CN109541729A - 一种基于narx的中国北方草原地区生长季降雨量的预测方法 - Google Patents
一种基于narx的中国北方草原地区生长季降雨量的预测方法 Download PDFInfo
- Publication number
- CN109541729A CN109541729A CN201811373041.XA CN201811373041A CN109541729A CN 109541729 A CN109541729 A CN 109541729A CN 201811373041 A CN201811373041 A CN 201811373041A CN 109541729 A CN109541729 A CN 109541729A
- Authority
- CN
- China
- Prior art keywords
- narx
- prediction
- prediction model
- rmse
- mae
- 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
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
本发明公开了一种基于NARX的中国北方草原地区生长季降雨量的预测方法,包括基于相关性分析的数据预处理、NARX预测模型数据分配、NARX预测模型学习、NARX预测模型误差比对控制、NARX预测结果比对判断五个步骤。本发明核心方法采用NARX预测模型,该模型除表征非线性映射能力之外,还具有输入、输出双向延时能力以及一定的输入、输出记忆能力。本发明可以准确预测生长季(6‑8月)降雨量平均值,从而实现根据降雨量的预测值评估未来年份植被生长情况,实现可放牧的牲畜数量(载畜量)的合理估算,支撑动态的放牧策略,以避免灾害年份出现过度放牧。
Description
技术领域
本发明涉及降雨量预测建模领域,更具体的说,是涉及一种基于NARX的中国北方草原地区生长季降雨量的预测方法。
背景技术
近30年来,中国北方草原地区的气候多变,例如极端干旱天气的出现,加之人类的频繁生产活动(如过度放牧),导致了草原地区植被的快速退化,部分地区出现严重的沙化。由于当年的降雨量影响着当年的草原植被生长情况,尤其是每年的生长季(6-8月)降雨量直接影响着当年的植被生长情况,同时也间接决定了对应地区放牧的牲畜数量。因此,有必要研究一种新型的中国北方草原地区生长季的降雨量预测模型。
Nonlinear auto regressive with exogenous input(NARX)是一种基于时延神经网络发展的一种带有外部反馈的神经网络,在具有常见的非线性映射能力之外,还具有输入、输出双向延时能力,并使模型具有一定的输入、输出记忆能力。由于降雨量与植被生长之间存在相互影响、非线性的关系,且当年的植被生长往往与之前年度的降雨量存在紧密的关系。因此,本发明基于NARX建立了降雨量自预测模型,最终实现生长季降雨量的准确预测。
发明内容
本发明的目的是为了克服现有针对中国北方草原地区降雨量预测技术中的不足,基于以往降雨量的观测数据,提出一种基于NARX的中国北方草原地区生长季降雨量的预测方法,可以准确预测生长季降雨量的平均值,该方法有利于基于可预测的气候条件实现动态的放牧策略,以避免灾害年份出现过度放牧。
本发明解决上述预测难题的技术方法和方案如下:一种基于NARX的中国北方草原地区生长季降雨量的预测方法,其特征在于,包括基于相关性分析的数据预处理、NARX预测模型数据分配、NARX预测模型学习、NARX预测模型误差比对控制、NARX预测结果比对判断五个步骤,
步骤一基于相关性分析的数据预处理为,利用SPSS统计软件进行相关性分析,基于历年统计数据确定北方草原地区年度生长季月平均降雨量NARX预测模型的输入变量P(t-1)和输出变量P(t),其中P(t),P(t-1)分别是t、t-1年度生长季降雨量月平均值;
步骤二NARX预测模型数据分配为,按照8:1:1的比例确定降雨量NARX预测模型的训练数据、测试数据、验证数据;
步骤三NARX预测模型学习为,建立NARX预测模型,激励函数选取sigmoid,初始隐藏层为1层,初始神经元个数为22,初始输入延迟时间为1:9,初始输出反馈延迟时间1:3;将训练数据导入降雨量NARX预测模型中,对降雨量NARX预测模型进行训练,并利用测试数据对NARX模型进行参数调整;
步骤四NARX预测模型误差比对控制为,比较每次降雨量NARX预测模型的训练误差MAE1、RMSE1大小,如果MAE1、RMSE1均小于精度期望值MAE0、RMSE0,则完成降雨量NARX预测模型训练;如果MAE1或RMSE1大于精度期望值MAE0或RMSE0,则调整模型参数重新训练,直到MAE1、RMSE1均小于精度期望值MAE0、RMSE0,训练结束,完成降雨量NARX预测模型建模;
步骤五NARX预测结果比对判断为,将验证数据中输入变量导入已经训练好的降雨量NARX预测模型中,比较降雨量NARX预测模型输出结果和降雨量实际观测值(验证数据中的输出变量),并计算NARX模型的测试误差MAE、RMSE;若MAE、RMSE均小于预定精度期望值MAEq、RMSEq则预测结束;若MAE或RMSE大于预定精度期望值MAEq或RMSEq则返回第一步骤重复上述操作,同时在步骤三中逐次增加NARX模型的隐藏层层数、神经元个数、输入延迟时间和输出反馈延迟时间,从而改善NARX预测模型的输入、输出记忆能力,提升预测精度,直至MAE、RMSE均小于预定精度期望值MAEq、RMSEq,预测结束。
步骤四中的测试误差MAE1和MAE,以及RMSE1和RMSE分别按以下公式计算:
其中,(Yobs1)i表示降雨量实际观测值,即测试数据中输出变量,也就是MAE、RMSE预测模型的理想输出结果,(Ypred1)i表示MAE、RMSE预测模型的输出结果,N1表示样本数量。
与现有技术相比,本发明的技术方案所带来的有益效果是:
本发明核心方法采用NARX预测模型,该模型除表征非线性映射能力之外,还具有输入、输出双向延时能力以及一定的输入、输出记忆能力。相比传统的降雨量的预测方法,基于NARX建立的预测模型具有模型学习能力强、精确度高的优势。
附图说明
图1为本发明预测方法步骤图;
图2为本发明基于NARX的降雨量预测模型建模流程示意图;
图3为本发明基于NARX的降雨量预测结果示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1、图2所示,本发明提供了基于NARX的中国北方草原地区生长季降雨量的预测方法,包括基于相关性分析的数据预处理、NARX预测模型数据分配、NARX预测模型学习、NARX预测模型误差比对控制、NARX预测结果比对判断五个步骤,
步骤一基于相关性分析的数据预处理为,利用SPSS统计软件进行相关性分析,基于历年统计数据确定北方草原地区年度生长季月平均降雨量NARX预测模型的输入变量P(t-1)和输出变量P(t),其中P(t),P(t-1)分别是t、t-1年度生长季降雨量月平均值;
步骤二NARX预测模型数据分配为,按照8:1:1的比例确定降雨量NARX预测模型的训练数据、测试数据、验证数据;
步骤三NARX预测模型学习为,建立NARX预测模型,激励函数选取sigmoid,初始隐藏层为1层,初始神经元个数为22,初始输入延迟时间为1:9,初始输出反馈延迟时间1:3;将训练数据导入降雨量NARX预测模型中,对降雨量NARX预测模型进行训练,并利用测试数据对NARX模型进行参数调整;
步骤四NARX预测模型误差比对控制为,比较每次降雨量NARX预测模型的训练误差MAE1、RMSE1大小,如果MAE1、RMSE1均小于精度期望值MAE0、RMSE0,则完成降雨量NARX预测模型训练;如果MAE1或RMSE1大于精度期望值MAE0或RMSE0,则调整模型参数重新训练,直到MAE1、RMSE1均小于精度期望值MAE0、RMSE0,训练结束,完成降雨量NARX预测模型建模;
步骤五NARX预测结果比对判断为,将验证数据中输入变量导入已经训练好的降雨量NARX预测模型中,比较降雨量NARX预测模型输出结果和降雨量实际观测值(验证数据中的输出变量),并计算NARX模型的测试误差MAE、RMSE。若MAE、RMSE均小于预定精度期望值MAEq、RMSEq则预测结束;若MAE或RMSE大于预定精度期望值MAEq或RMSEq则返回第一步骤重复上述操作,同时在步骤三中逐次增加NARX模型的隐藏层层数、神经元个数、输入延迟时间和输出反馈延迟时间,从而改善NARX预测模型的输入、输出记忆能力,提升预测精度,直至MAE、RMSE均小于预定精度期望值MAEq、RMSEq,预测结束。
步骤四中的测试误差MAE1、RMSE1(及MAE、RMSE)按以下公式计算:
其中,(Yobs1)i表示降雨量实际观测值,即测试数据中输出变量,也就是MAE、RMSE预测模型的理想输出结果,(Ypred1)i表示MAE、RMSE预测模型的输出结果,N1表示样本数量。
本发明实施例。
现基于内蒙古呼伦贝尔市新巴尔虎左旗地区1975-2015年生长季降雨量月平均值,结合降雨量预测模型的建立方法对本发明提出的基于NARX的中国北方草原地区生长季降雨量的预测方法进行详细的说明。
步骤一、基于历年统计数据选择预测模型的输入变量,利用SPSS统计软件进行相关性分析,最终确定与P(t)对应的输入序列P(t-1);
步骤二、获得降雨量NARX预测模型的训练数据和测试数据,按照如图1所示的流程,将训练数据导入降雨量NARX预测模型,对降雨量NARX预测模型进行训练;
步骤三、确定最优模型的结构,如图2所示,确定输入变量为P(t-1),即利用前一年的降雨量作为输入变量预测当年的降雨量,在本实施例中,NARX预测模型的激励函数选取sigmoid,隐藏层为1层,神经元个数为22,输入延迟时间为1:9,输出反馈延迟时间1:3;
步骤四、比较降雨量NARX预测模型的测试误差MAE、RMSE,最后获得最佳训练结果为MAE=6.74mm(占对应降雨量序列平均值的10.66%)、RMSE=8.92mm(占对应降雨量序列平均值的14.12%);
步骤五、预测效果分析,如图3所示为降雨量预测结果与实际降雨量的比较。可见,该模型能够预测出未来降雨量的变化趋势(相关性系数R2=0.95),对突变的降雨量极值年份也能进行预测。
综上所述,应用NARX模型建立中国北方草甸草原地区生长季降雨量的预测模型,可以促进相关地区的植被恢复、环境保护及畜牧业的发展。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于NARX的中国北方草原地区生长季降雨量的预测方法,其特征在于,包括基于相关性分析的数据预处理、NARX预测模型数据分配、NARX预测模型学习、NARX预测模型误差比对控制、NARX预测结果比对判断五个步骤,
所述步骤一基于相关性分析的数据预处理为,利用SPSS统计软件进行相关性分析,基于历年统计数据确定北方草原地区年度生长季月平均降雨量NARX预测模型的输入变量P(t-1)和输出变量P(t),其中P(t),P(t-1)分别是t、t-1年度生长季降雨量月平均值;
所述步骤二NARX预测模型数据分配为,按照8:1:1的比例确定降雨量NARX预测模型的训练数据、测试数据、验证数据;
所述步骤三NARX预测模型学习为,建立NARX预测模型,激励函数选取sigmoid,初始隐藏层为1层,初始神经元个数为22,初始输入延迟时间为1:9,初始输出反馈延迟时间1:3;将训练数据导入降雨量NARX预测模型中,对降雨量NARX预测模型进行训练,并利用测试数据对NARX模型进行参数调整;
所述步骤四NARX预测模型误差比对控制为,比较每次降雨量NARX预测模型的训练误差MAE1、RMSE1大小,如果MAE1、RMSE1均分别小于精度期望值MAE0、RMSE0,则完成降雨量NARX预测模型训练;如果MAE1或RMSE1大于精度期望值MAE0或RMSE0,则调整模型参数重新训练,直到MAE1、RMSE1均小于精度期望值MAE0、RMSE0,训练结束,完成降雨量NARX预测模型建模;
所述步骤五NARX预测结果比对判断为,将验证数据中输入变量导入已经训练好的降雨量NARX预测模型中,比较降雨量NARX预测模型输出结果和降雨量实际观测值(验证数据中的输出变量),并计算NARX模型的测试误差MAE、RMSE;若MAE、RMSE均小于预定精度期望值MAEq、RMSEq则预测结束;若MAE或RMSE大于预定精度期望值MAEq或RMSEq则返回第一步骤重复上述操作,同时在步骤三中逐次增加NARX模型的隐藏层层数、神经元个数、输入延迟时间和输出反馈延迟时间,从而改善NARX预测模型的输入、输出记忆能力,提升预测精度,直至MAE、RMSE均小于预定精度期望值MAEq、RMSEq,预测结束。
2.根据权利要求1所述的一种基于NARX的中国北方草原地区生长季降雨量的预测方法,其特征在于,步骤四中的测试误差MAE1和MAE,以及RMSE1和RMSE分别按以下公式计算:
其中,(Yobs1)i表示降雨量实际观测值,即测试数据中输出变量,也就是MAE、RMSE预测模型的理想输出结果,(Ypred1)i表示MAE、RMSE预测模型的输出结果,N1表示样本数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373041.XA CN109541729B (zh) | 2018-11-19 | 2018-11-19 | 一种基于narx的中国北方草原地区生长季降雨量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373041.XA CN109541729B (zh) | 2018-11-19 | 2018-11-19 | 一种基于narx的中国北方草原地区生长季降雨量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109541729A true CN109541729A (zh) | 2019-03-29 |
CN109541729B CN109541729B (zh) | 2021-08-13 |
Family
ID=65847872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811373041.XA Active CN109541729B (zh) | 2018-11-19 | 2018-11-19 | 一种基于narx的中国北方草原地区生长季降雨量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109541729B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110777687A (zh) * | 2019-10-13 | 2020-02-11 | 天津大学 | 一种雨天城市车辆规避积水道路的智能预警方法 |
CN113240155A (zh) * | 2021-04-16 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 预测碳排放量的方法、装置及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
DE102014226485A1 (de) * | 2014-12-18 | 2016-06-23 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Vermessen eines physikalischen Systems |
CN108614533A (zh) * | 2018-05-28 | 2018-10-02 | 江南大学 | 一种基于narx模型和时滞估计的神经网络建模方法 |
-
2018
- 2018-11-19 CN CN201811373041.XA patent/CN109541729B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
DE102014226485A1 (de) * | 2014-12-18 | 2016-06-23 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Vermessen eines physikalischen Systems |
CN108614533A (zh) * | 2018-05-28 | 2018-10-02 | 江南大学 | 一种基于narx模型和时滞估计的神经网络建模方法 |
Non-Patent Citations (1)
Title |
---|
ZHOOBIN RAHIMIA: "A GNSS-based weather forecasting approach using Nonlinear Auto Regressive Approach with Exogenous Input (NARX)", 《JOURNAL OF ATMOSPHERIC AND SOLAR-TERRESTRIAL PHYSICS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110777687A (zh) * | 2019-10-13 | 2020-02-11 | 天津大学 | 一种雨天城市车辆规避积水道路的智能预警方法 |
CN113240155A (zh) * | 2021-04-16 | 2021-08-10 | 国网河北省电力有限公司沧州供电分公司 | 预测碳排放量的方法、装置及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN109541729B (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
Reddy et al. | Solar resource estimation using artificial neural networks and comparison with other correlation models | |
CN107730151B (zh) | 一种基于概念性水文模型的流域设计洪水推求方法 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN107122927A (zh) | 一种调水引流水环境改善效果综合评价方法 | |
CN109657881A (zh) | 一种适用于小样本的神经网络光伏发电预测方法及系统 | |
CN105096614B (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
CN112733442B (zh) | 基于深度学习的路面长期性能预测模型的构建方法 | |
CN106504535B (zh) | 一种结合重力模型与Fratar模型的交通分布预测方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN110148296A (zh) | 一种基于深度迁移学习的跨城市交通流量联合预测方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN107145965B (zh) | 一种基于相似度匹配和极限学习机的河流洪水预测方法 | |
CN109541729A (zh) | 一种基于narx的中国北方草原地区生长季降雨量的预测方法 | |
CN108665322A (zh) | 口粮消费量预测模型的构建方法、消费量预测方法及装置 | |
CN108417032A (zh) | 一种城市中心区路边停车需求分析预测方法 | |
CN109034500A (zh) | 一种多时序协同的中期电力负荷预测方法 | |
CN107730052A (zh) | 一种农产品价格预测方法及系统 | |
CN110309907A (zh) | 一种基于去跟踪自编码器的动态缺失值填补方法 | |
CN114418446A (zh) | 水资源短缺的定量评估方法 | |
CN109272144A (zh) | 基于bpnn的中国北方草原地区ndvi的预测方法 | |
CN109190810B (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
Qiu et al. | Forecasting the railway freight volume in China based on combined PSO-LSTM model | |
CN114862035A (zh) | 一种基于迁移学习的组合式海湾水温预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |