本发明涉气象信息处理领域，具体涉及一种地面风向观测数据异常检测方法。
背景技术：
1、风是气象要素中表征大气运动的重要动力学变量之一，能够反映大气循环以及地球表面和大气圈热量和水汽的传输[1]。地面风向对天气预报、污染物扩散研究、交通运输安全以及农药喷施作业等方面有着直接影响[2-6]，高质量的地面风向观测数据还在建筑设计及城市规划和气候可行性论证等方面具有重要价值[7,8]。
2、观测数据能够直接反应观测设备的运行状况，通过数据分析可以远程监控设备运行状况。然而相比其他要素，自然环境中风向模式本身复杂多变，因此监控风向数据质量从而及时发现观测设备异常始终是一个难点。jimenez et al.[9]曾用移动均值和移动方差对地面风向观测数据进行质量控制，但该方法只能发现较大角度区间内风向数据样本缺失等严重的异常情况，且仅适用于历史数据。
3、我国科技工作者在基于观测数据的风向传感器故障检测方法方面开展了许多工作。何利德等[10]通过列举每位格雷码故障状态下对应的风向角度缺失范围作为故障集合元素，根据观测数据是否包含故障元素子集来判断是否存在格雷码故障。杨丽中等[11]和张永军等[12]通过匹配风向观测数据的分布与每位格雷码失效情况下的风向数据分布来检测或判断传感器故障。陈峰云[13]和刘莹等[14]采用反查风向数据格雷码的方法检测风向传感器故障，如果某位格雷码始终为0或1，或这两种状态出现次数相差过大则判断该位格雷码失效故障。
4、上述数据异常检测方案以光电式风向传感器格雷码编码为理论基础，基于特定时段数据通过判定某位格雷码值持续不变或其代表的角度范围内风向数据持续缺失来判断风向数据异常。它们共性存在的问题是：第一，为了保证有较高的检测准确率，统计时段多设定为月或旬。然而周期性检测的时间窗口设定是一个难题，过大难以及时发现数据异常且不能发现间断出现的异常，过小则可能产生较多误判，影响这些方法在业务系统中的应用；第二，风向观测设备故障涉及多个组件，上述方法对于一些表象与格雷码失效故障不同的数据异常无法检出；第三对于使用其他类型的风向传感器，比如霍尔效应电磁式风向传感器、电阻式风向传感器和超声波式风向传感器采集的风向数据，前述方法也无能为力。
5、参考文献
6、[1]hui w,xiaolan w,val r.swail.homogenization and trend analysis ofcanadian near-surface wind speeds.journal ofclimate,2010,23(3):1209-1225.
7、[2]arthur t.degaetano.a quality-control routine for hourly windobservations.journal of atmospheric and oceanictechnology,1997,14(4):308-317..
8、[3]廖碧婷,黄俊,王春林等.广州地区灰霾过程和清洁过程的边界层特征对比分析.中国环境科学,2018,38(12),4432-4443.
9、[4]于庚康,王博妮,陈鹏等.2013年江苏连续雾-霾天气的特征分析.气象,2015,41(5),622-629.
10、[5]秦剑,赵刚,陈艳等.金沙江下游局地大气层风场变化特征.气象,2013,39(6),749-758.
11、[6]牛迪宇，包云轩，袁程松等江苏省典型高速公路强风和强横风时空分布特征自然灾害学报，2017,26(4),63-76
12、[7]mehmet ak,sinem ozdede.urban landscape design and planningrelated to wind effects.oxidation communications 39(1)：699-710
13、[8]yang，j，fu，x(2020)wind environment optimization design practice inplanning and design.in：the centre of city：wind environment and spatialmorphology.springer，singapore.https：//doi.org/10.1007/978-981-13-9690-8_7
14、[9]pedro a.jime′nez，j.fidel gonza′lez-rouco，jorge navarro.qualityassurance of surface windobservations from automated weather stations.journalof atmospheric and oceanic techno/ogy，2010,27(7)：1101-1122.
15、[10]何立德，沈雪峰，吴书成利用集合理论定位判定风向传感器故障气象水文海洋仪器，2009(1)：69-71
16、[11]杨丽中，李崇志，于清平风向数据在判断传感器故障方面的分析释用气象水文海洋仪器，2010(6)：86-89
17、[12]陈峰云反查格雷码检测ec9-1型风向传感器故障气象水文海洋仪器，2010(1)：89-92
18、[13]张永军，邹超，杨恒祥等基于分布律规则的风向传感器故障检测算法气象科技，2013,41(5),837-842
19、[14]刘莹，王海军，李中华基于观测数据的风向传感器故障检测方法设计与应用气象，2015,41(11)，1408-1416。
技术实现思路
1、针对现有技术方法中的不足，本发明根据获取的规定窗口内风向观测数据估计风向变化的模型参数，建立风向变化模型，采用稀疏角度风向落点前驱表记录风向数据信息；将风向数据建模为[0，360)度范围内的一个随机游走过程，通过寻找稀疏区间或空区间来发现潜在的异常情况；考察非稀疏区间或非空区间风向点后继的分布，并利用本发明给出的判定其是否属于极小概率的非典型性风向序列模式的方法，判定风向序列是否异常。本发明给出的检测方法不依赖于特定的格雷码编码原理，具有风向异常序列检测一般性，可以检测出复杂的风向异常序列并避免对真实的风向长时间稳定少变的情况形成误判，提高了检测方法的鲁棒性。
2、本发明具体包括如下步骤：
3、步骤p1：参数设定
4、步骤p2：获取规定窗口内的风向数据；
5、步骤p3：建立风向变化序列；
6、步骤p4：估计风向变化模型的尺度参数；
7、步骤p5：建立风向变化统计模型；
8、步骤p6：构建稀疏角度风向落点前驱表；
9、步骤p7：识别目标稀疏风向区间；
10、步骤p8：考虑单稀疏区间的异常判定；
11、步骤p9：识别目标空风向区间；
12、步骤p10：考虑所有空区间的异常判定。
13、上述一种地面风向观测数据异常检测方法，在步骤p1中：对要获取的风向数据窗口长度t，最小考察区间阈值msw，分割的非稀疏区间或非空区间宽度nsw，稀疏阈值st，限定算法考虑的稀疏区间两侧邻接区域大小的参数sp和异常判定阈值εt等参数进行设定。
14、上述一种地面风向观测数据异常检测方法，在步骤p2中：按照步骤p1设定的窗口长度t，从一个风向观测序列中获取待判定的一段风向数据序列xt＝{x1，x2，x3，...，xi，...，xt}，xi∈[0，360)；风向数据来自传输网络的实时风向观测数据或者来自接收后存储到数据文件中的历史数据。
15、上述一种地面风向观测数据异常检测方法，在步骤p3中：对步骤p2获取的风向数据序列xt依据公式(1)进行变换，得到含有t-1个元素的风向变化序列dt，d为其中元素
16、
17、其中[]为取整数部分，di∈[-180,180]。
18、上述一种地面风向观测数据异常检测方法，在步骤p4中：依据公式(2)估计风向变化模型的尺度参数λ
19、
20、如果λ＝0且风向数据序列覆盖的时间长度超过12小时，那么报告风向数据异常，终止异常判断过程。
21、上述一种地面风向观测数据异常检测方法，在步骤p5中：依据公式(3)建立风向变化d的统计模型
22、
23、其中是位置参数为0、尺度参数为λ的拉普拉斯分布laplace(0，λ)，f(·)为拉普拉斯分布的累积密度函数，i()为布尔函数，当条件为真时取1，条件为假时取0。
24、上述一种地面风向观测数据异常检测方法，在步骤p6中：通过设计一个稀疏角度风向落点前驱表来记录步骤p2获取的风向数据序列xt中各角度风向数据数量和满足稀疏条件的风向点的前驱信息。
25、该表由对应360个风向角度的表头节点数组heads[0，…，359]和记录每个角度风向数据落点的前驱风向点情况的不定数量的node节点构成；其中，head节点含有稀疏阈值st，记录对应风向角度上风向点数量count和指向node节点的指针plink；node节点含有前驱点所在角度preloc、前驱风向点的序号index，以及指向下一个node点的指针plink；
26、通过扫描步骤p2获取的风向数据序列xt，统计各角度风向点数量并计入count；如果某一角度的风向点数量小于给定的稀疏阈值st，用node节点记录其前驱风向点的相关角度和索引信息。
27、建立的稀疏角度风向落点前驱表可以用于后续特定区间的选择。利用表中的前驱风向点信息可以获取一个风向区间有多少后继风向点落入特定的稀疏区间或空区间，从而可以完成后续的异常判断。
28、上述一种地面风向观测数据异常检测方法，在步骤p7中：基于给定的稀疏阈值st和最小考察区间阈值msw，在步骤p6构建的稀疏角度风向落点前驱表中寻找度数间隔≥msw、风向落点数量≤st的尽可能大的不重叠的稀疏风向区间，记为sk，k＝1，…r；
29、这样的区间可能有0个或多个，如果不存在这样的稀疏区间，报告该段风向数据正常；否则，执行步骤p8。
30、上述一种地面风向观测数据异常检测方法，在步骤p8中：对于步骤p7获得的任意目标稀疏风向区间sk＝[d1，d2]，执行下列步骤：
31、步骤p801：在sk两侧分别划分出连续且不重叠的、宽度为nsw的sp/2个风向区间，这组风向区间一定含有非稀疏区间，假定有q个非稀疏区间，记为{nsi}，i＝1，…q，并分别统计各非稀疏区间内风向数据点数量{ni}。
32、步骤p802：按公式(4)估计步骤p801获得的任意非稀疏区间nsi内风向点xt的后继落到sk内的概率：
33、
34、其中为nsi和sk两个区间中心的距离，为sk的区间宽度。
35、步骤p803：依据步骤p6所构建的稀疏角度风向落点前驱表统计各非稀疏区间风向数据点后继落在稀疏区间sk内的数量，得到{mi}，i＝1，...，q；
36、步骤p804：对于给定的概率阈值εt，nsi内风向点后继落入sk的数量为zi，按照公式(8)计算联合概率p{z1≤m1，...，zq≤mq}
37、
38、如果p{z1≤m1，...，zq≤mq}满足下式
39、p{z1≤m1，...，zq≤mq}<εt (9)
40、报告风向数据异常，终止判定过程。
41、其中p{zi＝j}为nsi中风向点的后继落入si中的个数为j的概率，ni为第i个非稀疏带中的风向点数。
42、特别地，当st＝0时，则m1至mq均为0，则有
43、
44、风向数据异常的判定依据相应简化为满足公式(11)
45、p{z1＝0，...，zq＝0}<εt (11)
46、报告风向数据异常，终止判定过程。
47、上述一种地面风向观测数据异常检测方法，在步骤p9中：给定最小考察区间阈值msw，依据步骤p6构建的稀疏角度风向落点前驱表中的风向点计数寻找角度区间宽度≥msw，风向落点数量为0的尽可能大的风向区间，记为bk，k＝1，…r；这样的区间可能有0个或多个，如果不存在这样的空风向区间，报告数据正常；否则，进行步骤p10。
48、上述一种地面风向观测数据异常检测方法，在步骤p10中：具体包括如下步骤：
49、步骤p1001：将[0，360)风向范围内不是空区间的部分划分为不重叠的、给定宽度为nsw的一组非空区间{nbi}，并分别统计各非空区间内风向点数量{ni}，i＝1，…q。宽度不足nsw的部分舍弃；
50、步骤p1002：按公式(16)估计步骤p1001获得的非空区间nbi内风向点xt的后继落到步骤p9识别的空区间bk内的概率：
51、
52、其中为nbi和bk两个区间中心的距离，为bk的区间宽度。
53、步骤p1003：计算非空区间nbi中一个风向点的后继落到空区间的概率
54、步骤p1004：按照公式(17)计算所有非空区间的风向点后继均不落入空区间的概率p{z1＝0，...，zq＝0}
55、
56、如果p{z1＝0，...，zq＝0}满足下式：
57、p{z1＝0，...，zq＝0}<εt (18)
58、则报告风向数据异常；否则，报告数据正常，终止判定过程。
59、本发明的有益效果如下：
60、1.本发明首次建立了风向点跳转的概率模型，并设计了通过这一概率模型进行风向数据异常判定的方法和必要的数据结构。该方法是以序列中风向点的后继跳转模式是否属于极小出现概率的非典型集作为风向序列异常的判据。这一方法可以在有统计意义的任意窗口长度内实施，具有更大的灵活性和实时性。
61、2.本发明方法不依赖于特定的格雷码编码原理，对于基于其他观测原理的风向观测设备获取的观测数据同样适用，具有风向异常序列检测一般性，大大提高了检测方法的鲁棒性。
62、3.本发明方法是基于序列中风向点后继跳转的动态过程判定风向数据序列是否异常，原理上与现有方法基于旬或月的固定时段内风向数据是否存在某位格雷码值持续不变或其代表的角度范围内风向数据持续缺失、或16方位风向分布是否异常来判断风向数据异常有本质不同。本发明可以发现前述长时段粗粒度统计分布正常而风向序列动态变化异常的情况，检出现有方法无法发现的异常，提高了敏感性。也可以在有盛行风出现情况下，避免造成现有方法将正常风向序列误判为异常的情况。
1.一种地面风向观测数据异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种地面风向观测数据异常检测方法，其特征在于，在步骤p1中：对要获取的风向数据窗口长度t，最小考察区间阈值msw，分割的非稀疏区间或非空区间宽度nsw，稀疏阈值st，限定算法考虑的稀疏区间两侧邻接区域大小的参数sp和异常判定阈值εt等参数进行设定；
3.根据权利要求1所述的一种地面风向观测数据异常检测方法，其特征在于，在步骤p5中：依据公式(3)建立风向变化d的统计模型
4.根据权利要求1所述的一种地面风向观测数据异常检测方法，其特征在于，在步骤p8中：对于步骤p7获得的每一个目标稀疏风向区间sk＝[d1,d2]，执行下列步骤：
5.根据权利要求1所述的一种地面风向观测数据异常检测方法，其特征在于，在步骤p9中：给定最小考察区间阈值msw，依据步骤p6构建的稀疏角度风向落点前驱表中的风向点计数寻找角度区间宽度≥msw，风向落点数量为0的尽可能大的风向区间，记为bk，k＝1,…r；这样的区间可能有0个或多个，如果不存在这样的空风向区间，报告数据正常；否则，进行步骤p10。
6.根据权利要求1所述的一种地面风向观测数据异常检测方法，其特征在于，在步骤p10中，具体包括如下步骤：
7.根据权利要求1所述的一种地面风向观测数据异常检测方法，其特征在于，在步骤p6中：考察步骤p2所获取窗口内风向数据序列xt中风向点xi，将xi的角度所对应表头heads[xi]的count增加1，如果count≤st，在heads[xi]为表头的链表中插入一个node节点，记录xi的前驱数据点的角度信息和序列索引；如果count＞st，则判断此角度不稀疏，清除heads[xi]为表头的node节点，不再记录具体落点的前缀情况，指针域plink置空；
8.根据权利要求1所述的一种地面风向观测数据异常检测方法，其特征在于，在步骤p802和p1002中涉及到的风向区间宽度和中心点，以及两个风向区间之间距离的计算方法如下：
9.一种地面风向观测数据异常检测的系统，其特征在于，其包括如下模块：数据获取模块，用于向所述系统输入所需的风向数据：所述来自传输网络的实时风向观测数据或者来自接收后存储到数据文件中的历史数据；序列变换模块，用于执行如权利要求1中p3步骤；风向变化建模模块，相应于p4和p5步骤；构建稀疏角度风向落点前驱表模块，相应于p6步骤；异常判别模块是本发明方法的核心部分，对应p7至p10步骤。
10.一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
