CN103426026A - 一种混合神经网络预测及识别景区气象要素的方法 - Google Patents
一种混合神经网络预测及识别景区气象要素的方法 Download PDFInfo
- Publication number
- CN103426026A CN103426026A CN2013104067114A CN201310406711A CN103426026A CN 103426026 A CN103426026 A CN 103426026A CN 2013104067114 A CN2013104067114 A CN 2013104067114A CN 201310406711 A CN201310406711 A CN 201310406711A CN 103426026 A CN103426026 A CN 103426026A
- Authority
- CN
- China
- Prior art keywords
- network
- meteorological
- scenic spot
- meteorological element
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种混合神经网络预测及识别景区气象要素的方法,包括:⑴气象观测站数据样本集的收集及归一化处理;⑵对n个气象观测站数据样本集采用减聚类算法确定各自观测站主要气象要素构建的RBF网络隐层节点个数;⑶采用混沌粒子群优化算法获得n个气象观测站各自构建的m个气象要素的RBF网络模型参数;⑷依据n个气象观测站获得的各要素最优RBF网络预测模型预测出各自气象观测站指定天数的未来气象要素值;⑸依据n个气象观测站对某一景区的软因素信息自回归调整,并预测出该景区气象要素值;⑹构建ART2网络识别及记忆该景区的天气现象。优点:构建的混合神经网络预测模型具有较好泛化性能,对景区天气预测精度高,有应用价值。
Description
技术领域
本发明涉及的是一种混合神经网络预测及识别景区气象要素的方法,属于大气科学技术领域和计算机应用技术领域。
背景技术
天气是一定区域短时间段内的大气状态及其变化的总称。天气系统通常是指引起天气变化和分布的高压、低压和高压脊槽等具有典型特征的大气运动系统。天气系统总是处在不断发生、发展和消亡的过程中,一个地区的天气和天气变化是大气的动力过程和热力过程的综合作用的结果。
天气预测是根据大气科学的原理,运用现代气候动力学、统计学等方法和电子计算机、数据库、通信技术等手段,在研究天气变异成因的基础上,对月、季、年际时间尺度的气候趋势和气候灾害进行科学预测。天气预测的结果为任何国家的政党和政府制订国民经济发展计划以及进行防灾、减灾、抗灾决策提供科学依据。天气预测可以帮助防止或者减少自然灾害造成的人员伤亡和财产损失。对于防灾减灾、推动我国经济的快速健康发展,促进社会经济的可持续发展具有重要意义。
天气预测从预测时间长短来分,主要有长期、中期、短期预测等几种,而在天气预测方法上主要采用的是统计预测方法较多,如多元回归分析、时间序列分析、典型判别分析和均生函数方法等。一般来说,受地表、地势、温度、空气分子、压力、云层、风速和风向等众多因素影响,再加上这些众多因素的相互作用、相互影响和制约、多年的天气变化难以预测,每天的天气变化更是一个复杂的非线性过程,因而依靠一般的线性统计方法往往很难准确描述这些非线性问题。1987年,人工神经网络开始在大气科学领域中得以应用,美国Neural Ware公司最早开发设计出针对天气预测系统的人工神经网络模拟程序,目前,包括中国气象局的T213模式等一批天气降水预测模型相继被提出,这些模型都尽可能找到降水量与物理量预测因子之间的某些非线性关系以及内在的数据关系模式,以求得到效果更佳的预测效果。近年来,人工神经网络方法迅速发展并在各行各业广泛应用。由于其特殊的自组织性、自适应性以及优良的非线性映射性,显示了优良的非线性处理能力,因此在天气预测问题中被广泛使用,而且该方法比普通的线性统计预测方法显示出了更好地预测能力。
世界气象组织(WMO)设置了世界气象中心(WMCS):墨尔本、莫斯科和华盛顿,下设25个分中心,北京是其中之一。通过世界气象中心和分中心,全世界都可获得气象资料。我国的VSAT通讯网和计算机系统使用位于100.5度E的“亚洲卫星二号”静止通信卫星建立的VSAT通讯网,其计算机网络系统将分布在全国各地的计算机局域网连成一个较为完整的广域网,在以上基础上各台站使用气象信息综合分析处理系统(MICAPS)获得气象数据。除了这种卫星获得数据外,还能从遍布全国各地的地面雷达站和高空气球采集获得天气数据。但由于某一局部地区受周围环境条件的影响,如某一城区人口数量的变化、该地区植被覆盖率的影响、各气象观测站对该地区空间距离以及该地区山脉、湖泊等因素的影响,所以各气象观测站获得的数据对某一地区的气象要素变化较大,这样因素都直接影响到该局部地区的气象要素值。目前国内基本上达到每一个县级以上的城市均建有气象自动观测站,每一个气象观测站负责收集、上传该地区的气象要素数据,但某一重要风景区内天气预测也相当重要,为了节约建站成本,以某一景区周围气象观测站历史数据建立预测模型,并以较高精度地预测该景区天气要素的方法将是本发明的重点内容。
发明内容
本发明提出的是一种混合神经网络预测及识别景区气象要素的方法,其目的旨在克服传统基于统计技术的不足,可在某一景区周围n个气象观测站获得的历史气象要素数据基础上,采用减聚类算法,获得每个观测站的主要气象要素数据的聚类中心,采用混沌粒子群优化算法获得每个观测站主要气象要素的径向基神经网络预测模型,综合考虑每个气象观测站对某一景区局多软因素的影响,建立该景区气象要素的回归模型,以调整该景区的气象要素值,最后采用ART2网络识别及记忆该景区的天气状态。
本发明的技术解决方案,一种混合神经网络预测及识别景区气象要素的方法,包括以下步骤:
⑴每个气象观测站每1小时整点收集的数据包括气象观测要素中的气温、风速、风向、降水、湿度、气压、能见度、地面温度为5cm地温、10cm地温、15cm地温、40cm地温以及0.8m地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霾,这些气象要素值输入给计算机,进行数据处理;选出不同时期的主要气象要素值构建网络训练样本集,并依据观测数据各自特征对训练样本集进行归一化处理;对被量化的数据所采取的归一化处理变换公式为:
式中,s i 为样本数据输入的第i个分量;s i,min 、s i,max 分别表示s i 的最小值和最大值;
⑵归一化处理后,采用减聚类算法确定每个观测站所构建的m个气象要素各自的RBF网络隐层节点个数,建立RBF网络预测模型,不同气象观测站构建的各自气象要素的RBF网络隐层节点个数的多少直接决定网络预测模型的建立;
⑶采用混沌粒子群优化算法确定n个气象观测站所构建的n×m个RBF网络模型的参数,将气象观测站的气象要素的RBF网络预测模型的中心矢量、每个中心的基宽以及隐层节点同输出层节点的连接权采用实数统一顺序编码,并以该气象观测站该气象要素观测样本的输出值同网络预测值的均方误差作为目标函数,采用混沌粒子群优化算法获得该气象观测站某一气象要素的精确RBF网络预测模型;
⑷ 依据n个气象观测站获得的m个气象要素各自RBF网络预测模型预测出该观测站指定天数的未来气象要素值;
⑸ 依据n个气象观测站对某一景区的软因素信息自回归调整,并预测出该景区的气象要素值;
⑹ 依据该景区预测的气象要素值构建ART2网络模型,通过ART2网络的前馈连接权以及反馈连接权的匹配程度竞争识别出该景区的天气形势,并将该景区的气象要素输入模式在ART2网络内不能获得匹配的且达到指定阈值的输入模式添加到记忆库内,以完善及提高ART2网络的识别记忆率。
本发明的优点:1)免去了建立景区气象观测站的成本;2)采用混沌粒子群优化方法获得各观测站的各自气象要素预测模型,该模型具有较好的泛化性能且模型预测精度高;3)景区周围各气象观测站被预测的气象要素值同景区被计算的气象要素值间的软因素系数可自适应地调整,以提高景区气象要素值获得的准确度;4)预测及识别景区天气状态的ART2网络能自适应添加记忆模式,能丰富及提高ART2网络的识别记忆率;5)所构建的混合神经网络预测模型具有较好的泛化性能,对景区的天气预测精度高,具有一定应用价值。
附图说明
图1本发明的流程图。
图2本发明的RBF网络结构模型。
图3本发明的ART2网络结构模型。
图4本发明实例的预测值与真实值对比图。
具体实施方式
如图1所示,一种混合神经网络预测及识别景区气象要素的方法,包括以下步骤:
⑴每个气象观测站每1小时整点收集的数据包括气象观测要素中的气温、风速、风向、降水、湿度、气压、能见度、地面温度为5cm地温、10cm地温、15cm地温、40cm地温以及0.8m地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霾,这些气象要素值输入给计算机,进行数据处理;选出不同时期的主要气象要素值构建网络训练样本集,并依据观测数据各自特征对训练样本集进行归一化处理;对被量化的数据所采取的归一化处理变换公式为:
式中,s i 为样本数据输入的第i个分量;s i,min 、s i,max 分别表示s i 的最小值和最大值;
⑵归一化处理后,采用减聚类算法确定每个观测站所构建的m个气象要素各自的RBF网络隐层节点个数,建立RBF网络预测模型,不同气象观测站构建的各自气象要素的RBF网络隐层节点个数的多少直接决定网络预测模型的建立;
⑶采用混沌粒子群优化算法确定n个气象观测站所构建的n×m个RBF网络模型的参数,将气象观测站的气象要素的RBF网络预测模型的中心矢量、每个中心的基宽以及隐层节点同输出层节点的连接权采用实数统一顺序编码,并以该气象观测站该气象要素观测样本的输出值同网络预测值的均方误差作为目标函数,采用混沌粒子群优化算法获得该气象观测站某一气象要素并具有泛化能力的精确RBF网络预测模型;
⑷ 依据n个气象观测站获得的m个气象要素各自RBF网络预测模型预测出该观测站指定天数的未来气象要素值;
⑸ 依据n个气象观测站对某一景区的软因素信息自回归调整,并预测出该景区的气象要素值;
⑹ 依据该景区预测的气象要素值构建ART2网络模型,通过ART2网络的前馈连接权以及反馈连接权的匹配程度竞争识别出该景区的天气形势,并将该景区的气象要素输入模式在ART2网络内不能获得匹配的且达到指定阈值的输入模式添加到记忆库内,以完善及提高ART2网络的识别记忆率。
所述的建立RBF网络预测模型,对每一个RBF网络预测模型,其模型结构如图2所示,其模型输入同输出的关系为
式(1)中,y i 为网络的第i个神经元节点输出;w ij 为网络隐层第j个神经元节点同输出层的第i个神经元节点间的连接权;X为网络的输入样本矢量;C j 为隐层第j个神经元节点的中心矢量;σ j 为隐层第j个神经元节点的基宽值;m为网络输出神经元节点个数;h为隐层神经元节点个数,由于气象要素多,如将多个气象要素作为一个RBF网络的输出,则该网络结构庞大,此时网络训练时间长且网络难以收敛,可为每一个气象观测站的每一个主要气象要素构建独立的RBF网络预测模型,故此处m=1。
所述的具有泛化能力的精确RBF网络预测模型,首先,确定每个气象观测站的每一个主要气象要素的RBF网络隐层中心个数,在对某一气象观测站已有的历史观测数据基础上,精选具有代表性的气象要素历史数据集组成训练样本数据集,并对该训练样本数据集进行归一化处理,考虑n维空间的p个数据点(x 1 ,x 2 ,···,x p ),假定数据已归一化到一个单位超立方体中,首先给出数据点x i 处的密度指标定义
正数γ a 定义了该点的一个邻域,半径以外的数据点对该点的密度指标贡献甚微。显然,如果一个数据点具有高密度值,则该数据点一定有多个邻近的数据点;
在计算每个数据点密度指标后,选择具有最高密度指标的数据点为第一个聚类中心,令x c1 为选中的点,D c1 为其密度指标,并将每个数据点x i 的密度指标用修正公式
进行修正,常数γ b 定义了一个密度指标显著减小的邻域,且γ b >γ a ,这样可以避免出现相距很近的聚类中心;
修正了每个数据点的密度指标后,选定下一个聚类中心x c2 ,再次修正数据点的所有密度指标。该过程不断重复,直到如下聚类终止判据条件成立,
采用混沌粒子群优化算法在确定RBF网络模型的隐层单元的中心矢量c、基宽度σ和输出层连接权值w时,为使网络实际输出值与目标输出值之间的均方误差达到最小,其表达式为
⑵
采用Henon混沌映射以提高粒子群的优化性能。对于Henon混沌映射,其混沌变量c HM x i (表示为Henon映射的第i个混沌变量)的一种演变算式为
式⑶中,t为迭代次数;x为N维优化空间的优化变量;参数p=1.4;参数q=0.3。
Henon混沌变量转化为常规变量的往返转化形式为
⑷
在粒子群第t+1次迭代计算时,粒子i依据式(5)、式(6)更新自己的速度和位置
式⑸、式⑹中,ω为惯性权重;c 1、c 2为学习因子;r 1、r 2为均匀分布在[0,1]区间的随机数;m为粒子数;d为粒子的维数。
依据上述获得n个气象观测站各自的主要气象要素最优网络预测模型,并依据各气象观测站预测模型预测出指定天数的未来气象要素值。因要预测某一景区的气象要素值,则在该景区周围最近的n个气象观测站的预测值基础上,并结合周围观测站同该景区的空间距离、植被覆盖率、人口分布、山脉等软因素影响,需要将n个气象观测站的主要气象要素预测值同某一景区预测值进行软因素信息自回归调整,从而计算出该景区的主要气象要素值。例如,某一景区四周有A、B、C、D四个气象观测站,则这4个气象观测站各自预测的降水值对该景区的气象要素降水y进行信息调整为:
其中a 1 、b 1 、c 1 、d 1 受A、B、C、D四个气象观测站对该景区的空间距离、植被覆盖率、人口分布、山脉等软因素影响,所以事先调整并回归出a 1 、b 1 、c 1 、d 1 四个参数值,而且这些参数值还随气象观测站同景区间的软因素地变化而自适应地调整。
依据该景区预测的主要气象要素值构建ART2网络模型,通过ART2网络的前馈连接权以及反馈连接权的匹配程度竞争识别出该景区的天气形势,并将该景区的气象要素输入模式在ART2网络内不能获得匹配的且达到指定阈值的输入模式添加到记忆库内,以完善及提高ART2网络的识别记忆率,而该景区的具体气象要素值则从识别出该天气现象的ART2网络输入值中获得。
实施例
混合神经网络预测及识别信阳南湾湖风景区气象要素,该景区周围一共有4个国家气象自动观测站,其站点的物理位置分别为:东径E114°03',北纬N32°08'、东径E114°02',北纬N31°50'、东径E113°04',北纬N32°03'、东径E113°08',北纬N31°06'。其编号分别为A站、B站、C站以及D站。四站点所在区域气象特征基本上都为典型的温带季风气候,其气候最大特点是“气候变化季节分明,冬季少雨,夏季高温多雨,气温有明显季节性变化”。考查每个气象观测站的气温(°C)、降水量(mm)、风向(°)、风速(m/s)、汽压(hPa)、露点温度(°C)、草面温度(°C)、地面温度(°C)、蒸发量(kg/(m2·h))、云量(L)、云高(m)、雪深(cm)以及雪压(kg/m2)等13个主要气象要素。依据A观测站的历史气象要素数据,采用混沌粒子群算法构建A观测站13个气象要素各自的ART网络预测模型。
以A观测站2013年7月28日为参考点,取该日前后各一周共14天的数据,每日的气象观测数据集来源于该观测站内每天的整点观测上传数据项,因受大气团以及季节气候的影响,取近5年的上述观测数据,即获得14×24×5=1680组数据样本,并对这1680组数据样本进行归一化处理。训练样本的选择采用循环顺序获取的方式,即将该1680组数据样本的前5组数据作为每个RBF网络的输入,第169组数据样本作为网络的输出,依此类推。因该构建的网络预测模型要预测指定日期后一周的气象要素值,即要预测出168个预测值,故网络训练样本取该1680组数据样本的前1508组数据,这样以便使得最后从现有的第1509组数据样本开始预测到观测日后一周的168个预测值。
在对每个气象观测站每个气象要素的RBF网络隐层节点个数确定过程中,因所采集的数据均是整点(小时)实测数据,故将样本集的前1508组数据归一化到无量纲的超立方格内,采用上述密度指标以及密度指标修正公式进行减聚类算法,确定该气象要素预测模型的中心个数(隐节点个数),然后将该气象要素的RBF网络预测模型的基宽、中心矢量、以及隐层同输出层节点的连接权采用实数统一编码,采用上述混沌粒子群优化算法获得的最优解,经解码即为该气象观测站该气象要素的RBF网络预测模型参数。
依据该方法构建出A观测站的13个主要气象要素各自的RBF网络预测模型,并依据各自模型预测出A站近一周(2013年7月29日-8月4日)的168小时的主要气象要素预测值。
以上述同样的方法对其他3个气象观测站作类似处理。依据A、B、C、D站距信阳南湾风景区作相关软因素处理,并获得软因素回归调整系数。对上述13个主要气象要素进行回归系数处理,具体各气象要素处理结果如表1。
式⑺中,a i +b i +c i +d i ∈[0.8,1.2]。
表1 4个气象观测站的13个气象要素的软因素回归系数表
采用该方法对信阳南湾风景区近一周(2013年7月29日-8月4日)的气象要素之一气温的预测值同真实值对比结果如图3所示。
对于近7日的温度预测值同真实值的平均绝对误差、重合次数以及重合率对比结果如表2。
表2 温度预测值同真实值的相关信息对比表
从表2中实验数据分析可知,从2013年7月29日至8月4日对信阳南湾风景区气温的预测结果显示,预测值同真实值重合次数及重合率基本上是下降的。从表中的平均绝对误差值也可看出,每天的平均绝对误差值基本上呈正比例升高,这两者均说明预测周期越长,其预测精度越低。
依据式⑺对南湾风景区的13个气象要素回归预测后的气象要素值构建ART2网络模型,该网络模型结构如图4所示。通过ART2网络的前馈连接权以及反馈连接权值的匹配程度竞争识别出该景区的天气形势,具体气象要素值为该获胜节点所对应的输入气象要素值,并将该景区的气象要素输入模式在ART2网络模型内不能获得匹配的且达到指定阈值的输入模式添加到记忆库内,以完善及提高ART2网络的识别记忆率。在ART2网络中,其具体天气主要类型及符号约定如表3。
表3 天气现象符号约定表
因受更多大气因素的影响,尤其对特殊天气现象如雷暴、降雪、冰雹等造成自然灾害的预测,采用该方法获得的预测精度基本上达到预防的目的。该方法的最大优点为可调整各要素的软因素回归系数,因各观测站距该预测景区的软因素可能会变化,如城市人口的变化、城市植被的变化,这样只需简单的更改软因素权值即可调整。
Claims (5)
1.一种混合神经网络预测及识别景区气象要素的方法,其特征是包括以下步骤:
⑴每个气象观测站每1小时整点收集的数据包括气象观测要素中的气温、风速、风向、降水、湿度、气压、能见度、地面温度为5cm地温、10cm地温、15cm地温、40cm地温以及0.8m地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霾,这些气象要素值输入给计算机,进行数据处理;选出不同时期的主要气象要素值构建网络训练样本集,并依据观测数据各自特征对训练样本集进行归一化处理;对被量化的数据所采取的归一化处理变换公式为:
式中,s i 为样本数据输入的第i个分量;s i,min 、s i,max 分别表示s i 的最小值和最大值;
⑵归一化处理后,采用减聚类算法确定每个观测站所构建的m个气象要素各自的RBF(Radial Basis Function)网络隐层节点个数,建立RBF网络预测模型,不同气象观测站构建的各自气象要素的RBF网络隐层节点个数的多少直接决定网络预测模型的建立;
⑶采用混沌粒子群优化算法确定n个气象观测站所构建的n×m个RBF网络模型的参数,将气象观测站的气象要素的RBF网络预测模型的中心矢量、每个中心的基宽以及隐层节点同输出层节点的连接权采用实数统一顺序编码,并以该气象观测站该气象要素观测样本的输出值同网络预测值的均方误差作为目标函数,采用混沌粒子群优化算法获得该气象观测站某一气象要素的精确RBF网络预测模型;
⑷ 依据n个气象观测站获得的m个气象要素各自RBF网络预测模型预测出该观测站指定天数的未来气象要素值;
⑸ 依据n个气象观测站对某一景区的软因素信息自回归调整,并预测出该景区的气象要素值;
⑹ 依据该景区预测的气象要素值构建ART2(Adaptive Resonance Theory)网络模型,通过ART2网络的前馈连接权以及反馈连接权的匹配程度竞争识别出该景区的天气形势,并将该景区的气象要素输入模式在ART2网络内不能获得匹配的且达到指定阈值的输入模式添加到记忆库内,以完善及提高ART2网络的识别记忆率。
2.根据权利要求1所述的一种混合神经网络预测及识别景区气象要素的方法,其特征是所述的建立RBF网络预测模型,对每一个RBF网络预测模型,其模型结构如图2所示,其模型输入同输出的关系为
式中,y i 为网络的第i个神经元节点输出;w ij 为网络隐层第j个神经元节点同输出层的第i个神经元节点间的连接权;X为网络的输入样本矢量;C j 为隐层第j个神经元节点的中心矢量;σ j 为隐层第j个神经元节点的基宽值;m为网络输出神经元节点个数;h为隐层神经元节点个数,由于气象要素多,如将多个气象要素作为一个RBF网络的输出,则该网络结构庞大,此时网络训练时间长且网络难以收敛,可为每一个气象观测站的每一个主要气象要素构建独立的RBF网络预测模型,故此处m=1。
3.根据权利要求2所述的一种混合神经网络预测及识别景区气象要素的方法,其特征是所述的具有泛化能力的精确RBF网络预测模型,首先,确定每个气象观测站的每一个主要气象要素的RBF网络隐层中心个数,在对某一气象观测站已有的历史观测数据基础上,精选具有代表性的气象要素历史数据集组成训练样本数据集,并对该训练样本数据集进行归一化处理,考虑n维空间的p个数据点(x 1 ,x 2 ,···,x p ),假定数据已归一化到一个单位超立方体中,首先给出数据点x i 处的密度指标定义
正数γ a 定义了该点的一个邻域,半径以外的数据点对该点的密度指标贡献甚微;显然,如果一个数据点具有高密度值,则该数据点一定有多个邻近的数据点;
在计算每个数据点密度指标后,选择具有最高密度指标的数据点为第一个聚类中心,令x c1 为选中的点,D c1 为其密度指标,并将每个数据点x i 的密度指标用修正公式
进行修正,常数γ b 定义了一个密度指标显著减小的邻域,且γ b >γ a ,这样可以避免出现相距很近的聚类中心;
修正了每个数据点的密度指标后,选定下一个聚类中心x c2 ,再次修正数据点的所有密度指标;该过程不断重复,直到如下聚类终止判据条件成立,
5.根据权利要求1所述的一种混合神经网络预测及识别景区气象要素的方法,其特征是所述的软因素信息自回归调整,对某一景区四周有A、B、C、D四个气象观测站,则这4个气象观测站各自预测的降水值对该景区的气象要素降水y进行信息调整为:
其中a 1 、b 1 、c 1 、d 1 受A、B、C、D四个气象观测站对该景区的空间距离、植被覆盖率、人口分布、山脉等软因素影响,所以事先调整并回归出a 1 、b 1 、c 1 、d 1 四个参数值,而且这些参数值还随气象观测站同景区间的软因素地变化而自适应地调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310406711.4A CN103426026B (zh) | 2013-09-10 | 2013-09-10 | 一种混合神经网络预测及识别景区气象要素的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310406711.4A CN103426026B (zh) | 2013-09-10 | 2013-09-10 | 一种混合神经网络预测及识别景区气象要素的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103426026A true CN103426026A (zh) | 2013-12-04 |
CN103426026B CN103426026B (zh) | 2016-02-24 |
Family
ID=49650732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310406711.4A Expired - Fee Related CN103426026B (zh) | 2013-09-10 | 2013-09-10 | 一种混合神经网络预测及识别景区气象要素的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103426026B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914558A (zh) * | 2014-04-16 | 2014-07-09 | 中南大学 | 一种基于时空统计的气象要素时空聚集模式挖掘方法 |
CN104765963A (zh) * | 2015-04-14 | 2015-07-08 | 许昌学院 | 一种基于rbf神经网络的凸轮型线拟合方法 |
CN105760970A (zh) * | 2016-03-21 | 2016-07-13 | 重庆灵狐科技股份有限公司 | 空气质量指数的预测方法 |
CN106709588A (zh) * | 2015-11-13 | 2017-05-24 | 日本电气株式会社 | 预测模型构建方法和设备以及实时预测方法和设备 |
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及系统 |
CN107464009A (zh) * | 2017-06-23 | 2017-12-12 | 南京航空航天大学 | 一种北京市冬季大气pm2.5浓度变化预测方法 |
CN108287928A (zh) * | 2018-03-05 | 2018-07-17 | 四川易利数字城市科技有限公司 | 一种基于局部加权线性回归的空间属性预测方法 |
CN108364068A (zh) * | 2018-01-05 | 2018-08-03 | 华南师范大学 | 基于有向图的深度学习神经网络构建方法和机器人系统 |
CN109344865A (zh) * | 2018-08-24 | 2019-02-15 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN109472283A (zh) * | 2018-09-13 | 2019-03-15 | 中国科学院计算机网络信息中心 | 一种基于多重增量回归树模型的危险天气事件预测方法和装置 |
CN109738874A (zh) * | 2019-01-14 | 2019-05-10 | 辽宁工业大学 | 一种车载雷达测试装置及其控制方法 |
CN109937778A (zh) * | 2019-03-11 | 2019-06-28 | 中国气象科学研究院 | 云水资源、大气水凝物总量及其降水效率计算方法及装置 |
CN110147903A (zh) * | 2019-04-19 | 2019-08-20 | 合肥工业大学 | 用于预测景区的客流量的方法、系统及存储介质 |
CN111830595A (zh) * | 2020-06-09 | 2020-10-27 | 上海眼控科技股份有限公司 | 气象要素的预测方法及设备 |
CN111856618A (zh) * | 2020-06-11 | 2020-10-30 | 上海眼控科技股份有限公司 | 气象要素的预测方法及设备 |
CN112166352A (zh) * | 2018-05-25 | 2021-01-01 | 巴斯夫农化商标有限公司 | 训练机器学习算法并预测特别是田地或子田地级别的天气数据变量的值 |
CN112734017A (zh) * | 2021-04-01 | 2021-04-30 | 成都信息工程大学 | 一种降水量预测模型的建立方法 |
CN112906871A (zh) * | 2021-03-24 | 2021-06-04 | 临沂大学 | 基于混合多层神经网络模型的温度预测方法及系统 |
CN113344290A (zh) * | 2021-06-28 | 2021-09-03 | 福建师范大学 | 基于U-Net网络的次季节降雨气象预报订正方法 |
CN114358667A (zh) * | 2022-03-21 | 2022-04-15 | 创意信息技术股份有限公司 | 一种基于rbf网络学习的景区风险预测模型构建方法 |
CN115345207A (zh) * | 2022-10-13 | 2022-11-15 | 南京信息工程大学 | 一种自适应的多气象要素预测方法 |
CN115994629A (zh) * | 2023-03-23 | 2023-04-21 | 南京信息工程大学 | 一种基于gn-rbf的空气湿度预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324887A (zh) * | 2011-09-08 | 2012-01-18 | 天津理工大学 | 一种基于混合神经网络的风力发电机稳定控制方法 |
CN102479339A (zh) * | 2010-11-24 | 2012-05-30 | 香港理工大学 | 基于混合神经网络的风电场短期风速预测方法和系统 |
-
2013
- 2013-09-10 CN CN201310406711.4A patent/CN103426026B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102479339A (zh) * | 2010-11-24 | 2012-05-30 | 香港理工大学 | 基于混合神经网络的风电场短期风速预测方法和系统 |
CN102324887A (zh) * | 2011-09-08 | 2012-01-18 | 天津理工大学 | 一种基于混合神经网络的风力发电机稳定控制方法 |
Non-Patent Citations (2)
Title |
---|
刘道华等: "混合神经网络匹配相应面的多学科设计方法", 《西安电子科技大学学报》 * |
廖雪平等: "《混合神经网络在污水毒性预测中的应用》", 《化工自动化及仪表》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914558A (zh) * | 2014-04-16 | 2014-07-09 | 中南大学 | 一种基于时空统计的气象要素时空聚集模式挖掘方法 |
CN104765963A (zh) * | 2015-04-14 | 2015-07-08 | 许昌学院 | 一种基于rbf神经网络的凸轮型线拟合方法 |
CN106709588A (zh) * | 2015-11-13 | 2017-05-24 | 日本电气株式会社 | 预测模型构建方法和设备以及实时预测方法和设备 |
CN106709588B (zh) * | 2015-11-13 | 2022-05-17 | 日本电气株式会社 | 预测模型构建方法和设备以及实时预测方法和设备 |
CN105760970A (zh) * | 2016-03-21 | 2016-07-13 | 重庆灵狐科技股份有限公司 | 空气质量指数的预测方法 |
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及系统 |
CN107464009A (zh) * | 2017-06-23 | 2017-12-12 | 南京航空航天大学 | 一种北京市冬季大气pm2.5浓度变化预测方法 |
CN108364068A (zh) * | 2018-01-05 | 2018-08-03 | 华南师范大学 | 基于有向图的深度学习神经网络构建方法和机器人系统 |
CN108364068B (zh) * | 2018-01-05 | 2021-04-13 | 华南师范大学 | 基于有向图的深度学习神经网络构建方法和机器人系统 |
CN108287928A (zh) * | 2018-03-05 | 2018-07-17 | 四川易利数字城市科技有限公司 | 一种基于局部加权线性回归的空间属性预测方法 |
CN112166352A (zh) * | 2018-05-25 | 2021-01-01 | 巴斯夫农化商标有限公司 | 训练机器学习算法并预测特别是田地或子田地级别的天气数据变量的值 |
CN109344865A (zh) * | 2018-08-24 | 2019-02-15 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN109344865B (zh) * | 2018-08-24 | 2022-03-04 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN109472283A (zh) * | 2018-09-13 | 2019-03-15 | 中国科学院计算机网络信息中心 | 一种基于多重增量回归树模型的危险天气事件预测方法和装置 |
CN109738874A (zh) * | 2019-01-14 | 2019-05-10 | 辽宁工业大学 | 一种车载雷达测试装置及其控制方法 |
CN109937778A (zh) * | 2019-03-11 | 2019-06-28 | 中国气象科学研究院 | 云水资源、大气水凝物总量及其降水效率计算方法及装置 |
CN110147903A (zh) * | 2019-04-19 | 2019-08-20 | 合肥工业大学 | 用于预测景区的客流量的方法、系统及存储介质 |
CN111830595A (zh) * | 2020-06-09 | 2020-10-27 | 上海眼控科技股份有限公司 | 气象要素的预测方法及设备 |
CN111856618A (zh) * | 2020-06-11 | 2020-10-30 | 上海眼控科技股份有限公司 | 气象要素的预测方法及设备 |
CN112906871A (zh) * | 2021-03-24 | 2021-06-04 | 临沂大学 | 基于混合多层神经网络模型的温度预测方法及系统 |
CN112734017A (zh) * | 2021-04-01 | 2021-04-30 | 成都信息工程大学 | 一种降水量预测模型的建立方法 |
CN113344290A (zh) * | 2021-06-28 | 2021-09-03 | 福建师范大学 | 基于U-Net网络的次季节降雨气象预报订正方法 |
CN113344290B (zh) * | 2021-06-28 | 2023-02-14 | 福建师范大学 | 基于U-Net网络的次季节降水气象预报订正方法 |
CN114358667A (zh) * | 2022-03-21 | 2022-04-15 | 创意信息技术股份有限公司 | 一种基于rbf网络学习的景区风险预测模型构建方法 |
CN115345207A (zh) * | 2022-10-13 | 2022-11-15 | 南京信息工程大学 | 一种自适应的多气象要素预测方法 |
CN115994629A (zh) * | 2023-03-23 | 2023-04-21 | 南京信息工程大学 | 一种基于gn-rbf的空气湿度预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103426026B (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103426026B (zh) | 一种混合神经网络预测及识别景区气象要素的方法 | |
Song et al. | Contrasting spring and summer large-scale environments associated with mesoscale convective systems over the US Great Plains | |
KR102076426B1 (ko) | 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법 | |
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
Kohail et al. | Implementation of data mining techniques for meteorological data analysis | |
Ramedani et al. | Modeling solar energy potential in a Tehran province using artificial neural networks | |
Chu et al. | Nonlinear, intraseasonal phases of the East Asian summer monsoon: Extraction and analysis using self-organizing maps | |
Dutta et al. | Nowcasting visibility during wintertime fog over the airport of a metropolis of India: decision tree algorithm and artificial neural network approach | |
Dyson | A heavy rainfall sounding climatology over Gauteng, South Africa, using self-organising maps | |
Zhou et al. | How many types of severe hailstorm environments are there globally? | |
CN105956691A (zh) | 预测区域不同方位、观测点pm2.5背景浓度计算方法 | |
Christiansen et al. | Was the cold European winter of 2009/10 modified by anthropogenic climate change? An attribution study | |
Chen et al. | An LSTM-based neural network method of particulate pollution forecast in China | |
Dong et al. | Simulation of United States mesoscale convective systems using GFDL’s new high-resolution general circulation model | |
CN113255239B (zh) | 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 | |
Koolagudi | Long-range prediction of Indian summer monsoon rainfall using data mining and statistical approaches | |
Mahdi et al. | Using artificial neural networks to predict solar radiation for Duhok City, Iraq | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
Ancy et al. | Prediction of onset of south west monsoon using multiple regression | |
Yesubabu et al. | Impact of variational assimilation technique on simulation of a heavy rainfall event over Pune, India | |
Dourhmi et al. | Improved hourly prediction of BIPV photovoltaic power building using artificial learning machine: a case study | |
Bassett et al. | Methodology to separate urban from regional heat advection by use of the Weather Research and Forecasting mesoscale model | |
Fara et al. | New results in forecasting of photovoltaic systems output based on solar radiation forecasting | |
Shi et al. | Short-term photovoltaic power forecast based on long short-term memory network | |
An et al. | Assessing the meteorological impacts of time‐varying land cover in the intertidal zone |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160224 Termination date: 20160910 |
|
CF01 | Termination of patent right due to non-payment of annual fee |