基于主從角色分配的氣象自動(dòng)站布局及其優(yōu)化

魏　叮,滕少華,宋靜靜,朱海濱

(1.廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院,廣州 510006;2.廣東省審計(jì)廳 計(jì)算機(jī)中心,廣州 510000;3.尼普森大學(xué) 計(jì)算機(jī)系,安大略省 諾斯貝 加拿大)

?

基于主從角色分配的氣象自動(dòng)站布局及其優(yōu)化

魏叮1,滕少華1,宋靜靜2,朱海濱3

(1.廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院,廣州 510006;2.廣東省審計(jì)廳 計(jì)算機(jī)中心,廣州 510000;3.尼普森大學(xué) 計(jì)算機(jī)系,安大略省 諾斯貝 加拿大)

摘要:在成本受限的情況下,通過優(yōu)化氣象自動(dòng)站布局,提高氣象數(shù)據(jù)收集的準(zhǔn)確率。針對(duì)自動(dòng)站作為代理可以同時(shí)扮演多個(gè)角色,提出了基于主從角色分配的GRA方法,解決多對(duì)多情況下組角色分配問題,從而優(yōu)化氣象自動(dòng)站布局。結(jié)合南方某氣象局屬下氣象自動(dòng)站現(xiàn)有布局和歷史數(shù)據(jù),并通過仿真實(shí)驗(yàn)驗(yàn)證了本方法的可行性,不僅提高了氣象數(shù)據(jù)收集準(zhǔn)確率,同時(shí)削減了成本。本文的研究可為氣象局優(yōu)化氣象自動(dòng)站布局提供參考。

關(guān)鍵詞:主從角色;E-CARGO;氣象自動(dòng)站;GRA;氣象預(yù)測(cè)

氣象預(yù)測(cè)與人們的生產(chǎn)生活息息相關(guān),對(duì)人們的生命財(cái)產(chǎn)安全以及經(jīng)濟(jì)活動(dòng)至關(guān)重要,而提高氣象數(shù)據(jù)收集的準(zhǔn)確率是提高氣象預(yù)測(cè)準(zhǔn)確率的關(guān)鍵。地面氣象預(yù)測(cè)是實(shí)現(xiàn)天氣系統(tǒng)監(jiān)測(cè)的重要手段,是氣象預(yù)報(bào)與氣候分析以及災(zāi)害監(jiān)測(cè)的重要途徑和數(shù)據(jù)基礎(chǔ)。氣象自動(dòng)站將無線傳感器和傳統(tǒng)的面氣象觀測(cè)系統(tǒng)相結(jié)合,實(shí)現(xiàn)了全天候的實(shí)時(shí)觀測(cè),克服了傳統(tǒng)人工觀測(cè)頻率低、空間分辨率低、數(shù)據(jù)誤差不確定等許多缺點(diǎn),成為地面氣象觀測(cè)新的數(shù)據(jù)基礎(chǔ)[1]。然而氣象自動(dòng)站建設(shè)成本較高,在成本有限的情況下,很難通過單一的建設(shè)新的氣象自動(dòng)站或者增加氣象數(shù)據(jù)采集設(shè)備來提高氣象數(shù)據(jù)收集的準(zhǔn)確率。因此,筆者希望通過優(yōu)化氣象自動(dòng)站的布局,提高氣象數(shù)據(jù)收集的準(zhǔn)確率。在氣象自動(dòng)站布局優(yōu)化問題中,將資金分配到各個(gè)氣象自動(dòng)站進(jìn)行設(shè)備的更新與維護(hù)以提高整體收集氣象數(shù)據(jù)的準(zhǔn)確率是一個(gè)協(xié)同的過程，而且氣象數(shù)據(jù)與氣象自動(dòng)站的關(guān)系也可以用角色與代理的關(guān)系來描述。因此,本文使用基于角色協(xié)同的E-CARGO模型來對(duì)氣象自動(dòng)站布局優(yōu)化問題進(jìn)行建模。

E-CARGO[2-3]模型是朱海濱教授在RBC系統(tǒng)的基礎(chǔ)上,基于角色協(xié)同所提出。RBC(role-based collaboration)系統(tǒng)是一種計(jì)算思維方法論,主要通過角色作為底層的機(jī)制來幫助抽象、分類。結(jié)合E-CARGO模型,將氣象自動(dòng)站與氣象數(shù)據(jù)之間的關(guān)系描述為角色與代理的關(guān)系,從而將氣象自動(dòng)站布局優(yōu)化問題轉(zhuǎn)化為一個(gè)GRA問題來解決。由于一個(gè)氣象自動(dòng)站可以安裝多種氣象數(shù)據(jù)采集設(shè)備,在同一時(shí)刻可以測(cè)量多種氣象數(shù)據(jù),因此,氣象自動(dòng)站與氣象數(shù)據(jù)是多對(duì)多的關(guān)系,即一個(gè)代理可以扮演多個(gè)角色,一個(gè)角色也可以由多個(gè)代理扮演。基于此,筆者提出了基于主從角色的分配方法,用于解決多對(duì)多情況下的GRA問題,從而解決氣象自動(dòng)站布局優(yōu)化問題。

1相關(guān)工作

目前,關(guān)于氣象預(yù)測(cè)已經(jīng)進(jìn)行了大量的研究,并且產(chǎn)生了很多研究成果[4-6]。近幾年,主流的研究方法主要基于收集到的氣象數(shù)據(jù),通過應(yīng)用人工智能算法、數(shù)據(jù)挖掘算法等來盡可能的提高氣象預(yù)測(cè)的準(zhǔn)確率。例如,JIN et al[7]基于數(shù)值天氣預(yù)報(bào)產(chǎn)品,將人工神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合,提出了一種新的預(yù)測(cè)方法,并且在中國(guó)廣西省3個(gè)不同的地方分別建立了3個(gè)人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。經(jīng)過實(shí)驗(yàn)結(jié)果表明,文章中所提出的新的預(yù)測(cè)模型在這三個(gè)地方的預(yù)測(cè)結(jié)果都要優(yōu)于中國(guó)氣象臺(tái)的T213模型和日本的NWF模型。此外,滕少華和樊繼慧[8]研究了基于KNN的多組合器對(duì)氣象數(shù)據(jù)的分析,通過構(gòu)造多個(gè)組合器對(duì)局域區(qū)域的氣象數(shù)據(jù)進(jìn)行分析,針對(duì)局部地區(qū)的降雨情況,獲得了較好的分類結(jié)果,并且通過對(duì)數(shù)據(jù)的預(yù)處理,篩選出了對(duì)降雨量有明顯影響的氣象數(shù)據(jù)屬性,也為本文對(duì)氣象自動(dòng)站布局優(yōu)化時(shí)角色的設(shè)計(jì)提供了參考。同時(shí),氣象自動(dòng)站作為收集地面氣象數(shù)據(jù)的平臺(tái),也受到眾多科研人員的關(guān)注[9-10]。氣象自動(dòng)站高頻率的觀測(cè)數(shù)據(jù)由于受到觀測(cè)地面環(huán)境的局部影響以及觀測(cè)儀器的固有缺陷,不免受到噪聲的干擾。HASU，KOIVO[11]通過對(duì)中尺度氣象自動(dòng)站網(wǎng)絡(luò)中雨和風(fēng)的測(cè)量錯(cuò)誤分析,提出了幾種自動(dòng)對(duì)雨和風(fēng)進(jìn)行測(cè)量錯(cuò)誤分析的算法,對(duì)其進(jìn)行修正。通過實(shí)驗(yàn)表明,該算法有著很好的降噪效果,提高了氣象自動(dòng)站測(cè)量數(shù)據(jù)的準(zhǔn)確率。

2氣象自動(dòng)站布局優(yōu)化建模

2.1基于主從角色的組角色分配

GRAP(Group Role Assignment Problem)是一個(gè)復(fù)雜的問題,基于遍歷搜索的算法擁有指數(shù)級(jí)時(shí)間復(fù)雜度,很難用于解決m較大的情況。在RBC系統(tǒng)中,代理扮演角色有平行模式和順序模式。平行模式意味著一個(gè)代理可在同一時(shí)刻扮演兩個(gè)或者更多的角色;順序模式表示一個(gè)代理在同一時(shí)刻只能扮演一個(gè)角色。在順序模式下,朱海濱教授提出了一種基于K-M算法的組角色分配方法,通過復(fù)制角色,調(diào)整角色和代理的個(gè)數(shù),將GRAP轉(zhuǎn)化為一個(gè)GAP,解決了順序模式下的組角色分配問題。在平行模式下,一個(gè)類似的解決GRAP問題的方法是復(fù)制代理,但復(fù)制代理卻會(huì)導(dǎo)致Q矩陣急劇膨脹。為了避免復(fù)制代理,筆者提出了主從角色的概念。

定義1主角色表示需要被代理重點(diǎn)扮演的角色,主角色有且只有一個(gè)。在氣象自動(dòng)站優(yōu)化問題中則表示作為主角色的氣象數(shù)據(jù)需要被某個(gè)代理重點(diǎn)測(cè)量。

定義2從角色表示代理次要扮演的角色,其個(gè)數(shù)大于等于零。同樣,在自動(dòng)站優(yōu)化問題中表示需要被某個(gè)代理輔助測(cè)量。

有了主從角色,平行模式下的組角色分配通過先分配主角色,再分配從角色完成。例如L=[2,1,1,2],其主角色矩陣Lm=[1,1,1,1],從角色矩陣LS=L-Lm=[1,0,0,1]。

在這里通過一個(gè)簡(jiǎn)單的例子來說明組角色的分配過程。Q矩陣表示代理扮演角色的能力,是進(jìn)行角色分配的依據(jù),是隨機(jī)產(chǎn)生的：

首先,對(duì)Lm=[1,1,1,1]和LS=[1,0,0,1]分別進(jìn)行角色分配,得到其分配矩陣TS和Tm,如下所示，

其中T[i][j]=1表示將角色r[j]分配給代理A[i]。從而,可以得到L=[2,1,1,2]的分配矩陣T=Tm+TS,如下所示：

分配矩陣Tm分配矩陣TS

組角色分配矩陣

2.2氣象自動(dòng)站布局優(yōu)化問題分析

氣象自動(dòng)站分布在不同的地理位置上,受地理環(huán)境的影響,造成自動(dòng)站測(cè)量氣象數(shù)據(jù)的能力也不盡相同。在成本受限時(shí),如何將資金投資到各個(gè)自動(dòng)站上,盡可能的提高氣象數(shù)據(jù)整體收集能力,成為氣象自動(dòng)站布局優(yōu)化問題。結(jié)合E-CARGO模型,將氣象數(shù)據(jù)描述為角色,氣象自動(dòng)站描述為代理,投資組合描述為L(zhǎng)矩陣,氣象數(shù)據(jù)與氣象自動(dòng)站之間的關(guān)系則描述為代理與角色的關(guān)系,從而將其轉(zhuǎn)化為一個(gè)組角色分配問題。在E-CARGO中,一個(gè)代理只能同時(shí)扮演一個(gè)角色,即多對(duì)一的關(guān)系,不能解決多對(duì)多的關(guān)系。但是,氣象自動(dòng)站可以同時(shí)測(cè)量多種氣象數(shù)據(jù),即一個(gè)代理可以同時(shí)扮演多個(gè)角色,是多對(duì)多的關(guān)系,如圖1所示。因此本文提出了基于主從角色的組角色分配方法,解決了多對(duì)多情況下組角色分配問題。

圖1　代理與角色的關(guān)系Fig.1　Relationship of agent and role

采用多對(duì)多情況下的組角色分配過程如下：首先,根據(jù)不同種類氣象數(shù)據(jù)收集設(shè)備的成本,將有限的資金分配給各種設(shè)備,形成需求矩陣L。例如,分別用r0，r1，r2,r3分別表示風(fēng)速、風(fēng)向、降雨量和氣溫4種氣象數(shù)據(jù),測(cè)量設(shè)備的成本分別為2.5，5，3，7(萬元)。在總成本為20萬元時(shí),L=[2,1,1,1]表示一種投資組合,其中角色的個(gè)數(shù)表示每種氣象數(shù)據(jù)收集設(shè)備的個(gè)數(shù)；其次,在Q矩陣上對(duì)所有可能的L進(jìn)行角色分配,得到分配結(jié)果,并求出評(píng)估值；最后,根據(jù)分配結(jié)果評(píng)估其對(duì)氣象數(shù)據(jù)收集準(zhǔn)確率的影響,找出一個(gè)或者幾個(gè)結(jié)果較優(yōu)的投資組合,對(duì)自動(dòng)站布局優(yōu)化提供參考。

3氣象自動(dòng)站布局及其優(yōu)化算法

氣象自動(dòng)站的布局優(yōu)化過程可以用多對(duì)多情況下的組角色分配過程來描述。為了形成GRA問題,本文用A表示代理集,R表示角色集,m表示代理的個(gè)數(shù),n表示角色的個(gè)數(shù),同時(shí)給出了下面的說明。

1) 角色范圍向量 L:表示為L(zhǎng)[j](0≤j

2) Q矩陣:A×R→[0,1],Q[i,j]表示代理Ai扮演角色rj的能力。

3) 角色分配矩陣T:A×R→{0,1},如果T[i,j]=1,表示將角色rj分配給代理Ai;如果T[i,j]=0,則相反(0≤i

組角色分配問題即找到一個(gè)分配矩陣(T,max{α})

Subject to

在進(jìn)行組角色分配前,我們將L矩陣拆分成Lm和LS,然后對(duì)Lm調(diào)用K-M算法。為了應(yīng)用K-M算法,必須根據(jù)Lm矩陣將Q矩陣轉(zhuǎn)化為一個(gè)平方矩陣,朱海濱給出了一個(gè)轉(zhuǎn)換函數(shù)Transfer[13]。在此基礎(chǔ)上,給出了本文所使用的轉(zhuǎn)換函數(shù)MTransfer,主要在對(duì)Q矩陣進(jìn)行轉(zhuǎn)換前,跟據(jù)L矩陣中角色個(gè)數(shù)是否為零,對(duì)Q矩陣進(jìn)行預(yù)處理。例如L=[1,0,0,1],因?yàn)長(zhǎng)[1]和L[2]的值都為零,所以將Q矩陣中所對(duì)應(yīng)的列元素全部置為0,再調(diào)用Transfer函數(shù)。其次,對(duì)Lm調(diào)用K-M算法得到其分配矩陣Tk(k=0,…,n),根據(jù)Tk中元素值為1的位置將Q矩陣中的值置為0,從而避免二次分配。最后判斷LS矩陣中所有元素是否為0,若是,則將Tk相加,得到最終分配結(jié)果T,結(jié)束分配過程;否則,令L=LS,重復(fù)上述分配過程。

首先,給出本文所用轉(zhuǎn)換函數(shù)MTransfer:

算法1MTransfer

輸入:m,n,m×n矩陣Q,n維向量L

輸出:m×m平方矩陣M

Mtransfer(Q,L,m,n,M)

{for(j=0;j

Ltmp[j]=L[j];

for(i=0;i

for(j=0;j

{IF(Ltmp[j]==1)

Qtmp[i][j]=Q[i][j];

ELSE

Qtmp[i][j]=0;

}

Transfer(Qtmp,Ltmp,m,M);

}

在給出MTransfer函數(shù)之后,下面給出本文的組角色分配算法:

算法2組角色分配.

輸入:m,n,m×n矩陣Q,n維L向量

RatedAssign(L,Q,m,n,β)

{

Step1:將L向量中非零元素減1,得到LS,Lm=L-LS;

step2:M Transfer(Q,Lm,m,n,M);

Step3:K-M(M);

Step4:從step3結(jié)果得到分配矩陣Tk(0≤k

Step5:若LS元素不全為0,則轉(zhuǎn)到step1;

Step7:若T為成功分配,則計(jì)算

Step8:返回T與α;

}

此算法的時(shí)間復(fù)雜度為O(m3),m=max{m,n};其中:

O(m):step1 step5

O(m2):step2 step4 step6

O(1):step7

O(m3):step3

4仿真實(shí)驗(yàn)及結(jié)果分析

本仿真實(shí)驗(yàn)在主從角色概念的基礎(chǔ)上結(jié)合E-CARGO模型,并利用南方某氣象局氣象自動(dòng)站現(xiàn)有布局和歷史氣象數(shù)據(jù)進(jìn)行。仿真實(shí)驗(yàn)所使用的硬件平臺(tái)為臺(tái)式機(jī),處理器為英特i3-2130(3.4 GHz),內(nèi)存4 GB。實(shí)驗(yàn)開發(fā)環(huán)境為Windows 7與VC2010。

4.1仿真實(shí)驗(yàn)方法及過程

窮舉法是解決組角色分配問題的一種傳統(tǒng)方法,并且是全局最優(yōu)算法,但是其指數(shù)級(jí)的時(shí)間復(fù)雜度很難在有限的時(shí)間內(nèi)得出結(jié)果,難以用于解決規(guī)模較大的實(shí)際問題。基于主從角色分配方法不是全局最優(yōu),但是其在時(shí)間效率和準(zhǔn)確率的綜合下有著很好的效果,因此適用于解決規(guī)模較大的實(shí)際問題。本實(shí)驗(yàn)將與窮舉法進(jìn)行對(duì)比,進(jìn)行驗(yàn)證。本文所提方法計(jì)算過程如下:

Step1: 輸入L、Q(m×n)矩陣

Step2：調(diào)用RatedAssign函數(shù)計(jì)算得出分配結(jié)果

Step3：記錄分配結(jié)果和時(shí)間消耗

窮舉法計(jì)算過程如下:

Step1: 輸入L、Q(m×n)矩陣

Step2：根據(jù)L中每列角色個(gè)數(shù)計(jì)算出分配方法數(shù)量

Step3: 遍歷所有組合，比較每種組合的評(píng)估值，得到評(píng)估值最大的一種組合即為分配結(jié)果。

Step4：記錄分配結(jié)果和時(shí)間消耗

4.2實(shí)驗(yàn)結(jié)果及其分析

南方某氣象局目前共建設(shè)了19個(gè)氣象自動(dòng)站,所需收集的氣象數(shù)據(jù)為48項(xiàng),其中去除重復(fù)的時(shí)間數(shù)據(jù)項(xiàng)10項(xiàng)和一項(xiàng)缺省數(shù)據(jù)項(xiàng),本實(shí)驗(yàn)將角色種類m設(shè)為37,代理個(gè)數(shù)n設(shè)為19,L被隨機(jī)賦予1或者2,保證每個(gè)角色都有足夠的代理來執(zhí)行。由于窮舉法在問題規(guī)模較大時(shí),分配一次所花費(fèi)時(shí)間巨大,因此規(guī)定其分配一次所花費(fèi)時(shí)間超過10 min,則表示其無法得到分配結(jié)果。實(shí)驗(yàn)記錄了兩種方法分配一次的時(shí)間,其中,若窮舉法花費(fèi)時(shí)間超過10 min,則記錄為10 min。

如圖2所示,窮舉法每次分配花費(fèi)的時(shí)間均超過了10 min,而主從角色分配方法分配一次的平均時(shí)間遠(yuǎn)小于窮舉法,僅為178.6 us。這說明本文所提方法在時(shí)間效率上遠(yuǎn)優(yōu)于窮舉法,能夠解決自動(dòng)站布局優(yōu)化問題。

圖2　組角色分配時(shí)間分布Fig.2　Distribution of assignment time for group role assignment

隨著m的增大，筆者所提方法分配一次消耗的時(shí)間增長(zhǎng)緩慢，如圖3所示。由于實(shí)驗(yàn)采用隨機(jī)生成Q矩陣的方法，值的分布會(huì)影響到每次分配所消耗的時(shí)間，導(dǎo)致m較小的組消耗的時(shí)間大于m較大的組，所以最大消耗時(shí)間的增長(zhǎng)并不是線性的。最小消耗時(shí)間和平均消耗時(shí)間的增長(zhǎng)慢于O(m3)，出現(xiàn)這種情況是因?yàn)镵-M算法所使用的平方矩陣是根據(jù)Q矩陣產(chǎn)生的，可能出現(xiàn)多列被置為0的情況。因此，本方法所消耗的時(shí)間一般情況下要少于O(m3)。實(shí)驗(yàn)結(jié)果表明，本文所提方法在時(shí)間效率上要優(yōu)于窮舉法，后者在m超過15時(shí)分配一次所消耗的時(shí)間超過數(shù)小時(shí)甚至數(shù)天[14]。

圖3　根據(jù)組規(guī)模的分配時(shí)間趨勢(shì)Fig.3　Trend lines for typical times for different sizes of the groups for group role assignment

圖4　準(zhǔn)確率對(duì)比Fig.4　Comparison of accuracy rate

基于主從角色分配方法雖然在時(shí)間上優(yōu)于窮舉法,卻是次優(yōu)化方法。為了對(duì)比兩種方法的效果,本文選取了一組對(duì)比實(shí)驗(yàn),L隨機(jī)賦予1到n,n=m/2,每次實(shí)驗(yàn)重復(fù)500次,分別用α1,α2表示窮舉法和主從角色分配方法得到的評(píng)估值,用α2/α1表示主從角色分配法的準(zhǔn)確率。如圖4所示，本文所提方法的平均準(zhǔn)確率穩(wěn)定在0.9,而最低準(zhǔn)確率穩(wěn)定在0.8,最高準(zhǔn)確率接近1,說明基于主從角色的分配方法能夠達(dá)到很高的準(zhǔn)確率。

綜合上述實(shí)驗(yàn)結(jié)果,筆者所提出方法應(yīng)用于氣象自動(dòng)站布局優(yōu)化問題,是正確、有效與可行的。雖然基于主從角色分配方法是次優(yōu)化方法,但其時(shí)間復(fù)雜度為O(m3),大大優(yōu)于窮舉法。而且,通過實(shí)驗(yàn)證明在與窮舉法相比時(shí),仍然具有很高的準(zhǔn)確率。但隨著m的增大,窮舉法所花費(fèi)時(shí)間急劇增大,不能夠在合理的時(shí)間范圍內(nèi)得到分配結(jié)果,而本文所提方法在時(shí)間效率和準(zhǔn)確率的綜合下,取得了很好的效果,適合解決規(guī)模較大的問題,能夠解決自動(dòng)站布局優(yōu)化問題。

5結(jié)束語

基于仿真實(shí)驗(yàn),本文提出的角色分配方法得到了正確的角色分配結(jié)果,有效的解決了自動(dòng)站布局優(yōu)化問題,提高了氣象數(shù)據(jù)收集的準(zhǔn)確率。另外,本文在進(jìn)行角色分配并使用α評(píng)價(jià)分配結(jié)果時(shí),并未考慮氣象數(shù)據(jù)種類與氣象預(yù)測(cè)準(zhǔn)確率之間的權(quán)重關(guān)系,這是下一步的研究工作。

參考文獻(xiàn)：

[1]沈軍,楊敏華.氣象自動(dòng)站觀測(cè)站數(shù)據(jù)處理方法研究[D].長(zhǎng)沙：中南大學(xué),2011.

[2]ZHUHaibin.Collectivegrouproleassignmentanditscom-lexity[C]∥IEEE.ProceedingsoftheSystems,Man,andCybernetics.Alaska:[s.n.],2011:351-356.

[3]ZHUHaibin,ZHOUMengchu.Role-basedcollaborationanditskernelmechanisms[J].Systems,ManandCybernetics,partC:ApplicationsandReviews,2006,36(4):578-589.

[4]SHARMAA,MANORIAM.Aweatherforecastingsystemusingconceptofsoftcomputing:anewapproach[C]∥IEEE.ProceedingsoftheAdvancedComputingandCommunication.Salem,India:[s.n.],2006:353-356.

[5]GIllJ,SINGHB,SINGHS.Trainingbackpropagationonneuralnetworkswithgeneticalgorithmforweatherforecasting[C]∥ProceedingsoftheIntelligentSystemsandInformatics.Subotica,Yugoslavia:[s.n.],2010:465-469.

[6]ASADIS,SHAHRABIJ,ABBASZADEHP,etal.Anewhybridartifi-cialneuralnetworksforrainfall-runoffprocessmodeling[J].Neurocomputing,2013,121:470-480.

[7]JINLong,LINJianling,LINKaiping.Precipitationmodelingusingnetworkandempiricalorthogonalfunctionbasedonnumericalweatherforecastproduction[C]∥IEEE.ProceedingsoftheIntelligentControlandAutomation.Dalian:[s.n.],2006:2723-2727.

[8]滕少華,樊繼慧,張巍,等.基于KNN的多組合器協(xié)同挖掘局域氣象數(shù)據(jù)[J].廣東工業(yè)大學(xué)學(xué)報(bào),2014,31(1):25-31.

[9]王小蕾,林捷.自動(dòng)氣象站溫度傳感器的輻射誤差[J].解放軍理工大學(xué)學(xué)報(bào),2006,7(4):405-408.

[10]LIJianming,HANLei,ZHENShuyong,etal.TheassessmentofautomaticweatherstationoperatingqualitybasedonfuzzyAHP[C]∥ProceedingsoftheMachinelearningandCybernetics.Qingdao,China,2010:1164-1168.

[11]HASUV,KOIVOH.Automaticrainandwindmeasurementfaultidentificationinmesoscaleweatherstationnetwork[C]∥IEEE.ProceedingsoftheInstrumentationandMeasurementTechnology.Victoria,BC,Canada：[s.n.],2008:489-494

[12]ZHUHaibin,ZHOUMengchu,ALKINR.GrouproleassignmentviaaKuhn-Munkresalgorithm-basedsolution[J].Systems,ManandCybernetics,partA:SystemsandHumans,2012,42(3):739-750.

[13]ZHUHaibin,ZHOUMengchu.EfficientroletransferbasedonKuhn-Munkersalgorithm[J].Systems,ManandCybernetics,partA:SystemsandHumans,2012,42(2):491-496.

[14]ZHUHaibin,ZHOUMengchu,ALKINSR.Grouproleassign-ment[C]∥IEEE.ProceedingsoftheACM/IEEEint’lSymposium,onCollaborativeTechnologyandSystems,Baltimore,USA:[s.n.],2009:431-439.

(編輯：賈麗紅)

Automatic Weather Station Layout and its Optimization Based on Master-slave Role Assignment

WEI Ding1,TENG Shaohua1,SONG Jingjing2,ZHU Haibin3

(1.SchoolofComputerScienceandTechnology,GuangdongUniversityofTechnology,Guangzhou510006,China;2.DepartmentofComputerTechnology,AuditOfficeofGuangdongProvince,Guangzhou510000,China;3.DepartmentofComputerScience,NipissingUniversity,Ontario,Canada)

Abstract:The key to weather forecast is to improve the accuracy of the meteorological data collection.Although we can increase the amount of meteorological data collection equipment and the number of collection points, we are unable to improve the accuracy of the meteorological data collection.Under cost-constrained condition, this paper improved the accuracy of the meteorological data collection by optimizing the layout of automatic weather station. Based on the existing automatic weather station layout and historical weather data of a southern meteorological bureau,the E-CARGO model was used to model and optimize the layout of automatic weather station and convert the problem to a GRA problem. Because an automatic weather station as an agent can play multiple roles at the same time,a revised GRA method based on master-slave role assignment was proposed to solve the group role assignment problem and optimize the layout of automatic weather stations.The data for the simulation experiment come from the existing automatic weather station layout and historical meteorological data of a southern meteorological bureau. The results of the experiments indicate that the proposed method is effective, valid and feasible. This study may provide references for automatic weather station layout optimization of meteorological bureau.

Key words:master-slave role;E-CARGO;automatic weather station;GRA;weather forecast

文章編號(hào):1007-9432(2016)02-0233-06

*收稿日期：2015-05-30

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目：RBAC授權(quán)決策支持模式研究(61104156)

作者簡(jiǎn)介：魏叮(1989-)，男，安徽宿州人，碩士生，主要研究領(lǐng)域?yàn)榛诮巧膮f(xié)同，(E-mail)betterboy3@163.com通訊作者：滕少華，博士，教授，主要研究領(lǐng)域?yàn)閿?shù)據(jù)挖掘、信息安全與協(xié)同計(jì)算，(E-mail)shteng@gdut.edu.cn

中圖分類號(hào):TP311

文獻(xiàn)標(biāo)識(shí)碼:A

DOI：10.16355/j.cnki.issn1007-9432tyut.2016.02.021