CN109375292A - 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法 - Google Patents

一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法 Download PDF

Info

Publication number
CN109375292A
CN109375292A CN201810999301.8A CN201810999301A CN109375292A CN 109375292 A CN109375292 A CN 109375292A CN 201810999301 A CN201810999301 A CN 201810999301A CN 109375292 A CN109375292 A CN 109375292A
Authority
CN
China
Prior art keywords
support vector
vector regression
rainfall
prediction
autoregression
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.)
Pending
Application number
CN201810999301.8A
Other languages
English (en)
Inventor
宋耀莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201810999301.8A priority Critical patent/CN109375292A/zh
Publication of CN109375292A publication Critical patent/CN109375292A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法，属于气象数据分析方法技术领域。本发明收集降雨量数据并生成降雨量数据库；获取降雨数据库中数据，并将每日降雨量数据转换为时间序列；然后将生成的时间序列导入自回归积分滑动平均模型中进行计算分析；同时利用遗传算法寻找支持向量回归模型的最优参数；再将生成的计算分析结果和生成的最优参数导入到支持向量回归模型中进行计算分析；最后根据计算分析结果，得到降雨量的预测结果。本发明使用自回归积分滑动平均模型以及支持向量回归模型对降雨数据进行处理，从而得到提高了降雨预测的准确性。

Description

一种基于自回归积分滑动平均与支持向量回归的降雨量预测 方法
技术领域
本发明涉及一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法，属于气象数据分析方法技术领域。
背景技术
在现代社会中，气象预报与我们的生活息息相关，尤其是降雨量的预报的准确性，影响着很多很多行业的决策和规划，提高降雨量的预报水平可以有助于水资源的合理可持续的运作。使用大量数据，并通过合理的方法对数据进行处理和分析，是进行降水量预测的前提，但现有的一些降雨量数据预测的方法都有着准确性不高的缺点。
发明内容
本发明要解决的技术问题是提供一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法，用于解决上述问题。
本发明的技术方案是：一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法，具体步骤为：
Step1：收集降雨量数据并生成降雨量数据库；
Step2：获取降雨数据库中数据，并将每日降雨量数据转换为时间序列；
Step3：将Step2中生成的时间序列导入自回归积分滑动平均模型中进行计算分析；
Step4：利用遗传算法寻找支持向量回归模型的最优参数；
Step5：将Step3中生成的计算分析结果和Step4中生成的最优参数导入到支持向量回归模型中进行计算分析；
Step6：根据Step5所得的计算分析结果，得到降雨量的预测结果。
所述步骤Step3中，自回归积分滑动平均模型的计算公式为：
θP(B)(1-B)dYt＝wq(B)at
其中，B为后移算子；BYt＝Yt-1，BkYt＝Yt-k；wq(B)＝1-w1B-w2B2-…-wqBp；θq(B)＝1-θ1B-θ2B2-…-wθqBp；p，d和η是整数；p为自回归项；d为时间序列成为平稳时所做的差分次数；q为移动平均值。
所述步骤Step4中，利用遗传算法寻找最优参数的具体实施方法为：
S1：随机将染色体作为初始种群的一个成员；
S2：对每个染色体的适合度进行评价；
S3：设置算法中止的条件；
S4：通过使用2个亲本染色体进行单点交叉操作来建立后代，并将交叉率设置为0.8；
S5：通过只使用单亲染色体来突变后代；
S6：采用轮盘赌法选择下一代的后代；
S7：通过使用具有比父代更好的一组后代来替代现有父代；
S8：不断重复步骤S4到S7操作，直到满足终止条件。
所述步骤Step5中，支持向量回归模型分为线性情况和非线性情况。
所述线性情况的计算公式为：
其中，w为回归线的斜率和b为回归线的偏移量，αi和为拉格朗日乘数。
所述非线性情况的计算公式为：
其中，k(xi，x)为原始输入空间映射到高维特征空间的核函数。
本发明的有益效果是：本发明使用自回归积分滑动平均模型以及支持向量回归模型对气象数据进行处理，提升降雨量数据预测结果的准确性。
附图说明
图1是本发明流程示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1所示，一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法，具体步骤为：
Step1：收集降雨量数据并生成降雨量数据库；
Step2：获取降雨数据库中数据，并将每日降雨量数据转换为时间序列；
Step3：将Step2中生成的时间序列导入自回归积分滑动平均模型中进行计算分析；
Step4：利用遗传算法寻找支持向量回归模型的最优参数；
Step5：将Step3中生成的计算分析结果和Step4中生成的最优参数导入到支持向量回归模型中进行计算分析；
Step6：根据Step5所得的计算分析结果，得到降雨量的预测结果。
所述步骤Step3中，自回归积分滑动平均模型的计算公式为：
θP(B)(1-B)dYt＝wq(B)at
其中，B为后移算子；BYt＝Yt-1，BkYt＝Yt-k；wq(B)＝1-w1B-w2B2-…-wqBp；θq(B)＝1-θ1B-θ2B2-…-wθqBp；p，d和q是整数；p为自回归项；d为时间序列成为平稳时所做的差分次数；q为移动平均值。
所述步骤Step4中，利用遗传算法寻找最优参数的具体实施方法为：
S1：随机将染色体作为初始种群的一个成员；
S2：对每个染色体的适合度进行评价；
S3：设置算法中止的条件；
S4：通过使用2个亲本染色体进行单点交叉操作来建立后代，并将交叉率设置为0.8；
S5：通过只使用单亲染色体来突变后代；
S6：采用轮盘赌法选择下一代的后代；
S7：通过使用具有比父代更好的一组后代来替代现有父代；
S8：不断重复步骤S4到S7操作，直到满足终止条件。
所述步骤Step5中，支持向量回归模型分为线性情况和非线性情况。
所述线性情况的计算公式为：
其中，w为回归线的斜率和b为回归线的偏移量，αi和为拉格朗日乘数。
所述非线性情况的计算公式为：
其中，k(xi，x)为原始输入空间映射到高维特征空间的核函数。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法，其特征在于：
Step1：收集降雨量数据并生成降雨量数据库；
Step2：获取降雨数据库中数据，并将每日降雨量数据转换为时间序列；
Step3：将Step2中生成的时间序列导入自回归积分滑动平均模型中进行计算分析；
Step4：利用遗传算法寻找支持向量回归模型的最优参数；
Step5：将Step3中生成的计算分析结果和Step4中生成的最优参数导入到支持向量回归模型中进行计算分析；
Step6：根据Step5所得的计算分析结果，得到降雨量的预测结果。
2.根据权利要求1所述的基于自回归积分滑动平均与支持向量回归的降雨量预测方法，其特征在于：所述步骤Step3中，自回归积分滑动平均模型的计算公式为：
θP(B)(1-B)dYt＝wq(B)at
其中，B为后移算子；BYt＝Yt-1，BkYt＝Yt-k；wq(B)＝1-w1B-w2B2-…-wqBp；θq(B)＝1-θ1B-θ2B2-…-wθqBp；p，d和q是整数；p为自回归项；d为时间序列成为平稳时所做的差分次数；q为移动平均值。
3.根据权利要求1所述的基于自回归积分滑动平均与支持向量回归的降雨量预测方法，其特征在于：所述步骤Step4中，利用遗传算法寻找最优参数的具体实施方法为：
S1：随机将染色体作为初始种群的一个成员；
S2：对每个染色体的适合度进行评价；
S3：设置算法中止的条件；
S4：通过使用2个亲本染色体进行单点交叉操作来建立后代，并将交叉率设置为0.8；
S5：通过只使用单亲染色体来突变后代；
S6：采用轮盘赌法选择下一代的后代；
S7：通过使用具有比父代更好的一组后代来替代现有父代；
S8：不断重复步骤S4到S7操作，直到满足终止条件。
4.根据权利要求1所述的基于自回归积分滑动平均与支持向量回归的降雨量预测方法，其特征在于：所述步骤Step5中，支持向量回归模型分为线性情况和非线性情况。
5.根据权利要求4所述的基于自回归积分滑动平均与支持向量回归的降雨量预测方法，其特征在于：所述线性情况的计算公式为：
其中，w为回归线的斜率和b为回归线的偏移量，αi和为拉格朗日乘数。
6.根据权利要求4所述的基于自回归积分滑动平均与支持向量回归的降雨量预测方法，其特征在于：所述非线性情况的计算公式为：
其中，k(xi，x)为原始输入空间映射到高维特征空间的核函数。
CN201810999301.8A 2018-08-30 2018-08-30 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法 Pending CN109375292A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810999301.8A CN109375292A (zh) 2018-08-30 2018-08-30 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810999301.8A CN109375292A (zh) 2018-08-30 2018-08-30 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法

Publications (1)

Publication Number Publication Date
CN109375292A true CN109375292A (zh) 2019-02-22

Family

ID=65404866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810999301.8A Pending CN109375292A (zh) 2018-08-30 2018-08-30 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法

Country Status (1)

Country Link
CN (1) CN109375292A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728411A (zh) * 2019-10-18 2020-01-24 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266302A (zh) * 2007-03-15 2008-09-17 中国科学院国家天文台 一种计算机太阳活动预报系统
CN102236795A (zh) * 2011-06-30 2011-11-09 内蒙古电力勘测设计院 风电场风速预测方法
CN104504475A (zh) * 2014-12-24 2015-04-08 上海大学 基于ar*-svm混合建模的雾霾时间序列预测方法
CN107292417A (zh) * 2017-05-09 2017-10-24 北京市环境保护监测中心 基于重污染序列案例库的区域重污染判别预报方法及装置
CN108416636A (zh) * 2018-03-30 2018-08-17 大连理工大学 一种预测药品销量的arima和支持向量回归融合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266302A (zh) * 2007-03-15 2008-09-17 中国科学院国家天文台 一种计算机太阳活动预报系统
CN102236795A (zh) * 2011-06-30 2011-11-09 内蒙古电力勘测设计院 风电场风速预测方法
CN104504475A (zh) * 2014-12-24 2015-04-08 上海大学 基于ar*-svm混合建模的雾霾时间序列预测方法
CN107292417A (zh) * 2017-05-09 2017-10-24 北京市环境保护监测中心 基于重污染序列案例库的区域重污染判别预报方法及装置
CN108416636A (zh) * 2018-03-30 2018-08-17 大连理工大学 一种预测药品销量的arima和支持向量回归融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
余丽玲等: ""基于支持向量机和自回归积分滑动平均模型组合的血糖值预测"", 《中国医学物理学杂志》 *
张伟等: ""基于支持向量回归的多时间序列自回归方法"", 《计算机应用》 *
邵忻: ""一种新的基于ARIMA-SVM网络流量预测研究"", 《计算机应用研究》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728411A (zh) * 2019-10-18 2020-01-24 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法
CN110728411B (zh) * 2019-10-18 2022-04-12 河海大学 一种基于卷积神经网络的高低空区域联合降雨预测方法

Similar Documents

Publication Publication Date Title
Baillieul et al. Encyclopedia of systems and control
Mahmoud et al. An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine
Hu et al. A new clustering approach for scenario reduction in multi-stochastic variable programming
Yang et al. Multi-objective operating rules for Danjiangkou reservoir under climate change
CN103430412B (zh) 运转计划创建方法以及运转计划创建装置
CN109146121A (zh) 基于pso-bp模型的停限产情况下的电量预测方法
CN103092074B (zh) 半导体先进过程控制的参数优化控制方法
CN107808253B (zh) 基于协调算法的灌区渠系实时配水方法
CN105701571A (zh) 一种基于神经网络组合模型的短时交通流量预测方法
Nedić Distributed optimization
Safdarian et al. Coalitional game theory based value sharing in energy communities
Pannocchia Distributed model predictive control
CN109103881A (zh) 适用于多场景的电力负荷预测方法
CN109375292A (zh) 一种基于自回归积分滑动平均与支持向量回归的降雨量预测方法
CN111259340B (zh) 一种基于logistic回归的饱和负荷预测方法
CN108808657A (zh) 一种电力负荷短期预测方法
CN105302976A (zh) 基于spea2算法的铝电解生产优化方法
CN112784439A (zh) 一种基于离散化模型的能源互联网规划方法及装置
CN115860417A (zh) 一种农业水灌溉分配方法、系统及一种终端设备
Castañón Dynamic noncooperative games
CN109559028A (zh) 基于灰色理论与距离评价的配电网规划年可靠性评估方法
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
CN114626622A (zh) 一种光伏功率预测方法、系统、装置及存储介质
Kawan Data rate of nonlinear control systems and feedback entropy
CN114372615A (zh) 一种考虑空间相关性的短期光伏功率预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190222

RJ01 Rejection of invention patent application after publication