[发明专利]采用空间密度聚类进行雷电运动预测的方法

说明书

技术领域

本发明属于雷电预测与预警技术领域，特别是采用空间密度聚类进行雷电运动预测的方法，其是一种采用空间密度聚类法进行雷电运动趋势预测的方法。

背景技术

目前，对雷电运动进行预测，通常是根据实时雷电监测数据，寻找雷电发生时间、地点的活动规律，并通过该规律预测雷电未来发展状况。据申请人所知，由于雷电活动过于离散、独立，并具有随机的特点，长期以来一直未有好的办法研究雷电活动规律，也未发现有人提出雷电运动预测的有效手段，对于雷电活动的研究限于雷电参数统计和雷电分布情况研究。随着数据挖掘这门新兴学科的发展，很多国家都将数据挖掘技术融入到雷电监测中，并提出了一些有关雷电预测研究的方法。据有关资料介绍，聚类分析作为一种数据挖掘方法，它能将雷电空间数据自动分类成一些雷暴团，从而可以通过分析雷暴团的位移情况来预测雷电活动情况。直到2006年由巴西SIMEPAR技术研究所提出了一种利用雷电数据挖掘的雷暴预测方法：ELECTRICAL THUNDERSTORM NOWCASTING USING LIGHTNING DATA MINING，C.A.Vasconcellos，19th International Lightning Detection Conference 24-25April·Tucson，Arizona，USA他使用SQL Server 2005的数据挖掘工具，对实时雷电监测数据进行聚类分析实验，将30分钟的雷电数据采用K-Means聚类算法分类成为几个雷暴团，并将此样本的前、后15分钟数据分别聚类，对比后得出雷电运动趋势。但是，申请人经过研究发现，该方法存在一些问题：首先，K-Means聚类方法得出的雷暴团在空间上均是规则的圆形，而自然环境下，雷暴团应该由带电的大面积云团携带的，云团的形状应该是不规则的，因此该聚类分析实验结果不能真实反映出雷暴团的实际分布；其次，K-Means聚类方法必需人为去规定分类的数目，由此可知，分类数目的选定会严重影响雷电数据的聚类效果，其采用的算法的人为界定因素比重太大。最后，由于K-Means聚类方法是根据不断优化分类后雷暴团的几何中心点来聚类的，其分类特性决定了分类结果数据包含全部的样本数据，无法将一些严重影响分类效果的孤立点剔除，最终会导致对雷暴团运动预测效果不佳。如何将雷电数据以不规则形状分类、尽可能减少在雷电数据聚类时人为因素的影响、剔除影响分类的孤立点，这些成为雷电运动预测中急需解决的问题。

发明内容

本发明的目的是，克服现有技术的不足，提出采用空间密度聚类进行雷电运动预测的方法。该方法能实现无需人为干预的自动将雷电数据分类，分类后雷暴团的空间形状不规则，并且能够自动消除噪声数据(孤立点)对聚类的影响。

本发明的技术解决方案是，采用计算机对雷电自动监测数据进行处理，其特征在于，建立聚类分析数据库，结合地理信息系统(GIS)建立分析平台，通过建立密度聚类算法模型对不同时刻雷电数据进行聚类分析，其聚类分析与雷电运动预测的基本步骤如下：

(1)建立聚类分析数据库，在数据库中设置雷电数据样本筛选条件，以及刻画雷电密度的基本参数——距离ε、最小雷电点数minPts，按时间顺序取得雷电样本数据并按照时间段分类；

(2)获取同一时间段内的雷电数据，对每个雷电点，计算其周边雷电与它之间的距离，通过雷电数据点和距离值，构建出雷电数据空间位置关系表；

(3)对于刻画雷电密度的基本参数——距离ε、最小雷电点数minPts，采用定义：

定义一，若雷电点p在半径ε空间范围内存在某一点q，则称q与p之间是直接密度到达关系；

定义二，如果存在一个序列的点p₁，p₂，…，p_n，其中p₁＝p且p_n＝q，若对于每个p_i+1与p_i都是直接密度到达关系，则称q能够密度到达p；

根据定义一或定义二计算出任意两个雷电点的密度关系；

(4)从任意雷电点开始，若在其半径ε空间范围内包含的雷电点数目未达到minPts，则该雷电点标记为噪声点，否则新生成一个聚类，将所有与该雷电点为直接密度达到关系或密度到达关系的雷电点均归到此类并作标记，然后再找下一个未作过任何标记的点，重复上述操作，生成新的聚类，直到所有的雷电样本数据均被标记为止；

(5)聚类完成后，确定不同雷暴团的位置特征点；