自由式滑雪空中技巧赛道风速风向超短期预测与分析

doi:10.7523/j.ucas.2020.0043

中国科学院大学学报 ›› 2022, Vol. 39 ›› Issue (3): 332-342.DOI: 10.7523/j.ucas.2020.0043

• 电子信息与计算机科学 • 上一篇下一篇

自由式滑雪空中技巧赛道风速风向超短期预测与分析

邓紫薇^1,2,3, 邵芸^1,2,3, 王国军^1,3, 黄富祥⁴, 杨佳琦⁵

1. 中国科学院空天信息创新研究院, 北京 100094;
2. 中国科学院大学, 北京 100049;
3. 中科卫星应用德清研究院, 浙江德清 313200;
4. 国家卫星气象中心, 北京 100081;
5. 北京大学地球与空间科学学院, 北京 100871

收稿日期:2020-06-28 修回日期:2020-08-18 发布日期:2021-05-31
通讯作者: 邵芸
基金资助:
国家重点研发计划(2019YFF0301900)资助

Ultra-short-term prediction and analysis of wind speed and direction of freestyle skiing aerial skill track

DENG Ziwei^1,2,3, SHAO Yun^1,2,3, WANG Guojun^1,3, HUANG Fuxiang⁴, YANG Jiaqi⁵

1 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China;
2 University of Chinese Academy of Sciences, Beijing 100049, China;
3 Deqing Academy of Satellite Applications, Deqing 313200, Zhejiang, China;
4 National Satellite Meteorological Center, Beijing 100081, China;
5 School of Earth and Space Sciences, Peking University, Beijing 100871, China

Received:2020-06-28 Revised:2020-08-18 Published:2021-05-31

摘要/Abstract

摘要： 旨在实现对赛道上风速风向的超短期预测,为自由式滑雪空中技巧提供实用有效的风速风向预报信息,为运动员稳定性控制与技术训练提供辅助支持。针对赛道风具有非平稳、波动剧烈的特点,采用离散小波变换提取风速风向序列的特征分量,对低频近似分量建立非线性自回归(NAR)神经网络模型,高频细节分量建立差分自回归移动平均(ARIMA)模型,再将各分量结果组合相加得到最终预测结果。误差分析表明组合模型能有效改善单一模型的预测滞后性,预测精度高同时具备预测风速风向突变的能力。对预测结果进一步分析,将其转换为表征赛道风稳定性的指标,来为运动员提供更直观的预报信息。最后对模型计算用时分析表明该方法能够满足实际应用的需求。

关键词: 滑雪赛道, 风速风向预测, 小波变换, NAR动态神经网络, ARIMA模型

Abstract: Freestyle skiing aerial skills are the dominant snow sports in China, and the wind has a particularly significant impact on this sport. This article aims to realize ultra-short-term prediction of wind speed and direction on the track, provide practical and effective forecast information for this sport, and provide auxiliary support for athlete stability control and technical training. In view of the non-stationary and violent fluctuations of the track wind, the discrete wavelet transform is used to extract the characteristic components of the wind speed and direction sequence, the NAR neural network model is established for the low-frequency approximate component, and the ARIMA model is established for the high-frequency detail component, and then the results of each component are combined the final prediction result. The error analysis shows that the combined model can effectively improve the prediction lag of the single model, improve the prediction accuracy and have the ability to predict sudden changes in wind speed and direction. The prediction results is further analyzed, and converted into indicators that characterize track wind stability to provide more intuitive forecast information. Finally, the analysis of model calculation time shows that this method can meet the needs of practical applications.

Key words: ski track, wind speed and direction prediction, wavelet transform, NAR dynamic neural network, ARIMA model

中图分类号:

G863.1

邓紫薇, 邵芸, 王国军, 黄富祥, 杨佳琦. 自由式滑雪空中技巧赛道风速风向超短期预测与分析[J]. 中国科学院大学学报, 2022, 39(3): 332-342.

DENG Ziwei, SHAO Yun, WANG Guojun, HUANG Fuxiang, YANG Jiaqi. Ultra-short-term prediction and analysis of wind speed and direction of freestyle skiing aerial skill track[J]. Journal of University of Chinese Academy of Sciences, 2022, 39(3): 332-342.

参考文献

[1] 夏娇阳,韩秀华,马毅,等.自由式滑雪运动员曲线滑道段内空气动力特性的CFD研究[J].天津体育学院学报,2014,29(3):190-192,202. DOI:10.13297/j.cnki.issn1005-0000.2014.03.008.
[2] 刘瑞叶,黄磊.基于动态神经网络的风电场输出功率预测[J].电力系统自动化,2012,36(11):19-22,37.
[3] Sideratos G, Hatziargyriou N D. An advanced statistical method for wind power forecasting[J]. IEEE Transactions on Power Systems, 2007, 22(1):258-265. DOI:10.1109/TPWRS.2006.889078.
[4] An X L, Jiang D X, Zhao M H, et al. Short-term prediction of wind power using EMD and chaotic theory[J]. Communications in Nonlinear Science and Numerical Simulation, 2012, 17(2):1036-1042. DOI:10.1016/j.cnsns.2011.06.003.
[5] Costa A, Crespo A, Navarro J, et al. A review on the young history of the wind power short-term prediction[J]. Renewable and Sustainable Energy Reviews, 2008, 12(6):1725-1744. DOI:10.1016/j.rser.2007.01.015.
[6] Kusiak A, Zheng H Y, Song Z. Short-term prediction of wind farm power: a data mining approach[J]. IEEE Transactions on Energy Conversion, 2009, 24(1):125-136. DOI:10.1109/TEC.2008.2006552.
[7] Mathieu A, Lahellec A, Weill A. Evaluation of a numerical weather forecast model using boundary layer cloud-top temperature retrieved from AVHRR[J]. Monthly Weather Review, 2004, 132(4):915-928. DOI:10.1175/1520-0493(2014)132〈0915:EOANWF〉2.0.CO;2.
[8] 丁藤,冯冬涵,林晓凡,等.基于修正后ARIMA-GARCH模型的超短期风速预测[J].电网技术,2017,41(6):1808-1814. DOI:10.13335/j.1000-3673.pst.2016.2357.
[9] Chen P Y, Pedersen T, Bak-Jensen B, et al. ARIMA-based time series model of stochastic wind power generation[J]. IEEE Transactions on Power Systems, 2010, 25(2): 667-676. DOI:10.1109/TPWRS.2009.2033277.
[10] Torres J L, García A, de Blas M, et al. Forecast of hourly average wind speed with ARMA models in Navarre (Spain)[J]. Solar Energy, 2005, 79(1): 65-77. DOI:10.1016/j.solener.2004.09.013.
[11] Erdem E, Shi J. ARMA based approaches for forecasting the tuple of wind speed and direction[J]. Applied Energy, 2011, 88(4):1405-1414. DOI:10.1016/j.apenergy.2010.10.031.
[12] 王小娟,刘俊霞,胡兵,等.基于CS-SVR模型的短期风电功率预测[J].计算机测量与控制,2020,28(1):152-155. DOI:10.16526/j.cnki.11-4762/tp.2020.01.032.
[13] 王晓兰,王明伟.基于小波分解和最小二乘支持向量机的短期风速预测[J].电网技术, 2010,34(1):179-184. DOI:10.13335/j.1000-3673.pst.2010.01.008.
[14] 彭春华,刘刚,孙惠娟.基于小波分解和微分进化支持向量机的风电场风速预测[J].电力自动化设备, 2012,32(1):9-13. DOI:10.3969/j.issn.1006-6047.2012.01.002.
[15] 刘爱国,薛云涛,胡江鹭,等.基于GA优化SVM的风电功率的超短期预测[J].电力系统保护与控制,2015,43(2):90-95.
[16] Büyükᶊahin Ü Ç, Ertekin. Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition[J]. Neurocomputing, 2019, 361:151-163. DOI:10.1016/j.neucom.2019.05.099.
[17] 赵辉,华海增,岳有军,等.基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测[J]. 科学技术与工程, 2019, 19(29): 137-143. DOI:10.3969/j.issn.1671-1815.2019.29.022.
[18] 李华,任艺迪,谷瑞政,等.基于花朵授粉算法的组合式风速预测[J].科学技术与工程,2020,20(4):1436-1441. DOI:10.3969/j.issn.1671-1815.2020.04.021.
[19] 颜宏文,卢格宇.CEEMD-WT和CNN在短期风速预测中的应用研究[J].计算机工程与应用,2018,54(9):224-230.
[20] 杨正瓴,刘阳,张泽,等.采用最近历史观测值和PLSR进行空间相关性超短期风速预测[J].电网技术,2017,41(6):1815-1822. DOI:10.13335/j.1000-3673.pst.2016.2295.
[21] 陈妮亚,钱政,孟晓风,等.基于空间相关法的风电场风速多步预测模型[J].电工技术学报,2013,28(5):15-21. DOI:10.19595/j.cnki.1000-6753.tces.2013.05.002.
[22] 李文良,卫志农,孙国强,等.基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型[J].电力自动化设备,2009,29(6):89-92. DOI:10.3969/j.issn.1006-6047.2009.06.020.
[23] 王东风,王富强,牛成林.小波分解层数及其组合分量对短期风速多步预测的影响分析[J].电力系统保护与控制,2014,42(8):82-89.
[24] 田中大,李树江,王艳红,等.基于小波变换的风电场短期风速组合预测[J].电工技术学报,2015,30(9):112-120. DOI:10.19595/j.cnki.1000-6753.tces.2015.09.015.
[25] 姜丽霞,王晾晾,吕佳佳,等.基于Hurst指数的黑龙江省作物生长季降水趋势研究[J].气象与环境学报,2020,36(2):70-77. DOI:10.3969/j.issn.1673-503X.2020.02.009.
[26] 潘雅婧,王仰麟,彭建,等.基于小波与R/S方法的汉江中下游流域降水量时间序列分析[J].地理研究,2012,31(5):811-820.
[27] Han Z T, Cheng M Z, Chen F X, et al. A spatial load forecasting method based on DBSCAN clustering and NAR neural network[J]. Journal of Physics: Conference Series, 2020, 1449(1): 012032. DOI:10.1088/1742-6596/1449/1/012032.
[28] Wei S K, Zuo D P, Song J X. Improving prediction accuracy of river discharge time series using a Wavelet-NAR artificial neural network[J]. Journal of Hydroinformatics, 2012, 14(4):974-991. DOI:10.2166/hydro.2012.143.
[29] 葛宇生.基于NAR动态神经网络后验信息的概率水文预报[D].哈尔滨:东北农业大学,2016.
[30] 向小东,黄飘.基于EEM D-NAR的突发传染病舆情热度预测研究[J].武汉理工大学学报(信息与管理工程版),2019,41(4):352-358. DOI:10.3963/j.issn.2095-3852.2019.04.002.

自由式滑雪空中技巧赛道风速风向超短期预测与分析

Ultra-short-term prediction and analysis of wind speed and direction of freestyle skiing aerial skill track

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	毛成林, 万寿红, 岳丽华, 夏瑜. 一种基于双树复小波变换的SAR图像边缘检测算法[J]. 中国科学院大学学报, 2014, 31(2): 238-242.
[2]	冷晓旭, 肖俊. 一种基于Haar小波和归一化的鲁棒零水印算法[J]. 中国科学院大学学报, 2013, 30(3): 410-416.
[3]	葛仕明, 程义民, 李杰, 潘浩. 基于边缘和梯度场的图像表示和压缩方法[J]. 中国科学院大学学报, 2009, 26(2): 235-242.
[4]	陈康刘建军凃国防. 一种基于CCSDS IDC标准的可伸缩性视频编码算法[J]. 中国科学院大学学报, 2009, 26(1): 114-120.
[5]	张弘, 王颖. 基于哈希函数的小波域脆弱水印算法[J]. 中国科学院大学学报, 2008, 25(1): 86-92.
[6]	符柱程健陈柱刘汉斐. 基于小波变换的静电探针测量数据的处理[J]. 中国科学院大学学报, 2007, 24(6): 835-840.
[7]	曹林王东峰邹谋炎. 基于隐马尔可夫模型的人像鉴别算法[J]. 中国科学院大学学报, 2006, 23(1): 52-59.
[8]	朱艳鑫, 王蜀娟, 宋国乡, 颜毅华. 太阳微波爆发中尖峰辐射的带宽计算[J]. 中国科学院大学学报, 2005, 22(5): 568-574.
[9]	闫镔, 王鹏, 李可, 郝晶, 吴义根, 谢千河, 支联合, 王崴, 鲁娜, 袁秀丽, 单保慈. 基于小波变换的PET图像分析(英文)[J]. 中国科学院大学学报, 2005, 22(4): 499-505.
[10]	张丽丽, 颜毅华, 宋国乡. 太阳射电爆发精细结构的特征提取和参数统计[J]. 中国科学院大学学报, 2004, 21(1): 33-39.
[11]	侯启槟, 王阳生, 黄向生, 周晓旭. 结合EZW和AES的图像加密机制[J]. 中国科学院大学学报, 2004, 21(1): 119-124.
[12]	刘笑宙, 涂国防. 小波双线性插值应用于光学遥感图像[J]. 中国科学院大学学报, 2003, 20(1): 39-43.