
图7为本发明用于小区域气象预警的边缘端的执行流程示意图。
图8为本发明用于采集和结果显示的终端的执行流程示意图。
图9为本发明气象智能预警模型利用神经网络训练模型图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“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保护范围的限制。
实施例1
如图1至4所示，本发明一种云边端协同的人工智能模型执行系统，包括云端、边缘端和终端，所述云端双向通信连接所述边缘端，所述边缘端双向通信连接所述终端；
所述云端包括云端服务器和镜像仓库，所述云端服务器用于搭建运行环境，并在运行环境上实现人工智能模型的训练和数据存储，并把训练的人工智能模型、结果数据传输程序和运行环境打包成模型执行镜像推送至镜像仓库，并控制边缘端拉取执行所述模型执行镜像；
所述边缘端，用于从所述云端的镜像仓库中拉取所述模型执行镜像，并在相应的边缘端构建模型执行的配置文件；及根据人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；及根据加工好的数据运行人工智能模型执行镜像和模型计算，并把模型计算结果推送至对应的终端和云端；
所述终端，用于接收所述边缘端推送的模型计算结果，进行结果展示；及根据所述人工智能模型所需的数据来进行对应终端数据采集。
作为进一步地优选方案，所述边缘端还用于：
模型计算计算后，进行模型计算的结果保存，若边缘端接收到终端上传的新数据，则继续输入模型计算，并更新结果文件；
所述结果数据传输程序将在边缘端监控结果文件是否发生改变，如果监控结果改变，则所述结果传输程序将读取监控结果文件中的最新数据推送至所述云端和终端，进而，所述云端获取到边缘端推送的数据，并对数据进行存储和管理；及所述终端设备获取到边缘端推送的数据，并对数据进行展示。
作为进一步地优选方案，所述边缘端以容器的方式运行人工智能模型执行镜像。
作为进一步地优选方案，所述边缘端根据人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；其中数据加工包括把数据转换为模型输入的格式。
作为进一步地优选方案，一个所述云端对应若干个边缘端，一个所述边缘端对应若干个终端设备。
另一方面，本发明还提供了一种云边端协同的人工智能模型执行方法，该方法包括以下步骤：
步骤1，人工智能模型下发：云端服务器搭建运行环境，并在运行环境上实现人工智能模型的训练和数据存储，并把训练的所述人工智能模型、结果数据传输程序和运行环境打包成模型执行镜像，并推送至镜像仓库，并控制边缘端拉取执行所述模型执行镜像；具体地，如图2所示，步骤1具体包括以下子步骤：
s11：在云端服务器上拉取人工智能运行环境所需的镜像（例如：python、java、anaconda等镜像），并导入关键函数库（例如：tensorflow、numpy、pandas等基础函数库）；
s12：创建容器配置文件，在所述容器配置文件中引入步骤s11中拉取的镜像，并写入关键函数库的安装方法和创建模型运行目录的操作命令；
s13：在云端服务器上编写人工智能程序，输入处理好的训练数据，训练模型并保存至所述容器配置文件所在目录，在此文件中写入执行人工智能模型的操作命令；
s14：在所述容器配置文件所在目录创建并编写结果数据传输程序（例如：java程序、脚本程序等），并保存至此目录下；在所述容器配置文件中写入执行所述结果数据传输程序的操作命令；
s15：根据所述容器配置文件，将所述人工智能模型、结果数据传输程序和运行环境共同打包为模型执行镜像，并推送到镜像仓库。
步骤2，人工智能模型执行：边缘端从所述云端的镜像仓库中拉取所述模型执行镜像，并在相应的边缘端构建模型执行的配置文件；同时，根据所述人工智能模型的所需数据从各个终端获取对应所需的数据，并进行数据加工和保存；并根据加工好的数据运行所述人工智能模型执行镜像和模型计算，并保存模型计算的结果；具体地，如图3所示，步骤2具体包括以下子步骤：
s21：边缘端从镜像仓库中拉取所述模型执行镜像，如果拉取成功，则在相应的边缘端构建模块执行的配置文件；
s22：终端设备将人工智能模型输入所需的数据上传到边缘端，边缘端将数据加工为模型输入的格式，并保存至模型所在的目录下；
s23：以容器的方式运行人工智能模型执行镜像，调用步骤22中保存的数据，输入人工智能模型中计算；
s24：保存人工智能模型计算的结果，若边缘端接收到终端上传的新数据，则继续输入模型计算，并更新结果文件。
步骤3，结果返回：边缘端把模型计算结果推送至对应的终端和云端，云端获取到边缘端推送的数据，并对数据进行存储和管理；终端设备获取到边缘端推送的数据，并对数据进行展示。具体地，如图4所示，步骤3具体包括以下子步骤：
s31：所述结果数据传输程序，将在边缘端监控结果文件是否发生改变；
s32：如果步骤s31中监控结果改变，则所述结果传输程序将读取监控结果文件中的最新数据推送至云端和终端；
s33：云端获取到边缘端推送的数据，并对数据进行存储和管理；
s34：终端设备获取到边缘端推送的数据，并对数据进行展示。
具体地，一个所述云端对应若干个边缘端，一个所述边缘端对应若干个终端设备。
工作原理是：本发明利用了边缘计算技术，增加了边缘端，数据不需要回传到服务器，而且直接在靠近用户的网络边缘端对数据进行收集、处理并做出响应。本发明系统包括云端、边缘端和终端，且本发明中云端主动进行人工智能模型训练和数据储存，因为云端服务器具有强大的计算能力和充足的存储空间，并且对于人工智能模型训练的效率远高于边缘端或终端设备；云端下发人工智能模型至各个边缘端，根据需要各个边缘端需要的数据，每个边缘端对应的各个终端设备上传所需的数据至其对应的边缘端，边缘端执行模型计算得出结果，此结果能直接推送至终端进行展示，同时也能推送至云端进行数据的存储和管理。本发明实现了云端、边缘端和终端的人工智能协同计算。
本发明系统结构及方法流程合理，尤其适合应用于不同地区且复杂的地质地貌，而各地区都有自己的气象特点、地质环境差异大的气象预警，提升了计算效率，响应速度快，降低了延迟性；保证了数据安全；提高应用可靠性，边缘数据中心位于终端设备附近，网络中断的可能性很小。
实施例2
如图5至8所示，本实施例与实施例1的区别在于，本实施例还提供了一种云边端协同的气象智能预警系统，如图5所示，该系统包括用于大区域气象预警的云端、用于小区域气象预警的边缘端、用于采集和结果显示的终端；
所述用于大区域气象预警的云端包括气象预警云端服务器和气象预警镜像仓库，所述气象预警云端服务器，用于根据从所述采集和结果显示的终端采集的气象数据进行大区域气象预警分析；及用于搭建运行环境，并在运行环境上实现气象智能预警模型的训练和数据存储，并把训练的所述气象智能预警模型、预警信息、结果数据传输程序和运行环境打包成气象智能预警模型执行镜像推送至气象预警镜像仓库存储，供后续的所述气象智能预警模型更新训练使用；并控制所述用于小区域气象预警的边缘端拉取执行所述气象智能预警模型执行镜像；
所述用于小区域气象预警的边缘端，用于从所述用于大区域气象预警的云端的气象预警镜像仓库中拉取所述气象智能预警模型执行镜像，并在相应的用于小区域气象预警的边缘端构建模型执行的配置文件，及根据所述气象智能预警模型的所需数据从各个用于采集和结果显示的终端获取对应所需数据，输入所述气象智能预警模型并进行模型计算，得到小区域的气象预警分析；及用于结合所述用于小区域气象预警的边缘端所在地区的特征，分析大区域和小区域的综合气象预警信息；及用于把小区域和综合气象预警信息上传至所述用于大区域气象预警的云端存储，并把综合气象预警信息下发至用于采集和结果显示的终端进行预警展示；
所述用于采集和结果显示的终端，用于接收所述用于小区域气象预警的边缘端推送的综合气象预警信息，进行结果展示；及根据所述气象智能预警模型所需的数据来进行对应终端数据采集。
具体地，所述用于采集和结果显示的终端包括气象数据采集终端和气象预警发布终端，所述气象数据采集终端包括气象站、雷达等设备，所述气象预警发布终端包括电脑、手机、平板、电视等设备。
实施时：
用于大区域气象预警的云端负责：大区域气象预警分析、训练气象智能预警模型、数据储存和管理；如图6所示，云端具体执行如下：
（1），在云端使用从终端数据采集设备接收到的数据，做出大区域的气象预警分析；
（2），搭建运行环境，并在运行环境上使用步骤（1）中的数据实现气象智能预警模型的训练和数据存储，并把训练的所述气象智能预警模型、预警信息、结果数据传输程序和运行环境打包成气象智能预警模型执行镜像推送至气象预警镜像仓库存储，供后续的所述气象智能预警模型更新训练使用；
（3），将所述气象智能预警模型和预警信息共同下发至边缘端；
（4），存储预警信息和数据，供今后的所述气象智能预警模型更新训练使用。
用于小区域气象预警的边缘端负责：所述气象智能预警模型使用、小区域的气象预警分析、接受云端预警消息、整合地区性特征发布地区性预警，另外，如果偏远地带信号薄弱地区，若接收不到云端预警信息或接受延迟太高，则由边缘端发布预警消息。如图7所示，边缘端具体执行如下：
（1），边缘端接收云端的所述气象智能预警模型和预警信息；
（2），调用所述气象智能预警模型并输入从终端设备获取的数据，得到小区域的气象预警分析；
（3），结合边缘端所在地区的特征，综合分析大区域和小区域的预警信息；
（4），将小区域和综合气象预警信息上传至云端储存；
（5），将综合气象预警信息下发至终端预警展示设备。
用于采集和结果显示的终端负责：接收边缘端推送的综合气象预警信息，进行结果展示；及根据所述气象智能预警模型所需的数据来进行对应终端数据采集。如图8所示。
所述用于采集和结果显示的终端包括气象数据采集终端和气象预警发布终端，所述气象数据采集终端包括气象站、雷达等设备，所述气象预警发布终端包括电脑、手机、平板、电视等设备。
工作原理是：现有技术气象预警单独使用云计算存在的缺点：需要持久稳定的网络连接，在距离云计算中心较远的地区存在较大的网络延迟性，无法快速的发出预警信息，导致灾害发生带来巨大的损失。而边缘计算有效的解决了这一问题，在边缘计算中，不需要将所有数据回传至云端，可以直接在靠近用户的网络边缘对数据进行收集、处理并做出响应。因此，边缘计算在气象预警领域能发挥巨大的优势。本发明采用上述具体实施方案，为了保证预警的可靠性和准确性，本发明采用云边协同的方式，即在信号正常的地区，云端分析大区域（比如：四川地区，西藏地区，云南地区等），并借助云端强大的计算能力训练气象智能预警模型并下发至边缘端。边缘端直接调用该模型分析小区域（比如：成都、拉萨、昆明；或更小区域，比如：成都高新区、成都郫都区等），边缘端综合大小区域的预警信息，并结合当地实际气象情况，给出综合预警信息。而在信号薄弱地区（比如：甘孜、阿坝等高原山区）云端信号难以到达或信息接收延迟过高，则边缘端能够直接的给出小区域的预警信息，以免造成灾害的损失。本发明系统气象预警精度高、速度快。
具体实施时：对于四川地区，拥有不同且复杂的地质地貌，有成都平原地区，有普通山区，也有青藏高原地区。在以上不同的地区中，各地区都有自己的气象特点、地质环境差异大，出现地质灾害的概率和类型等也不相同。因此仅仅在云端进行上述数据的处理和建模，可能会存在以下问题：一、网络通信环境较差导致结果返回的延迟性高，预警信息无法第一时间发布出来；二、数据具有区域性特征，均放在云端计算分析，返回的结果可能无法准确的给出预警信息。
例如：云端可能建设在北京的中国气象局那里，如果四川甘孜州里面可能会发生泥石流灾害，那么需要及时的预警，那种地方网络通信可能会在暴雨天气出现故障或者通信出现延迟，那么气象局发出的预警警报不能立刻传递至甘孜州。而本发明方法能很好解决这一问题，边缘端和终端设备（气象站传感器、雷达等设备）都在甘孜州，那么就是本地通信，几乎不存在延迟，预警警报就能第一时间发布出来。
气象预警流程如下：（以云端在北京为例）
云端会接收到来及全国各地终端设备的数据，（比如：四川、重庆、西藏、新疆、等等），云端将对这些大区域的数据进行分析，并得出预警信息。同时，训练供不同边缘端使用的气象智能预警模型。其中，所述气象智能预警模型利用神经网络训练模型。
在边缘端（如甘孜州康定市）接收云端下发的四川省预警信息和气象智能预警模型，调用气象智能预警模型，输入康定市的气象数据进行预警分析，最终会得到大区域和小区域的预警信息，再根据当地的气象条件和地质条件等因素，给出综合的预警信息。如果在一些偏远的县城（比如：甘孜丹巴县），此时如果正值极端天气，那么可能无法及时的接收到云端的信息，那么边缘端也能自主的判断情况，做出预警并发布预警信息，避免了网络通信环境差而导致的延迟性问题。
在终端，数据采集设备将采集到的数据分类上传至云端或边缘端。上传至云端的数据可能为大区域的日平均数据或周平均数据，以供区域性的预警分析。而上传至边缘端的可能是每小时数据或者每分钟数据，以供小区域的预警分析。终端展示设备主要包括：智能手机、平板、电视、网站等设备或设施，能够展示发布的预警信息。相关单位能及时有序的组织避难。
具体地，所述气象智能预警模型利用神经网络训练模型，神经网络训练模型相关的计算公式和方法步骤如下：
（1）相关系数是用以反映变量之间相关关系密切程度的统计指标。为了确定降雨量和气温是否与气象预警发生存在一定关系，本发明中采用相关系数的方式来判定，对于变量：
之间的相关系数计算公式可表示为：
其中：cov(x,y)为x和y的协方差，var(x)和var(y)分别为x、y的方差，y表示气象预警等级，x表示降雨量、气温等气象参数。
（2）神经网络
神经网络通常有三部分组成：输入层、隐藏层和输出层。本发明中为了简化模型的构建将使用全连接神经网络。对于含有n层隐藏层的全连接神经网络可用以下公式描述：
其中：y为神经元的输出（即本发明中的气象预警等级），
为了得到结果，神经元的输出（y）必须经过激活函数的计算，激活函数表达式如下（本发明采用线性整流函数(relu)）：
为了获取最佳训练模型，需要监控损失函数的结果，用下述公式描述损失函数：
其中
而常用寻找最小值的方式为微分，因此寻找最优参数的过程为梯度下降算法。权重（
其中，
将公式（7）代入公式（11）中，
因此，更新参数的公式由（11）和（12）进一步的化为：
使用数据归一化将输入数据转换为0到1之间的数字，这有两个优点：一方面，当解决梯度下降问题时，它可以收敛得更快。另一方面，它可以提高结果的准确性。在本发明中，使用最小-最大归一化方法来处理数据。归一化函数用以下公式描述：
其中x_scale是归一化后的数据，x是各气象参数的集合，其中
本发明按照上述公式模型训练步骤：
（1）计算24h降雨量、24h平均气温等气象参数与气象预警是否发生之间的相关系数，根据相关系数确定模型输入的参数。
（2）将步骤（1）中选定后的数据用最小-最大归一化方法处理，全部转化为0-1之间的数字。
（3）搭建神经网络，定义输入层并设置神经元个数（与输入参数种类个数对应），定义隐藏层并设置隐藏层的层数和各层神经元个数（可根据实验结果调整），定义输出层并设置神经元个数为1，即气象预警等级。
（4）设置标签和目标数据，并将步骤（2）中处理后的数据，输入搭建好的神经网络中，设置学习率、batchsize大小和迭代次数，并开始训练。
（5）查看训练过程中损失函数（均方误差）的变化情况，若已在极小值附近波动变化，说明模型训练效果良好。
（6）输入测试数据，测试数据是未加入模型训练且从全集中随机抽取的部分样本，模型计算得出预测结果。
模型输入的气象大致数据类型：对于云端的大区域预警（云端执行不下发）：24h累计降雨量、前一日24h降雨量、24h平均气温、平均相对湿度、平均风速。对于边缘端的小区域预警（云端下发至边端，然后执行）：24h每小时降雨量、每分钟降雨量、24h每小时平均气温、每小时相对湿度、每小时平均风速。
模型如图9，输入层的1至5分别为：24h降雨量、前一日24h降雨量、24h平均气温、24h气温最大值和24h气温最小值。隐藏层1为32个神经元。隐藏层2为64个神经元。输出层6为预警信息（即是否有暴雨天气、是否有发生地质灾害的预警信息等。根据不同的模型，输出的预警信息则不同）。
此模型参数可以根据实际情况调整，比如：输入层可以增加或减少的神经元，以提升模型的准确率。
通过上述模型得出结果，此结果和气象预警的阈值比较得出预警信息（阈值：包括很多种类，比如：降雨、泥石流、滑坡、洪涝等等，在阈值范围内属于正常情况不用预警，超过阈值则预警。超过越多，预警的等级也会随之上升。）。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！