CN106919645A - 复杂地貌大景区的景点气象要素智能精细预测方法 - Google Patents

Abstract

本发明公开了一种复杂地貌大景区的景点气象要素智能精细预测方法，包括以下步骤：建立OHDB、RHDB和THDB；建立RFs；对RFs中的气象要素数据先进行Z‑SCORE标准化处理，再进行核主成分分析，建立DFs；以DFs中的数据作为数据样本，使用基因表达式编程算法得到G；建立待预测目标景点相关气象要素数据集X_RFs；对X_RFs中的气象要素数据进行Z‑SCORE标准化处理；建立待预测目标景点主要相关气象要素数据集X_DFs；将X_DFs中的数据带入G中进行计算，对计算得到的数据进行逆标准化处理。本发明提供了精细化个性化的气象预测服务，为游客出行、景区管理和灾害防控提供了很好的决策支持。

Description

复杂地貌大景区的景点气象要素智能精细预测方法

技术领域

本发明涉及气象预测领域。更具体地说，本发明涉及一种复杂地貌大景区的景点气象要素智能精细预测方法。

背景技术

旅游业是严重依赖自然环境和气象条件的产业，气象条件是影响气象景观资源、旅游安全和旅游质量的重要因素。准确细致的旅游气象的预测预报已经成为气象部门和旅游管理部门越来越关注的问题，如何及时准确而又经济便捷地预报预测景区及周边的气象要素、气候环境和恶劣天气，如何准确有效地做好旅游气象预测预报预警服务、使其更好地帮助游客适时享受气象景观资源、规避旅游灾害风险和做到安全健康出行，提高旅游服务质量，已经成为发展现代旅游产业重要环节。

近年来，国家在旅游气象服务方面做了大量的工作，各地学者和气象部门在气象要素监测预测预报，及气候景观、旅游舒适度等旅游气象指数等方面也做了大量的理论研究与应用服务(服务示范点、合作框架协议、中国天气网等)。但是，目前气象要素的预测预报多是根据国家气象局从数值预报模式输出产品中每天下发到地方气象和旅游服务部门的格点数据进行预测预报的，是以地理区划进行服务。尽管部分大型景区内也设置了气象自动观测站，但因建站和维护成本高而致使气象自动观测站的设置数量有限，覆盖面不全，预测时长较短，并不适合提供复杂地貌大景区气象要素精细预测服务。由于某一局部地区受某一城区人口数量、生活和工业排放的变化，以及该地区地型地貌、湖泊和植被覆盖率等周围环境条件的影响，数值预报模式输出产品、国家气象局发布的旅游气象预测数据和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。所以缺少针对旅游景区的复杂自然和社会环境进行个性化精细化的气象预测预报服务，特别是复杂地貌的大型景区的具体景点更是不足，但其又相当重要。

发明内容

本发明的目的是提供一种复杂地貌大景区的景点气象要素智能精细预测方法，先建立目标景点气象要素的预测模型G，再采用该预测模型较高精度、较长预报时长地得到该景区内景点的气象要素预测数据，以提供精细化个性化的气象预测服务，为游客出行、景区管理和灾害防控提供很好的决策支持。

为了实现根据本发明的这些目的和其它优点，提供了一种复杂地貌大景区的景点气象要素智能精细预测方法，包括以下步骤：

步骤一、收集目标景区的目标景点的气象要素数据，建立目标景点的气象要素历史数据库OHDB；收集与OHDB中的气象要素数据同期的目标景区所在区域的格点化气象要素数据，建立目标景区所在区域的气象要素历史数据库RHDB；收集国家气象局发布的与OHDB中的气象素数据同期的目标景区的气象要素数据，建立目标景区的气象要素历史数据库THDB；

步骤二、根据目标景点的实际情况，确定目标景点的目标气象要素；将OHDB中的气象要素数据与RHDB中的气象要素数据和THDB中的气象要素数据进行相关分析，提取与目标景点的目标气象要素显著相关的气象要素，并从RHDB和THDB中提取与目标景点的目标气象要素显著相关的气象要素对应的气象要素数据，建立目标景点相关气象要素数据集RFs；

步骤三、对RFs中的气象要素数据进行Z-SCORE标准化处理；

步骤四、对步骤三中得到的数据进行核主成分分析，选取贡献率较大的前2-6个主分量作为目标景点主要相关气象要素，从RFs中选出与目标景点主要相关气象要素对应的气象要素数据，建立目标景点主要相关气象要素数据集DFs；

步骤五、以DFs中的数据作为数据样本，使用基因表达式编程算法计算目标景点的目标气象要素与目标景点主要相关气象要素的映射关系函数，得到目标景点气象要素的预测模型G；

步骤六、收集待预测时段的目标景区所在区域的格点化气象要素的预测数据和目标景区的气象要素的预测数据，并从中提取与目标景点的目标气象要素显著相关的气象要素对应的气象要素的数据，建立待预测目标景点相关气象要素数据集X_RFs；

步骤七、对X_RFs中的气象要素数据进行Z-SCORE标准化处理；

步骤八、对步骤七中得到的数据进行核主成分分析，选取贡献率较大的前2-6个主分量作为综合预报因子，从X_RFs中选出与综合预报因子对应的气象要素数据，建立待预测目标景点主要相关气象要素数据集X_DFs；

步骤九、将X_DFs中的数据带入G中进行计算，得到初步目标景点气象要素预测数据，对初步目标景点气象要素预测数据进行逆标准化处理，即得到目标景点的气象要素预测数据。

优选的是，所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤一中收集目标景区的目标景点的气象要素数据的具体方法为：

在目标景区内待测的目标景点处设置气象要素观测仪器或移动气象自动站，每6小时统计并记录一次该时间段内各气象要素的平均数据，并持续至少一年。

优选的是，所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤一中收集的目标景区的目标景点的气象要素数据包括：大气温度、相对湿度、风向、风速、雨量、气压、土壤温度、土壤湿度、能见度、紫外线、特零地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霆相关的气象要素数据。

优选的是，所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤五具体包括以下步骤：

步骤a、基因表达式编程算法程序读入数据样本，输入种群大小、基因头长度、基因尾长度、函数最大操目数、基因数、最大迭代数、最大适应度值、变异率、插串率和重组率，基因表达式编程算法程序根据基因表达式编程染色体和基因的定义自动生成初始种群；

步骤b、基因表达式编程算法程序进行适应度计算，以染色体为个体，并分别计算各个个体的适应度，适应度的计算公式如下：

其中，

R_i为第i个体的适应度，0≤R_i≤1；

SSE为残差平方和；

m为目标发生的气象灾害的总记录次数；

y_j为以第一预报因子中的数据作为数据样本，其中存储的第j次的气象要素；

为变量y_j关于函数y的估计值；

SST为总离差平方和；

为变量y_j的平均值；

步骤c、若步骤b中计算得到的个体的适应度达到步骤a中输入的最大适应度值，则将种群中的最优个体的表现型按树的中序遍历将表达树解析为数学表达式，其中，在所有个体中适应度最大的个体为最优个体，所得数学表达式即为目标景区的一种气象灾害与主要气象要素之间的映射关系函数；若步骤b中计算得到的个体的适应度未达到步骤a中输入的最大适应度值，则继续

步骤d、以最优个体作为最优染色体，保留最优染色体进行遗传操作，并根据达尔文的适者生存原则选择产生下一代染色体，将得到的下一代染色体作为个体重复步骤b到步骤c。

优选的是，所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤a中基因表达式编程算法的基因用长度固定的符串来表示，由头部和尾部两部分组成，头部包含函数符号和终结符号，尾部包含终结符号，尾部长度t和头部长度h之间满足方程：t＝h*(n-1)+1。

优选的是，所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤a中的基因表达式编程算法程序采用多基因染色体的方式构成染色体，每个气象要素用一个基因表示。

优选的是，所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤d中根据达尔文的适者生存原则产生下一代染色体的步骤为：

步骤1)、保留最优染色体；

步骤2)、选择染色体进行复制，可选用轮盘赌选择法或锦标赛选择法对染色体进行选择；

步骤3)、对步骤2)中得到的染色体依概率进行交叉重组、变异、插串和倒串等遗传操作，得到下一代染色体。

本发明至少包括以下有益效果：

本发明只需要收集待预测时段的目标景区所在区域的格点化气象要素的预测数据和目标景区的气象要素的预测数据，对这些数据收集容易、成本低，免去了建立和维护众多密集的景区景点气象观测站的成本。

本发明利用智能计算方法进行景区局部气象要素预测的非线性建模，比传统线性回归建模方法可更有效地将复杂地貌大景区局部气象要素精细预测问题的复杂性转化为数学关系函数。

本发明可应用于各种环境，根据各地区不同的环境影响作用情况，得到该区域景点的目标气象要素与景点主要相关气象要素的映射关系函数，自动建立景点气象要素的预测模型，也可根据环境变化的需要重新执行程序代码，重新进行自动建模，适应性强，精确度高，计算过程相对简单且不需要反复调试，具有广泛应用价值。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明所述的复杂地貌大景区的景点气象要素智能精细预测方法的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

<实施例1>

如图1所示，本发明提供一种复杂地貌大景区的景点气象要素智能精细预测方法，包括以下步骤：

步骤一、根据实际情况需要确定目标景区中待预测的目标景点的地理位置、要预测的气象要素内容和预测时长；通过在目标景点临时设置可移动的气象要素观测传感器或移动气象自动站收集该景点两年以上观测到的各种气象要素的每6小时平均历史数据，包括大气温度、相对湿度、风向、风速、雨量、气压、土壤温度、土壤湿度、能见度、紫外线、特零地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霆等气象要素，收集目标景区的目标景点的气象要素数据，例如，以广西大明山风景区的天湖景点作为目标景点，则收集天湖景点的气象要素数据，建立目标景点的气象要素历史数据库OHDB；收集与OHDB中的气象要素数据同期的目标景区所在区域的格点化气象要素数据，建立目标景区所在区域的气象要素历史数据库RHDB，例如，目标是广西大明山风景区，该景区主要位于南宁市北部的武鸣区内，大明山山体长68公里，宽23公里，横跨武鸣、上林、马山、宾阳四县区，则收集数值预报模式同期生成的武鸣、上林、马山、宾阳四县区的对应的各种气象要素数据；收集国家气象局发布的与OHDB中的气象素数据同期的目标景区的气象要素数据，例如，以广西大明山风景区作为目标景区，则收集国家气象局发布的与OHDB中的气象素数据同期的广西大明山风景区的气象要素数据，建立目标景区的气象要素历史数据库THDB；

步骤二、根据目标景点的实际情况，确定目标景点的目标气象要素，例如，某景点的主要参考气象要素为降水、气压、湿度、风向、风速和地温，则以上述气象要素作为该景点的目标气象要素；将OHDB中的气象要素数据与RHDB中的气象要素数据和THDB中的气象要素数据进行相关分析，提取与目标景点的目标气象要素显著相关的气象要素，并从RHDB和THDB中提取与目标景点的目标气象要素显著相关的气象要素对应的气象要素数据，建立目标景点相关气象要素数据集RFs；例如，某景点的目标气象要素为降水、风向、风速和地温，分别以降水、风向、风速和地温作为该景点的目标气象要素，将OHDB中的气象要素数据与RHDB中的气象要素数据和THDB中的气象要素数据进行相关分析，得到与降水、风向、风速和地温各自显著相关的气象要素，并在RHDB和THDB中提取与之对应的气象要素数据，建立目标景点相关气象要素数据集RFs；

下面以预测目标气象要素为广西大明山景区天湖景点的特零地温为例，提取目标景点相关气象要素数据集RFs的过程是：

1)假设广西大明山景区天湖景点的特零地温为因变量Y，其与RHDB、THDB中的可能相关的气象要素自变量集合为

X＝{x₁，x₂，…，x_n}

则其对应历史数据集可表示为：

其中，m为OHDB中特零地温记录数；

n为RHDB、THDB中与特零地温可能相关的气象要素数；

x_mn为目标景区第m次记录的第n种气象要素的值；

y_m为OHDB中第m次记录的特零地温值；

2)计算步骤1)中各与目标气象要素因变量Y可能相关的气象要素X之间的相关系数，其公式为：

3)对步骤2)中计算所得的各变量相关系统进行相关系数检验，从中选取通过给定信度检验的相关性较好的气象要素，即提取与目标景点的目标气象要素显著相关的气象要素，作为目标气象要素的相关要素自变量；

4)并从RHDB和THDB中提取与目标景点的目标气象要素显著相关的气象要素对应的气象要素数据，建立目标景点相关气象要素数据集RFs；

步骤三、对RFs中的气象要素数据进行Z-SCORE标准化处理，以消除每个因素变量的量纲不同对核主成分分析和对基因表达式编程建模带来的影响。

步骤四、对步骤三中得到的数据进行核主成分分析，选取贡献率较大的前2-6个主分量作为目标景点主要相关气象要素，从RFs中选出与目标景点主要相关气象要素对应的气象要素数据，建立目标景点主要相关气象要素数据集DFs；例如步骤二中提取到的与目标景点的目标气象要素显著相关的气象要素为大气温度、相对湿度、风向、风速、雨量、气压、土壤温度、土壤湿度、能见度、紫外线，则通过步骤三和步骤四的处理选取相对湿度、风向、风速和雨量这四个贡献率较大的气象要素作为目标景点主要相关气象要素，并从RFs中选出与湿度、风向、风速和雨量相对应的气象要素数据，建立DFs；

核主成分分析常用的核函数主要包括线性核函数、多项式核函数、高斯径向基核函数和神经网络核函数等4类，在工程实施时可根据模型实验测试的最佳效果选定预测某一目标气象要素时最适合的核函数。本实施方案以选用高斯径向基函数为核函数为例说明构建核主成分分析法的实施过程：

A、将所获得的n个指标(每一指标有m个样品)的一批数据写成一个(m×n)维数据矩阵：

B、计算核矩阵：选择高斯径向核函数中的参数，公式为：

K_μv：＝(Φ(x_μ)·Φ(x_v))

C、修正核矩阵得到K_μv，计算公式为：

D、运用Jacobi迭代方法计算K_μv的特征值λ₁，…，λ_n以及对应的特征向量V₁，…，V_n；

E、对特征值按降序排序得λ₁’，…，λ_n’，并调整特征向量得λ₁'，…，λ_n'；

F、求单位正交化特征向量(用施密特正交法)得到α₁，…，α_n；

G、计算特征值的累积贡献率B₁，…，B_n，根据给定的提取效率P，如果Bt≥P，则提取t个主分量α₁，…，α_t；

H、计算已修正的核矩阵X在提取出的特征向量上的投影Z,其中α＝(α1，…，αt)。

以上步骤所得的投影Z即为数据经核主成分分析降维后所得数据，即把原本RFs的n维数据降为了t维。该t维的主分量数据α＝(α₁，…，α_t)就是预测对应的目标气象要素模型的预测因子向量；

步骤五、以DFs中的数据作为数据样本，使用基因表达式编程算法计算目标景点的目标气象要素与目标景点主要相关气象要素的映射关系函数，得到目标景点气象要素的预测模型G；根据得到的目标景点的目标气象要素与目标景点主要相关气象要素的映射关系函数，即可在已知与目标景点主要相关气象要素的数据后，计算目标景点的目标气象要素的值；

步骤六、收集待预测时段的目标景区所在区域的格点化气象要素的预测数据和目标景区的气象要素的预测数据，并从中提取与目标景点的目标气象要素显著相关的气象要素对应的气象要素的数据，建立待预测目标景点相关气象要素数据集X_RFs；例如需要预测某时间段某景点大气温度，与其显著相关的气象要素为目标景区所在区域的格点化气象要素中的气压、湿度、风向、风速和地温，国家气象局发布的该景点所在景区的气象要素中的气压、湿度和风向，则收集预测时段的该景区所在区域的格点化气象要素的预测数据和目标景区的气象要素的预测数据，并从该景区所在区域的格点化气象要素的预测数据中提取气压、湿度、风向、风速和地温的数据，从国家气象局发布的该景区气象要素的预测数据中提取气压、湿度和风向的数据，建立X_RFs；

步骤七、对X_RFs中的气象要素数据进行Z-SCORE标准化处理；

步骤八、对步骤七中得到的数据进行核主成分分析，选取贡献率较大的前2-6个主分量作为综合预报因子，从X_RFs中选出与综合预报因子对应的气象要素数据，建立待预测目标景点主要相关气象要素数据集X_DFs；步骤七和步骤八的操作实质上都是为了提高数据建模的模型泛化性能，Z-SCORE标准化处理是一种有效的降低原始数据取值范围过大和部分数据偏差太大而给所建模型的泛化性能带来太多负面影响的有效方法；核主成分分析是一种有效的从对预测目标影响程度大小不一的众多的要素中重构和提取若干主要的影响因子的方法，以这些主要影响因子建模可避免太多对建模意义不大的要素和因子参加建模导致所得模型容易过拟合；

步骤九、将X_DFs中的数据带入G中进行计算，得到初步目标景点气象要素预测数据，对初步目标景点气象要素预测数据进行逆标准化处理，即得到目标景点气象要素预测数据；Z-SCORE标准化处理的逆标准化处理，经过该处理后可使得气象要素的预测数值与其观测值在同一尺度上和取值范围一致。

所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤一中收集目标景区的目标景点的气象要素数据的具体方法为：

在目标景区内待测的目标景点处设置气象要素观测仪器或移动气象自动站，每6小时统计并记录一次该时间段内各气象要素的平均数据，并持续至少一年。

所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤一中收集的目标景区的目标景点的气象要素数据包括：大气温度、相对湿度、风向、风速、雨量、气压、土壤温度、土壤湿度、能见度、紫外线、特零地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霆相关的气象要素数据。

所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤五具体包括以下步骤：

步骤a、基因表达式编程算法程序读入数据样本，输入种群大小、基因头长度、基因尾长度、函数最大操目数、基因数、最大迭代数、最大适应度值、变异率、插串率和重组率，基因表达式编程算法程序根据基因表达式编程染色体和基因的定义自动生成初始种群；

步骤b、基因表达式编程算法程序进行适应度计算，以染色体为个体，并分别计算各个个体的适应度，适应度的计算公式如下：

其中，

R_i为第i个体的适应度，0≤R_i≤1；

SSE为残差平方和；

m为OHDB中的存储的待测要素的相关历史数据记录数；

y_j为以第一预报因子中的数据作为数据样本，其中存储的第j次的气象要素；

为变量y_j关于函数y的估计值；

SST为总离差平方和；

为变量y_j的平均值；

步骤c、若步骤b中计算得到的个体的适应度达到步骤a中输入的最大适应度值，则将种群中的最优个体的表现型按树的中序遍历将表达树解析为数学表达式，其中，在所有个体中适应度最大的个体为最优个体，所得数学表达式即为目标景区的一种气象灾害与主要气象要素之间的映射关系函数；若步骤b中计算得到的个体的适应度未达到步骤a中输入的最大适应度值，则继续

步骤d、以最优个体作为最优染色体，保留最优染色体进行遗传操作，并根据达尔文的适者生存原则选择产生下一代染色体，将得到的下一代染色体作为个体重复步骤b到步骤c。

所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤a中基因表达式编程算法的基因用长度固定的符串来表示，由头部和尾部两部分组成，头部包含函数符号和终结符号，尾部包含终结符号，尾部长度t和头部长度h之间满足方程：t＝h*(n-1)+1。

所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤a中的基因表达式编程算法程序采用多基因染色体的方式构成染色体，每个气象要素用一个基因表示。

所述的复杂地貌大景区的景点气象要素智能精细预测方法中，所述步骤d中根据达尔文的适者生存原则产生下一代染色体的步骤为：

步骤1)、保留最优染色体；

步骤2)、选择染色体进行复制，可选用轮盘赌选择法或锦标赛选择法对染色体进行选择；

步骤3)、对步骤2)中得到的染色体依概率进行交叉重组、变异、插串和倒串等遗传操作，得到下一代染色体。

<实施例2>

(1)根据业务需要确定目标景区中待观测预测的目标景点地理位置、要预测的气象要素内容和预测时长。

(2)通过在该位置临时设置各种可移动的气象要素观测传感器或移动气象自动站收集该位置两年以上观测到的各种气象要素的每6小时平均历史数据，这些历史数据包括大气温度、相对湿度、风向、风速、雨量、气压、土壤温度、土壤湿度、能见度、紫外线、特零地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霆等相关要素，以及发生的时间和具体位置等信息，构建目标景点的气象要素历史数据库OHDB；

(3)收集数值预报模式输出产品(如T639和GRAPES等)关于待预测景区所属地理区域的格点气象要素历史数据。例如，待预测景区是广西大明山风景区，该景区主要位于南宁市北部的武鸣区内，大明山山体长68公里，宽23公里，横跨武鸣、上林、马山、宾阳四县区。则收集数值预报模式同期生成的武鸣、上林、马山、宾阳四县区的对应各层次各种气象要素数据。并将以上气象要素数据构建目标景区所在区域的气象要素历史数据库RHDB；

(4)收集国家气象局发布的同期的关于目标景区各种旅游气象要素历史数据。并将以上气象要素数据构建目标景区的气象要素历史数据库THDB；

(5)将OHDB中的目标景区待测景点位置待测气象要素与RHDB、THDB中的气象要素历史数据进行相关分析，提取与目标景点位置的目标气象要素显著相关的气象要素数据，构建目标相关气象要素集RFs；

下面以预测目标气象要素为广西大明山景区天湖景点的特零地温为例，提取其相关气象要素集RFs的过程是:

①假设广西大明山景区天湖景点的特零地温为因变量Y，其与OHDB、RHDB、THDB中的可能相关的气象要素自变量集合为X＝{x₁,x₂,...,x_n}，则其对应历史数据集可表示为：

i＝1,2,…,m和j＝1,2,…,n，其中m为OHDB中某气象要素的记录数，n为与目标气象要素可能相关的气象要素数。

②计算上述各与目标气象要素因变量Y可能相关的气象要素Xi之间的相关系数，其公式为：

③对上述计算所得的各变量相关系统进行相关系数检验，从中选取通过给定信度检验的相关性较好的各气象要素作为目标气象要素相关要素自变量。

④整理上述步骤选取出来的各相关气象要素自变量和相应的因变量，构建目标景区待测景点位置待测气象要素影响因子集RFs。

(6)对步骤(5)选取出来的待测气象要素影响因子集RFs的数据进行Z-SCORE标准化处理，以消除每个因素变量的量纲不同对核主成分分析和对基因表达式编程建模带来的影响；

(7)对经过标准化处理的时序数据进行核主成分分析，选择贡献率较大的前t(建议2<t<6)个主分量作为预报因子；

核主成分分析常用的核函数主要包括线性核函数、多项式核函数、高斯径向基核函数和神经网络核函数等4类，在工程实施时可根据模型实验测试的最佳效果选定预测某一目标气象要素时最适合的核函数。本实施方案以选用高斯径向基函数为核函数为例说明构建核主成分分析法的实施过程：

核主成分分析常用的核函数主要包括线性核函数、多项式核函数、高斯径向基核函数和神经网络核函数等4类，在工程实施时可根据模型实验测试的最佳效果选定预测某一目标气象要素时最适合的核函数。本实施方案以选用高斯径向基函数为核函数为例说明构建核主成分分析法的实施过程：

A、将所获得的n个指标(每一指标有m个样品)的一批数据写成一个(m×n)维数据矩阵：

B、计算核矩阵：选择高斯径向核函数中的参数，公式为：

K_μv：＝(Φ(x_μ)·Φ(x_v))

C、修正核矩阵得到K_μv，公式为：

D、运用Jacobi迭代方法计算K_μv的特征值λ₁，…，λ_n以及对应的特征向量V₁，…，V_n；

E、对特征值按降序排序得λ₁’，…，λ_n’，并调整特征向量得λ1'，…，λn'；

F、求单位正交化特征向量(用施密特正交法)得到α₁，…，α_n；

G、计算特征值的累积贡献率B₁，…，B_n，根据给定的提取效率P，如果Bt≥p，则提取t个主分量α₁，…，α_t；

H、计算已修正的核矩阵X在提取出的特征向量上的投影Z,其中α＝(α1，…，αt)。

以上步骤所得的投影Z即为数据经核主成分分析降维后所得数据，即把原本RFs的n维数据降为了t维。该t维的主分量数据α＝(α₁，…，α_t)就是预测对应的目标气象要素模型的预测因子向量；

(8)选取上述步骤(7)所得的t个预测因子向量作为新的输入样本集数据输入，开始基因表达式编程的气象要素数据的函数挖掘过程，所获得的函数模型即为该目标气象要素的预测模型，具体包括以下步骤：

第一步：读入样本数据，输入种群大小、基因头长度、基因尾长度、函数最大操目数、基因数、最大迭代数、最大适应度值、变异率、插串率、重组率，系统根据基因表达式编程染色体和基因的定义自动生成初始种群；

其中，基因表达式编程的基因用长度固定的符串来表示，由头和尾两部分组成，头部既可以包含函数符号也可以包含终结符号，而尾部则只能包含终结符号，且尾部长度t和头部长度h之间应该满足方程:t＝h*(n-1)+1；本发明预报气象要素的数据对象是多元时间序列数据，在染色体构成采用多基因染色体的方式，每个主要气象因子用一个基因表示。

第二步：适应度计算指定各个个体(即染色体)的适应度；

本发明的适应度函数选用复相关系数，定义如下：

其中，

R_i为第i个体的适应度，0≤R_i≤1；

SSE为残差平方和；

m为OHDB中的存储的待测要素的相关历史数据记录数；

y_j为以第一预报因子中的数据作为数据样本，其中存储的第j次的气象要素；

为变量y_j关于函数y的估计值；

SST为总离差平方和；

为变量y_j的平均值；

第三步：若不符合结束条件，继续下一步，否则跳到第五步；

其中，本发明的结束条件为最大适应度值达到要求；

第四步：保留最优染色体，进行遗传操作，并根据达尔文的“适者生存”原则选择产生下一代，其过程如下：

①保留最优染色体；

②选择染色体进行复制，可选用轮盘赌选择法或锦标赛选择法对染色体进行选择；

③对②选择和复制染色体的结果依概率进行交叉重组、变异、插串、倒串等遗传操作。

转到第二步。

第五步：将种群中的最优染色体的表现型按树的中序遍历将表达树解析为数学表达式，所得数学表达式即为所求解的气象要素与其主要预测因子的映射关系函数模型。

(9)输入数值预报模式输出产品关于待预测景区所属地理区域的对应各层次各种的格点气象要素目标时段预报数据和国家气象局发布的关于目标景区各种旅游气象要素目标时段预报数据，按照步骤(5)结果初步筛选强影响因子，并进行步骤(6)和步骤(7)操作。

(10)将步骤(9)结果输入到步骤(8)所获得的预测模型，并将结果进行逆标准化处理得到真正的目标气象要素预测结果。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种复杂地貌大景区的景点气象要素智能精细预测方法，其特征在于，包括以下步骤：

步骤一、收集目标景区的目标景点的气象要素数据，建立目标景点的气象要素历史数据库OHDB；收集与OHDB中的气象要素数据同期的目标景区所在区域的格点化气象要素数据，建立目标景区所在区域的气象要素历史数据库RHDB；收集国家气象局发布的与OHDB中的气象素数据同期的目标景区的气象要素数据，建立目标景区的气象要素历史数据库THDB；

步骤二、根据目标景点的实际情况，确定目标景点的目标气象要素；将OHDB中的气象要素数据与RHDB中的气象要素数据和THDB中的气象要素数据进行相关分析，提取与目标景点的目标气象要素显著相关的气象要素，并从RHDB和THDB中提取与目标景点的目标气象要素显著相关的气象要素对应的气象要素数据，建立目标景点相关气象要素数据集RFs；

步骤三、对RFs中的气象要素数据进行Z-SCORE标准化处理；

步骤四、对步骤三中得到的数据进行核主成分分析，选取贡献率较大的前2-6个主分量作为目标景点主要相关气象要素，从RFs中选出与目标景点主要相关气象要素对应的气象要素数据，建立目标景点主要相关气象要素数据集DFs；

步骤五、以DFs中的数据作为数据样本，使用基因表达式编程算法计算目标景点的目标气象要素与目标景点主要相关气象要素的映射关系函数，得到目标景点气象要素的预测模型G；

步骤六、收集待预测时段的目标景区所在区域的格点化气象要素的预测数据和目标景区的气象要素的预测数据，并从中提取与目标景点的目标气象要素显著相关的气象要素对应的气象要素的数据，建立待预测目标景点相关气象要素数据集X_RFs；

步骤七、对X_RFs中的气象要素数据进行Z-SCORE标准化处理；

步骤八、对步骤七中得到的数据进行核主成分分析，选取贡献率较大的前2-6个主分量作为综合预报因子，从X_RFs中选出与综合预报因子对应的气象要素数据，建立待预测目标景点主要相关气象要素数据集X_DFs；

步骤九、将X_DFs中的数据带入G中进行计算，得到初步目标景点气象要素预测数据，对初步目标景点气象要素预测数据进行逆标准化处理，即得到目标景点的气象要素预测数据。

2.如权利要求1所述的复杂地貌大景区的景点气象要素智能精细预测方法，其特征在于，所述步骤一中收集目标景区的目标景点的气象要素数据的具体方法为：

在目标景区内待测的目标景点处设置气象要素观测仪器或移动气象自动站，每6小时统计并记录一次该时间段内各气象要素的平均数据，并持续至少一年。

3.如权利要求1所述的复杂地貌大景区的景点气象要素智能精细预测方法，其特征在于，所述步骤一中收集的目标景区的目标景点的气象要素数据包括：大气温度、相对湿度、风向、风速、雨量、气压、土壤温度、土壤湿度、能见度、紫外线、特零地温、云量、蒸发量、云高、雪深、日照辐射、雾以及霆相关的气象要素数据。

4.如权利要求1所述的复杂地貌大景区的景点气象要素智能精细预测方法，其特征在于，所述步骤五具体包括以下步骤：

步骤a、基因表达式编程算法程序读入数据样本，输入种群大小、基因头长度、基因尾长度、函数最大操目数、基因数、最大迭代数、最大适应度值、变异率、插串率和重组率，基因表达式编程算法程序根据基因表达式编程染色体和基因的定义自动生成初始种群；

步骤b、基因表达式编程算法程序进行适应度计算，以染色体为个体，并分别计算各个个体的适应度，适应度的计算公式如下：

$R_i=1-\frac{SSE}{SST}$

$SSE=\underset{j=1}{\overset{m}{\&Sigma;}}{(y_j-{\hat{y}}_j)}^2$

$SST=\underset{j=1}{\overset{m}{\&Sigma;}}{(y_j-\stackrel{\&OverBar;}{y})}^2$

其中，

R_i为第i个体的适应度，0≤R_i≤1；

SSE为残差平方和；

m为目标发生的气象灾害的总记录次数；

y_j为以第一预报因子中的数据作为数据样本，其中存储的第j次的气象要素；

为变量y_j关于函数y的估计值；

SST为总离差平方和；

为变量y_j的平均值；

步骤c、若步骤b中计算得到的个体的适应度达到步骤a中输入的最大适应度值，则将种群中的最优个体的表现型按树的中序遍历将表达树解析为数学表达式，其中，在所有个体中适应度最大的个体为最优个体，所得数学表达式即为目标景区的一种气象灾害与主要气象要素之间的映射关系函数；若步骤b中计算得到的个体的适应度未达到步骤a中输入的最大适应度值，则继续

步骤d、以最优个体作为最优染色体，保留最优染色体进行遗传操作，并根据达尔文的适者生存原则选择产生下一代染色体，将得到的下一代染色体作为个体重复步骤b到步骤c。

5.如权利要求4所述的复杂地貌大景区的景点气象要素智能精细预测方法，其特征在于，所述步骤a中基因表达式编程算法的基因用长度固定的符串来表示，由头部和尾部两部分组成，头部包含函数符号和终结符号，尾部包含终结符号，尾部长度t和头部长度h之间满足方程：t＝h*(n-1)+1。

6.如权利要求5所述的复杂地貌大景区的景点气象要素智能精细预测方法，其特征在于，所述步骤a中的基因表达式编程算法程序采用多基因染色体的方式构成染色体，每个气象要素用一个基因表示。

7.如权利要求6所述的复杂地貌大景区的景点气象要素智能精细预测方法，其特征在于，所述步骤d中根据达尔文的适者生存原则产生下一代染色体的步骤为：

步骤1)、保留最优染色体；

步骤2)、选择染色体进行复制，可选用轮盘赌选择法或锦标赛选择法对染色体进行选择；

步骤3)、对步骤2)中得到的染色体依概率进行交叉重组、变异、插串和倒串等遗传操作，得到下一代染色体。