無(wú)人機(jī)技術(shù)近年來(lái)在我國(guó)發(fā)展迅速,無(wú)論是民用還是軍用各種無(wú)人機(jī)層出不窮,隨之而來(lái)的無(wú)人機(jī)航線規(guī)劃的研究變得迫在眉睫。隨著無(wú)人機(jī)技術(shù)的不斷發(fā)展,以及各種傳感器的不斷應(yīng)用,我們獲得的數(shù)據(jù)維度不斷升高,數(shù)據(jù)的量不斷擴(kuò)大,傳統(tǒng)的數(shù)據(jù)處理方法變得越來(lái)越捉襟見(jiàn)肘。同時(shí)隨著大數(shù)據(jù)時(shí)代的到來(lái)以及相關(guān)大數(shù)據(jù)技術(shù)的飛速發(fā)展,各行各業(yè)對(duì)大規(guī)模高緯度數(shù)據(jù)的存儲(chǔ)和分析能力不斷攀升。借助大數(shù)據(jù)的相關(guān)技術(shù)對(duì)危險(xiǎn)預(yù)測(cè)方面的數(shù)據(jù)進(jìn)行更全面的采集、存儲(chǔ)、分析和挖掘�？梢愿钊氲牧私馔{的變化規(guī)律,使將來(lái)的預(yù)測(cè)變得更快更準(zhǔn),促進(jìn)科技的進(jìn)步和生產(chǎn)力的發(fā)展。針對(duì)天氣數(shù)據(jù)的數(shù)據(jù)量大傳統(tǒng)方法無(wú)法處理的特點(diǎn),本文主要研究構(gòu)建Spark大數(shù)據(jù)處理平臺(tái)。利用大數(shù)據(jù)平臺(tái)進(jìn)行數(shù)據(jù)的預(yù)處理,提取有效特征和天氣預(yù)測(cè)模型的構(gòu)建。本課題的實(shí)驗(yàn)數(shù)據(jù)是英國(guó)氣象局提供的每天的天氣的十個(gè)模型的預(yù)測(cè)數(shù)據(jù)。在構(gòu)建天氣預(yù)測(cè)模型時(shí),先用常用預(yù)測(cè)模型進(jìn)行預(yù)測(cè)并優(yōu)化出最優(yōu)的模型參數(shù)。選取各模型的F1值作對(duì)比,然后根據(jù)天氣數(shù)據(jù)的特點(diǎn)在各時(shí)段選擇F1值最高的模型作為該時(shí)段的預(yù)測(cè)模型,最后多個(gè)模型進(jìn)行結(jié)果匯總成為最終的天氣預(yù)測(cè)數(shù)據(jù)集。在無(wú)人機(jī)路徑規(guī)劃方面,根據(jù)預(yù)測(cè)的天氣數(shù)據(jù)以... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

二維中值濾波器偽代碼Figure2-4Two-dimensionalmedianfilterpseudocode

圖 3-2 各模型 F1 分?jǐn)?shù)對(duì)比圖Figure 3-2 F1 score comparison chart of each model該圖的縱坐標(biāo)代表 F1 分?jǐn)?shù)，我們的目的是在準(zhǔn)確率在較高范圍內(nèi)時(shí)，召回率越高越好�？梢钥闯稣倩芈视忻黠@的時(shí)間特征，在 4～8 時(shí)各預(yù)測(cè)模型的召回率都比較高（保持在 93%以上），在第 9 時(shí)的時(shí)候召回率，都明顯降低，在 15 時(shí)的時(shí)候各模型召回率達(dá)到最低。為了得到總體更高的召回率，我選擇在各個(gè)時(shí)間段召回率最高的模型作為預(yù)測(cè)模型。通過(guò)在不同的時(shí)間段運(yùn)用不同的模型和特征進(jìn)而組合得到我們的最終模型。其中的 logDataCount5 是一種投票法，因?yàn)樵嫉臄?shù)據(jù)對(duì)于每個(gè)點(diǎn)都有 10 個(gè)模型的預(yù)測(cè)數(shù)據(jù)，而這些模型的預(yù)測(cè)數(shù)據(jù)也不盡相同。有時(shí)風(fēng)力會(huì)在臨界點(diǎn)附近徘徊，有的模型數(shù)據(jù)會(huì)在臨界點(diǎn)之上有的會(huì)在臨界點(diǎn)之下，我們采用哪種方式呢，一種比較簡(jiǎn)單的方法就是采用投票的方式統(tǒng)計(jì)在臨界點(diǎn)之上的模型有幾個(gè)，在這里我們選擇以 5 票顯示危險(xiǎn)就認(rèn)為這是危險(xiǎn)點(diǎn)。在最初我也無(wú)法確定幾票比較好，于是我們用把投票數(shù)為 4、5、6 得到的召回率畫(huà)在同一幅圖上如圖 3-3 所示。

圖 3 -3 投票模型 F1 分?jǐn)?shù)對(duì)比圖Figure 3-3 Voting model F1 score comparison chart由圖上可以看出投 5 票在 8 個(gè)小時(shí)所得的 F1 較高，在后面幾個(gè)小時(shí) F1 有所下降。但從各模型的對(duì)比圖也能看出投票方法也就在前 8 時(shí)表現(xiàn)比其他模型更優(yōu)秀，所以決定在最終的模型上的投票模型部分選擇投 5 票的模型。而 L1logisticAllFeuturelog 指的是使用經(jīng)過(guò)我們的特征提取后得到的全部特征數(shù)據(jù)然后用 LogisticRegression 模型進(jìn)行預(yù)測(cè)，懲罰函數(shù)用的是 L1。xgbLogData 就是XGBoost 進(jìn)行二分類預(yù)測(cè)。meanLogData 就是用原始的 10 個(gè)特征的均值作為預(yù)測(cè)結(jié)果進(jìn)行二分類后得到的日志。我們訓(xùn)練多個(gè)預(yù)測(cè)模型然后把每個(gè)模型調(diào)整到最優(yōu)的參數(shù)，然后把這些模型的預(yù)測(cè)進(jìn)行測(cè)試，進(jìn)而計(jì)算出他們的 F1 值，在比較他們?cè)诟鲿r(shí)段的 F1 值，在各時(shí)段尋找到 F1 值最高的模型，作為模型的預(yù)測(cè)模型的一部分，從圖 3-2 可以看出當(dāng)時(shí)間在 3,4,5,6,7,8,17,18,19,20 的時(shí)候都是meanLogData 的 F1 值最高，在 11,12,13,14 時(shí)的時(shí)候是投票法最高，在 9 時(shí)和 15時(shí)是 L1Logistic 的 F1 值最高，在 10，16 時(shí)是 XGboost 的 F1 值最高，這樣我們可以據(jù)此構(gòu)造出我們的最終的融合模型如圖 3-4 所示。


本文編號(hào)：2904235