CN110826601B - 基于改进的支持向量机算法的林火预测方法 - Google Patents

基于改进的支持向量机算法的林火预测方法 Download PDF

Info

Publication number
CN110826601B
CN110826601B CN201911012084.XA CN201911012084A CN110826601B CN 110826601 B CN110826601 B CN 110826601B CN 201911012084 A CN201911012084 A CN 201911012084A CN 110826601 B CN110826601 B CN 110826601B
Authority
CN
China
Prior art keywords
training
data
support vector
vector machine
result
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.)
Active
Application number
CN201911012084.XA
Other languages
English (en)
Other versions
CN110826601A (zh
Inventor
常敏
陈果
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201911012084.XA priority Critical patent/CN110826601B/zh
Publication of CN110826601A publication Critical patent/CN110826601A/zh
Application granted granted Critical
Publication of CN110826601B publication Critical patent/CN110826601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于改进的支持向量机算法的林火预测方法，收集数年全国各地的日气象数据，以及相应的森林火险等级数据，组成数据集；将所得到的日气象数据集进行排列后，再对数据集进行归一化处理，得到相应的归一化数据集，对归一化数据集按比例进行划分为训练集与测试集；将训练集带入到改进后的SVM模型中进行训练，将测试集代入到训练完毕后的SVM模型中，检验训练结果，最后将待测数据输入到训练完毕后的SVM模型进行预测，输出火灾判断结果。所采用的算法以SVM为核心，并对其进行优化，从而大大增强了其分辨能力，克服了预测极度依赖人员经验，预测不准确的问题，高了预测的准确率，减少林火的发生率，降低人员与经济财产损失。

Description

基于改进的支持向量机算法的林火预测方法
技术领域
本发明涉及一种数据挖掘技术，特别涉及一种基于改进的支持向量机(SVM)算法的林火预测方法。
背景技术
人类社会的发展依赖于森林中的丰富资源，然而，森林火灾严重威胁着现有的森林资源。全国每年发生数百上千场火灾，每年因火灾而造成的损失数以亿计，除了造成大量森林资源的损失以及巨大的经济损失外，还会对居民以及林场守护人员的生命造成不可估量的损失，因此构建一个高效且准确的森林火灾预警系统，以实现对火灾的有效预防就显得极为重要。
发明内容
本发明是针对森林火灾预测极度依赖人员经验，预测不准确的问题，提出了一种基于改进的支持向量机算法的林火预测方法，通过设计一个改进的全新模型算法来实现林火预测，提高了预测的准确率，减少林火的发生率，降低人员与经济财产损失。
本发明的技术方案为：一种基于改进的支持向量机算法的林火预测方法，具体包括如下步骤：
1)收集数年全国各地的日气象数据，以及相应的森林火险等级数据，组成数据集；
所收集的日气象数据应包含有最大风速、极大风速、平均气压、日最高气压、日最低气压、平均相对湿度、最小相对湿度、大型蒸发量、平均气温、日最高气温、日最低气温、20-20时降水量、日照时数；还包括日数据对应的火险等级；
2)将所得到的日气象数据集进行归一化处理，得到相应的归一化数据集，对归一化数据集按比例进行划分为训练集与测试集；
3)将训练集带入到改进后的SVM模型中进行训练，将测试集代入到训练完毕后的SVM模型中，检验训练结果，最后将待测数据输入到训练完毕后的SVM模型进行预测，输出火灾判断结果；
改进后的SVM模型：
将原SVM函数中的构造决策函数中的sgn去除，将剩余的部分与yi相乘，将得到的函数记为SD，其计算公式为：
Figure BDA0002244501910000021
式中yi表示第i个样本结果，即火险等级；l为样本总数；
Figure BDA0002244501910000022
为第i个最优解；K表示SVM内核函数，其表达公式如下：
Figure BDA0002244501910000023
Figure BDA0002244501910000024
x为从总样本中随机抽出的部分样本所形成的样本空间；xi表示样本空间中的第i个样本，xj表示样本空间中的第j个样本；r为大于0的比例系数,一般为属性数目的倒数；
b*为决策阈值；
对yi进行单独相加，将得到的结果记为SN，其计算公式如下：
Figure BDA0002244501910000025
将SD除以SN，将得到的结果记为y(x)，将y(x)代替原来的分类函数f(x)作为新的分类函数，其公式为：
Figure BDA0002244501910000026
本发明的有益效果在于：本发明基于改进的支持向量机算法的林火预测方法，所采用的算法以SVM为核心，并对其进行优化，从而大大增强了其分辨能力，克服了预测极度依赖人员经验，预测不准确的问题，高了预测的准确率，减少林火的发生率，降低人员与经济财产损失。
附图说明
图1为本发明基于改进的支持向量机算法的林火预测方法流程图；
图2为本发明改进的支持向量机算法流程图。
具体实施方式
如图1所示基于改进的支持向量机算法的林火预测方法流程图，方法具体包括如下步骤：
1、收集从2010-2018年全国各地的日气象数据，以及相应的森林火险等级数据，将其进行整理从而得到包含全国各地的气象数据及相应的森林火险等级。
所收集的日气象数据应包含有最大风速、极大风速、平均气压、日最高气压、日最低气压、平均相对湿度、最小相对湿度、大型蒸发量、平均气温、日最高气温、日最低气温、20-20时降水量(一种日雨量的统计方法)、日照时数；还包括日数据对应的火险等级。
2、将所得到的日气象数据集进行归一化处理，得到相应的归一化数据集。对归一化数据集按17：3比例进行划分为训练集与测试集。
2.1、归一化过程，采用[0,1]归一化，即将原始数据映射到[0,1]区间中。
3、将训练集带入到改进后的SVM模型中进行训练。将测试集代入到训练完毕后的SVM模型中，检验训练结果，最后将待测数据输入到训练完毕后的SVM模型进行预测，输出结果，是会发生火灾还是不会发生火灾。
3.1、对SVM模型中的SVM算法进行改进：原SVM函数中的构造决策函数为：
Figure BDA0002244501910000031
式中yi表示第i个样本结果，即火险等级；l为样本总数；
b*为决策阈值,计算公式为：
Figure BDA0002244501910000032
式中yj表示第j个样本结果；
Figure BDA0002244501910000033
为第i个最优解，其用以下公式的解：
Figure BDA0002244501910000041
式中a表示Largrange系数集合，ai、aj表示系数集合a中的第i、j个元素。由上式得到最优解集合：
Figure BDA0002244501910000042
K表示SVM内核函数，其表达公式如下：
Figure BDA0002244501910000043
对应的K(xi,xj)表示为
Figure BDA0002244501910000044
其中x为从总样本中随机抽出的部分样本所形成的样本空间；xi表示样本空间中的第i个样本，xj表示样本空间中的第j个样本；r为大于0的比例系数,一般为属性数目的倒数。
3.2、为了能得到更好的正确率、实用性和兼容性，提升其性能，现在对其进行改进，如图2所示，改进过程如下：
3.2.1、为了提高其实用性和兼容性，首先将原SVM函数中的构造决策函数中的sgn去除，将剩余的部分与yi相乘，将得到的函数记为SD，其计算公式为：
Figure BDA0002244501910000045
3.2.2、对yi进行单独相加，将得到的结果记为SN，其计算公式如下：
Figure BDA0002244501910000046
3.2.3、将SD除以SN，将得到的结果记为y(x)，将y(x)代替原来的分类函数f(x)作为新的分类函数，其公式为：
Figure BDA0002244501910000051

Claims (1)

1.一种基于改进的支持向量机算法的林火预测方法，其特征在于，具体包括如下步骤：
1)收集数年全国各地的日气象数据，以及相应的森林火险等级数据，组成数据集；
所收集的日气象数据应包含有最大风速、极大风速、平均气压、日最高气压、日最低气压、平均相对湿度、最小相对湿度、大型蒸发量、平均气温、日最高气温、日最低气温、20-20时降水量和日照时数；还包括日数据对应的火险等级；
2)将所得到的日气象数据集进行归一化处理，得到相应的归一化数据集，对归一化数据集按比例进行划分为训练集与测试集；
3)将训练集带入到改进后的支持向量机模型中进行训练，将测试集代入到训练完毕后的支持向量机模型中，检验训练结果，最后将待测数据输入到训练完毕后的支持向量机模型进行预测，输出火灾判断结果；
改进后的支持向量机模型：
将原支持向量机函数中的构造决策函数中的sgn去除，将剩余的部分与yi相乘，将得到的函数记为SD，其计算公式为：
Figure FDA0004142708600000011
式中yi表示第i个样本结果，即火险等级；l为样本总数；
Figure FDA0004142708600000012
为第i个最优解；K表示SVM内核函数，其表达公式如下：
Figure FDA0004142708600000013
Figure FDA0004142708600000014
x为从总样本中随机抽出的部分样本所形成的样本空间；xi表示样本空间中的第i个样本，xj表示样本空间中的第j个样本；r为大于0的比例系数,为属性数目的倒数；
b*为决策阈值；
对yi进行单独相加，将得到的结果记为SN，其计算公式如下：
Figure FDA0004142708600000021
将SD除以SN，将得到的结果记为y(x)，将y(x)代替原来的分类函数f(x)作为新的分类函数，其公式为：
Figure FDA0004142708600000022
CN201911012084.XA 2019-10-23 2019-10-23 基于改进的支持向量机算法的林火预测方法 Active CN110826601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911012084.XA CN110826601B (zh) 2019-10-23 2019-10-23 基于改进的支持向量机算法的林火预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911012084.XA CN110826601B (zh) 2019-10-23 2019-10-23 基于改进的支持向量机算法的林火预测方法

Publications (2)

Publication Number Publication Date
CN110826601A CN110826601A (zh) 2020-02-21
CN110826601B true CN110826601B (zh) 2023-07-11

Family

ID=69550241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911012084.XA Active CN110826601B (zh) 2019-10-23 2019-10-23 基于改进的支持向量机算法的林火预测方法

Country Status (1)

Country Link
CN (1) CN110826601B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103178900A (zh) * 2013-03-22 2013-06-26 北京邮电大学 基于支持向量机的相干光通信系统非线性损伤消除装置
CN108416366A (zh) * 2018-02-06 2018-08-17 武汉大学 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法
CN108845560A (zh) * 2018-05-30 2018-11-20 国网浙江省电力有限公司宁波供电公司 一种电力调度日志故障分类方法
CN110046738A (zh) * 2019-01-28 2019-07-23 南京林业大学 一种基于人工智能感知机模型的森林火灾预测方法
CN110210974A (zh) * 2019-05-31 2019-09-06 三峡大学 一种基于粒子群优化增量支持向量机的内幕交易辨别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103178900A (zh) * 2013-03-22 2013-06-26 北京邮电大学 基于支持向量机的相干光通信系统非线性损伤消除装置
CN108416366A (zh) * 2018-02-06 2018-08-17 武汉大学 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法
CN108845560A (zh) * 2018-05-30 2018-11-20 国网浙江省电力有限公司宁波供电公司 一种电力调度日志故障分类方法
CN110046738A (zh) * 2019-01-28 2019-07-23 南京林业大学 一种基于人工智能感知机模型的森林火灾预测方法
CN110210974A (zh) * 2019-05-31 2019-09-06 三峡大学 一种基于粒子群优化增量支持向量机的内幕交易辨别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Bai lie.Machine fauU diagnosis using industrial wireless sensor networks and support vector machine.《2015 IEEE 12th International Conference on Electronic Measurement & Instruments》.2016,153-158. *
史朝辉.基于模糊超球面 SVM 的雷达高分辨距离像识别.《弹 箭 与 制 导 学 报》.2015,第35卷(第3期),166-169. *
戴卫国.基于支持向量机改进算法的船舶类型识别研究.《声 学 技 术 》.2015,第34卷(第3期),203-208. *

Also Published As

Publication number Publication date
CN110826601A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
WO2022184088A1 (zh) 一种基于集成学习的洪水敏感性风险评估方法
WO2021190056A1 (zh) 一种瓷质绝缘子串红外零值诊断方法及系统
CN109389180A (zh) 一款基于深度学习的电力设备图像识别方法及巡查机器人
CN109660206B (zh) 一种基于Wasserstein GAN的光伏阵列故障诊断方法
CN110598726A (zh) 一种基于随机森林的输电杆塔鸟害风险预测方法
CN108595582B (zh) 一种基于社会信号的灾害性气象热点事件识别方法
CN115994325B (zh) 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法
CN108011367A (zh) 一种基于深度决策树算法的电力负荷特性挖掘方法
CN111401149B (zh) 基于长短期时域建模算法的轻量级视频行为识别方法
CN106649527A (zh) 基于Spark Streaming的广告点击异常检测系统及检测方法
CN103839078A (zh) 一种基于主动学习的高光谱图像分类方法
CN108596227B (zh) 一种用户用电行为主导影响因素挖掘方法
CN115829105A (zh) 基于历史数据特征搜索的光伏功率预测方法
CN110942098A (zh) 一种基于贝叶斯剪枝决策树的供电服务质量分析方法
CN116050666B (zh) 一种辐照特征聚类的光伏发电功率预测方法
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN113313289B (zh) 一种基于多数据源的电网气象预警系统
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN105447100A (zh) 一种基于形状特征的云图检索方法
CN110826601B (zh) 基于改进的支持向量机算法的林火预测方法
CN106295175B (zh) 基于svd算法的台站气象数据缺值填充方法
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN116310596A (zh) 一种基于域适应的电力仪表小样本目标检测方法
CN106407735A (zh) 天气交通可视化方法及装置

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