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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001556 precipitation Methods 0.000 title claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
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。
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)
| 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)
| 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 |
-
2018
- 2018-08-30 CN CN201810999301.8A patent/CN109375292A/zh active Pending
Patent Citations (5)
| 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)
| 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)
| 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 | |
| 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 | |
| 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 | |
| CN103390200A (zh) | 基于相似日的光伏电站发电输出功率预测方法 | |
| Nedić | Distributed optimization | |
| Safdarian et al. | Coalitional game theory based value sharing in energy communities | |
| CN116227753B (zh) | 一种变化环境下水资源优化配置方法 | |
| Pannocchia | Distributed model predictive control | |
| Hakimi-Asiabar et al. | Multi-objective genetic local search algorithm using Kohonen’s neural map | |
| 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 | |
| Wang et al. | Carbon peak management strategies for achieving net-zero emissions in smart buildings: Advances and modeling in digital twin | |
| Lafortune | Diagnosis of discrete event systems | |
| CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
| 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 | |
| Kouroudis et al. | Utilizing data-driven optimization to automate the parametrization of kinetic Monte Carlo models | |
| CN115860417A (zh) | 一种农业水灌溉分配方法、系统及一种终端设备 | |
| Bar-Shalom et al. | Data association | |
| CN111933226B (zh) | 一种基于分级分类模型的人工智能筛选材料方法 | |
| Kawan | Data rate of nonlinear control systems and feedback entropy | |
| Shim | Disturbance observers |
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 |