基于气象大数据的无人机航线规划研究与应用
发布时间：2020-12-08 01:44
无人机技术近年来在我国发展迅速,无论是民用还是军用各种无人机层出不穷,随之而来的无人机航线规划的研究变得迫在眉睫。随着无人机技术的不断发展,以及各种传感器的不断应用,我们获得的数据维度不断升高,数据的量不断扩大,传统的数据处理方法变得越来越捉襟见肘。同时随着大数据时代的到来以及相关大数据技术的飞速发展,各行各业对大规模高纬度数据的存储和分析能力不断攀升。借助大数据的相关技术对危险预测方面的数据进行更全面的采集、存储、分析和挖掘。可以更深入的了解威胁的变化规律,使将来的预测变得更快更准,促进科技的进步和生产力的发展。针对天气数据的数据量大传统方法无法处理的特点,本文主要研究构建Spark大数据处理平台。利用大数据平台进行数据的预处理,提取有效特征和天气预测模型的构建。本课题的实验数据是英国气象局提供的每天的天气的十个模型的预测数据。在构建天气预测模型时,先用常用预测模型进行预测并优化出最优的模型参数。选取各模型的F1值作对比,然后根据天气数据的特点在各时段选择F1值最高的模型作为该时段的预测模型,最后多个模型进行结果汇总成为最终的天气预测数据集。在无人机路径规划方面,根据预测的天气数据以...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
二维中值滤波器伪代码Figure2-4Two-dimensionalmedianfilterpseudocode
图 3-2 各模型 F1 分数对比图Figure 3-2 F1 score comparison chart of each model该图的纵坐标代表 F1 分数，我们的目的是在准确率在较高范围内时，召回率越高越好。可以看出召回率有明显的时间特征，在 4～8 时各预测模型的召回率都比较高（保持在 93%以上），在第 9 时的时候召回率，都明显降低，在 15 时的时候各模型召回率达到最低。为了得到总体更高的召回率，我选择在各个时间段召回率最高的模型作为预测模型。通过在不同的时间段运用不同的模型和特征进而组合得到我们的最终模型。其中的 logDataCount5 是一种投票法，因为原始的数据对于每个点都有 10 个模型的预测数据，而这些模型的预测数据也不尽相同。有时风力会在临界点附近徘徊，有的模型数据会在临界点之上有的会在临界点之下，我们采用哪种方式呢，一种比较简单的方法就是采用投票的方式统计在临界点之上的模型有几个，在这里我们选择以 5 票显示危险就认为这是危险点。在最初我也无法确定几票比较好，于是我们用把投票数为 4、5、6 得到的召回率画在同一幅图上如图 3-3 所示。
图 3 -3 投票模型 F1 分数对比图Figure 3-3 Voting model F1 score comparison chart由图上可以看出投 5 票在 8 个小时所得的 F1 较高，在后面几个小时 F1 有所下降。但从各模型的对比图也能看出投票方法也就在前 8 时表现比其他模型更优秀，所以决定在最终的模型上的投票模型部分选择投 5 票的模型。而 L1logisticAllFeuturelog 指的是使用经过我们的特征提取后得到的全部特征数据然后用 LogisticRegression 模型进行预测，惩罚函数用的是 L1。xgbLogData 就是XGBoost 进行二分类预测。meanLogData 就是用原始的 10 个特征的均值作为预测结果进行二分类后得到的日志。我们训练多个预测模型然后把每个模型调整到最优的参数，然后把这些模型的预测进行测试，进而计算出他们的 F1 值，在比较他们在各时段的 F1 值，在各时段寻找到 F1 值最高的模型，作为模型的预测模型的一部分，从图 3-2 可以看出当时间在 3,4,5,6,7,8,17,18,19,20 的时候都是meanLogData 的 F1 值最高，在 11,12,13,14 时的时候是投票法最高，在 9 时和 15时是 L1Logistic 的 F1 值最高，在 10，16 时是 XGboost 的 F1 值最高，这样我们可以据此构造出我们的最终的融合模型如图 3-4 所示。
本文编号：2904235
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
二维中值滤波器伪代码Figure2-4Two-dimensionalmedianfilterpseudocode
图 3-2 各模型 F1 分数对比图Figure 3-2 F1 score comparison chart of each model该图的纵坐标代表 F1 分数，我们的目的是在准确率在较高范围内时，召回率越高越好。可以看出召回率有明显的时间特征，在 4～8 时各预测模型的召回率都比较高（保持在 93%以上），在第 9 时的时候召回率，都明显降低，在 15 时的时候各模型召回率达到最低。为了得到总体更高的召回率，我选择在各个时间段召回率最高的模型作为预测模型。通过在不同的时间段运用不同的模型和特征进而组合得到我们的最终模型。其中的 logDataCount5 是一种投票法，因为原始的数据对于每个点都有 10 个模型的预测数据，而这些模型的预测数据也不尽相同。有时风力会在临界点附近徘徊，有的模型数据会在临界点之上有的会在临界点之下，我们采用哪种方式呢，一种比较简单的方法就是采用投票的方式统计在临界点之上的模型有几个，在这里我们选择以 5 票显示危险就认为这是危险点。在最初我也无法确定几票比较好，于是我们用把投票数为 4、5、6 得到的召回率画在同一幅图上如图 3-3 所示。
图 3 -3 投票模型 F1 分数对比图Figure 3-3 Voting model F1 score comparison chart由图上可以看出投 5 票在 8 个小时所得的 F1 较高，在后面几个小时 F1 有所下降。但从各模型的对比图也能看出投票方法也就在前 8 时表现比其他模型更优秀，所以决定在最终的模型上的投票模型部分选择投 5 票的模型。而 L1logisticAllFeuturelog 指的是使用经过我们的特征提取后得到的全部特征数据然后用 LogisticRegression 模型进行预测，惩罚函数用的是 L1。xgbLogData 就是XGBoost 进行二分类预测。meanLogData 就是用原始的 10 个特征的均值作为预测结果进行二分类后得到的日志。我们训练多个预测模型然后把每个模型调整到最优的参数，然后把这些模型的预测进行测试，进而计算出他们的 F1 值，在比较他们在各时段的 F1 值，在各时段寻找到 F1 值最高的模型，作为模型的预测模型的一部分，从图 3-2 可以看出当时间在 3,4,5,6,7,8,17,18,19,20 的时候都是meanLogData 的 F1 值最高，在 11,12,13,14 时的时候是投票法最高，在 9 时和 15时是 L1Logistic 的 F1 值最高，在 10，16 时是 XGboost 的 F1 值最高，这样我们可以据此构造出我们的最终的融合模型如图 3-4 所示。
本文编号：2904235
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/2904235.html
