CN112200353A - 基于改进量子优化算法的支持向量机天气预测方法 - Google Patents
基于改进量子优化算法的支持向量机天气预测方法 Download PDFInfo
- Publication number
- CN112200353A CN112200353A CN202011062745.2A CN202011062745A CN112200353A CN 112200353 A CN112200353 A CN 112200353A CN 202011062745 A CN202011062745 A CN 202011062745A CN 112200353 A CN112200353 A CN 112200353A
- Authority
- CN
- China
- Prior art keywords
- weather
- weather prediction
- data
- optimal
- prediction method
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
Abstract
本发明涉及计算机数据处理技术领域,具体涉及一种基于改进量子优化算法的支持向量机天气预测方法,包括以下步骤:S1、获取天气数据,并对天气数据进行预处理;S2、根据SVM算法构建SVM天气预测模型;S3、基于改进的量子遗传算法,搜寻SVM天气预测模型的最佳核函数和最佳核函数的核参数;S4、基于最佳核函数和最佳核函数的核参数优化SVM天气预测模型,获取最优SVM天气预测模型;S5、将预处理后的天气数据导入到最优SVM天气预测模型中,对短期天气进行天气预测。本发明解决了传统天气预测方法在短期天气预测上精确度不够高的问题。
Description
技术领域
本发明涉及计算机数据处理技术领域,具体涉及一种基于改进量子优化算法的支持向量机天气预测方法。
背景技术
天气预报或气象预报是指使用现代科学技术对未来某一地点地球大气层的状态进行预测。今天的天气预报主要是使用收集大量的数据(气温、湿度、风向和风速、气压等等),然后使用目前对大气过程的认识(气象学)来确定未来空气变化。
天气预报就时效的长短通常分为三种:短期天气预报(2~3天)、中期天气预报(4~9天),长期天气预报(10~15天以上),生活中常常关注的主要是短期天气预报。
根据覆盖地区来预报范围,可将天气预报分为:大范围预报(一般指大洲或国家范围的预报),中范围预报(常指省(区)、州和地区范围的预报),小范围预报(如一个县范围的预报、城市预报等)。
现实生活中对于天气预报的预测是一个及其复杂的过程,面对纷繁复杂的数据人们很难从中找到规律并利用它来预测未来天气的走势,因此目前天气预报的预测精确度不够高,使得实际天气情况与预测天气情况存在较高的误差。
发明内容
本发明的目的在于提供一种基于改进量子优化算法的支持向量机天气预测方法,以解决在短期天气预测上精确度不够高的问题。
为了达到上述目的,提供了一种基于改进量子优化算法的支持向量机天气预测方法,包括以下步骤:
S1、获取天气数据,并对天气数据进行预处理;
S2、根据SVM算法构建SVM天气预测模型;
S3、基于改进的量子遗传算法,搜寻SVM天气预测模型的最佳核函数和最佳核函数的核参数;
S4、基于最佳核函数和最佳核函数的核参数优化SVM天气预测模型,获取最优SVM天气预测模型;
S5、将预处理后的天气数据导入到最优SVM天气预测模型中,对短期天气进行天气预测。
工作原理及优点:
1.量子遗传算法从由平均分布整个解空间组成的初始种群开始在参数空间进行搜索,个体状态是通过量子比特几率幅来表示的,增强了种群的多样性,扩大寻优能力。本方案通过改进的遗传算法比起传统遗传算法能更好的得到全局最优解。有效的增强了传统量子遗传算法遗传的全局搜索能力和效率,能够得到预测精确度更高的天气预测模型,从而提高天气预测的精准度。
2.支持向量机具有很好的泛化即推广能力,针对小样本、非线性等问题又能很好地解决,并且有效的克服传统天气预测方法的缺点比如维数灾难、过学习等。
进一步,所述步骤S1中,在对天气数据进行预处理前,还包括以下步骤:
S101、对天气数据中的历史天气数据进行数据分类,分成训练集和测试集,所述训练集和测试集中均包括若干天气特征和数据标签,所述数据标签为明天是否下雨;
S102、从训练集和测试集中提炼能够预测数据标签的新天气特征,并将新天气特征补充到训练集和测试集中,所述新天气特征包括每月的下雨概率、今日是否下雨的今日降雨标签和预报范围区域内所对应的气候类型数据。
训练集用于SVM天气预测模型的学习训练,测试集用于SVM天气预测模型的测试。而测试集在现实中往往是不可获得的,而且通过训练集和测试集的划分,避免在SVM天气预测模型建模的过程受到测试集数据的影响,否则就相当于提前告诉了模型一部分预测的答案。
而且通过基于原有的天气数据来增加新天气特征,从而得到能够更准确预测天气的新天气特征,进而提高SVM天气预测模型的预测精度。
进一步,所述步骤S1中,所述天气数据的预处理具体包括以下子步骤:
S103、对训练集中天气特征的缺失值按照预设的填补缺失值策略进行填补;所述填补缺失值策略为:对天气特征的数据类型进行分类,包括分类型和连续型;当天气特征的数据类型为分类型时,采用天气特征的众数进行填补;当天气特征的数据类型为连续型时,采用天气特征的均值来填补;
S104、使用训练集中天气特征的众数和均值来对测试集进行填补。
由于天气数据数据量大且复杂,导致天气数据在收集时,天气特征对应的数据容易出错或漏填,而通过将天气数据进行预处理,便于对天气数据进行完善或更改错误的天气特征,从而保证天气数据的完整性和准确性。
进一步,所述步骤S3中具体包括以下步骤:
S301、根据预设的初始化规则将初始种群分成若干组子种群,所述子种群包含若干个个体;
S302、用适应度值评价函数对每个个体的适应度进行计算,得到适应度值;
S303、采用预设的选择策略,通过适应度值大小确定该个体被留下来的概率;保留最优个体及适应度值;
S304、判断适应度值是否满足规定的精度终止条件,若满足则输出最佳参数,构造最优化参数模型,若不满足则执行步骤S305;
S305、根据当前迭代次数和旋转角度的动态调整策略改变量子旋转门的旋转角,利用量子旋转门更新个体;
S306、判断是否达到设置的迭代次数上限,若达到则输出最佳参数,构造最优化参数模型,若未达到,则执行步骤S302。
能够提升整体的收敛速率,还可以使得当前待更新个体总是朝着更优的个体更快地进行旋转,从而使得算法达到更快地收敛到最优解的目的。
进一步,所述步骤S301中,预设的初始化规则为:
其中,angle表示当前种群的初始化角度,pop_size表示种群数量,cur_pop表示当前正在初始化的个体标号。
预设的初始化规则的设置将初始种群更加均匀的遍布整体解空间,尽量的避免了因量子基础态的概率幅过于平均,从而导致测量的结果可能集中于某个区间的弊端,使得算法可以从多个局部解空间同时进行搜索,确保染色体的多样性,提升算法的收敛速率
进一步,所述S303中依据个体适应度大小灵活确定该个体被选择的概率,具体实现形式如下:
P=f_value/sum_f
其中,P为当前个体保留概率,f_value为当前个体适应度值,sum_f为种群个体适应度总值。
该策略确保了不管个体优劣都有机会保留下来,同时适应度越高的保留下来的概率越大,使算法每次选择都能优化种群。
进一步,所述步骤S305中对于旋转角度Δθ的动态调整策略如下:
其中,θ_max为设置的旋转角的最大值,iter_sum表示设置的最大迭代次数,iter_cur表示当前进行的迭代次数。
更新策略所选取的量子旋转门的旋转角度在标准的量子遗传算法中通常是固定不变的,或者依据更新策略表完成进化操作。这两种方式都因为旋转角相对固定,使得算法不够灵活,不能将量子遗传算法的性能发挥到最优。本方案可以使旋转角度与迭代次数进行关联,动态调整旋转角度,从而提升整体的收敛速率。还可以使得当前待更新个体总是朝着更优的个体更快地进行旋转,从而使得算法达到更快地收敛到最优解的目的。
进一步,所述核函数包括线性核函数、多项式核函数、RBF核函数和Sigmoid核函数。线性核函数、多项式核函数、RBF核函数和Sigmoid核函数为目前应用较多的核函数,使用方便。
进一步,所述核参数包括数据映射到新的特征空间后的分布控制参数γ、多项式核函数的次数d、常数项Cofe0和误差惩罚因子C。核参数的设置与合理选择能提高SVM天气预测模型对天气预测的精度。
进一步,所述核参数还包括样本平衡参数class_weight。样本平衡参数class_weight,便于平衡下雨天气和非下雨天气的比例。
附图说明
图1为本发明基于改进量子优化算法的支持向量机天气预测方法实施例的流程图;
图2为linear核函数C的学习曲线;
图3为poly核函数C的学习曲线;
图4为IQGA-SVM寻优效果图;
图5为linear核函数ROC曲线;
图6为poly核函数ROC曲线。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例
一种基于改进量子优化算法的支持向量机天气预测方法,基本如附图1所示:包括以下步骤:
S1、获取天气数据,并对天气数据进行预处理;
步骤S1中,在对天气数据进行预处理前,还包括以下步骤:
S101、对天气数据中的历史天气数据进行数据分类,分成训练集和测试集,所述训练集和测试集中均包括若干天气特征和数据标签,所述数据标签为明天是否下雨;所述天气特征包括时间、地点、温度、湿度、云层遮蔽程度、降雨量等。
S102、从训练集和测试集中提炼新的天气特征,并将新的天气特征补充到训练集和测试集中,所述新的天气特征包括每月的下雨概率、今日是否下雨的今日降雨标签和预报范围区域内所对应的气候类型数据。每月的下雨概率:将天气数据中关于时间中的月份提取出来;
今日是否下雨的今日降雨标签:设定今日降水量的降水量阈值,判断今日降雨量是否大于降水量阈值,若大于等于则判断今日降雨标签为下雨,若小于则判断为未下雨;
预报范围区域内所对应的气候类型数据:本实施例中基于气象局和ABCB的数据,制作了澳大利亚主要城市所对应的气候类型数据,并保存在csv_1文件中。但是原始天气数据集中的地点并不是代表城市而是气候站的名称,需要把天气数据集中的气候站名称转换为城市名称,利用两点直接的距离最短来进行转换。获取每个城市所对应的经纬度,并保存在数据csv_2当中,获取天气数据集中所有的气候站所对应的经纬度,并且保存在csv_3文件中。计算气候站到每个城市的距离,找到距离最近气候站最近的那个城市,将天气数据集中的地点转换成与其最近的城市名。可将气候站名称转换成城市名,然后利用csv_1气候文件就可以成功把每个城市名转换为对应的气候。
步骤S1中,所述天气数据的预处理具体包括以下子步骤:
S103、对训练集中天气特征的缺失值按照预设的填补缺失值策略进行填补;所述填补缺失值策略为:对天气特征的数据类型进行分类,包括分类型和连续型;当天气特征的数据类型为分类型时,采用天气特征的众数进行填补;当天气特征的数据类型为连续型时,采用天气特征的均值来填补;
S104、使用训练集中天气特征的众数和均值来对测试集进行填补。
S2、根据SVM算法构建SVM天气预测模型;
S3、基于改进的量子遗传算法(IQGA),搜寻SVM天气预测模型的最佳核函数和最佳核函数的核参数;核函数包括:
线性核函数(Linear)K(u,v)=(u,v);
多项式核函数(poly)K(u,v)=(r(u,v)+coe0)d;
RBF核函数(rbf)K(u,v)=exp(-ru-v2);
Sigmoid核函数(sigmoid)K(u,v)=tanh(r(u·v)+coef0)。
所述核参数包括γ、多项式核函数的次数d、常数项Cofe0和误差惩罚因子C。以及样本平衡参数class_weight。
所述步骤S3中改进的量子遗传算法具体包括以下步骤:
步骤S301中,预设的初始化规则为:
其中,angle表示当前种群的初始化角度,pop_size表示种群数量,cur_pop表示当前正在初始化的个体标号。
S302、用适应度值评价函数对每个个体的适应度进行计算,得到适应度值;
S303、采用预设的选择策略,通过适应度值大小确定该个体被留下来的概率;保留最优个体及适应度值;所述步骤S303中依据个体适应度大小灵活确定该个体被选择的概率,具体实现形式如下:
P=f_value/sum_f
其中,P为当前个体保留概率,f_value为当前个体适应度值,sum_f为种群个体适应度总值。
S304、判断适应度值是否满足规定的精度终止条件,若满足则输出最佳参数,构造最优化参数模型,若不满足则执行步骤S305;
S305、根据当前迭代次数和旋转角度Δθ的动态调整策略改变量子旋转门的旋转角,利用量子旋转门更新个体;步骤S305中对于旋转角度Δθ的动态调整策略如下:
其中,θ_max为设置的旋转角的最大值,iter_sum表示设置的最大迭代次数,iter_cur表示当前进行的迭代次数。
S306、判断是否达到设置的迭代次数上限,若达到则输出最佳参数,构造最优化参数模型,若未达到,则执行步骤S302。
S4、基于最佳核函数和最佳核函数的核参数重新构造SVM天气预测模型,获取最优SVM天气预测模型;
S5、将预处理后的天气数据最优SVM天气预测模型中,训练集用于SVM天气预测模型的学习训练,测试集用于SVM天气预测模型的测试;在SVM天气预测模型训练并测试完毕后,导入进气的天气数据对未来短期天气进行天气预测。
为验证模型可行性,对天气数据集进行部分随机抽样,在软件jupyter Notebook上进行仿真实验,采用的python3.7版本进行测试。
本方案中首先通过传统常用的调参方式学习曲线确定待调参数的大概范围,目的为了缩小改进量子遗传算法的搜索范围。经过数据探索发现天气数据集的标签存在样本不均衡问题,下雨天气和非下雨天气的比例大概为3:1,通过加入class_weight平衡参数解决样本不均衡问题。其中,图2和图3是核函数linear上惩罚项系数C和样本不均衡参数class_weight的学习曲线图形。
通过观察可以发现对于本研究中天气预测数据集的IQGA-SVM模型来说惩罚项系数C在[0-3]效果较好,样本不均衡参数class_weight在[0.5-2]的范围效果最好。通过学习曲线和网格搜索法对四种核函数的不同参数范围探索,最终确定的待寻参数及范围如下表1。
表1:IQGA参数和核函数待寻参数范围表
确定了待寻参数的范围后利用改进量子遗传算法分别对四种核函数进行参数寻优,寻优效果如图4所示。
通过分析上图可以得出linear核函数和poly核函数在本方案中采用的天气数据集上的预测效果最好,其中在采用poly核函数的模型时最高预测准确度达到了87.33%,采用liear核函数的最高预测准确度为87%,而且改进量子遗传算法能够在很少的迭代次数就能搜寻到对模型而言最优的参数值,其中rbf核函数效果稍稍低于前两者,它的最高准确度为85.3%,sigmoid核函数的表现最差,最高预测准确度仅为81.3%,所以通过分析可以得知该天气数据集是偏线性的数据集,在线性的核函数上的表现最好。通过改进量子遗传算法的寻优后确定的最优参数列表如表2。
表2:寻参结果表
接下来采用搜寻到的linear核函数和poly核函数的最佳参数对SVM模型分别进行建模以验证模型的效果,IQGA-SVM模型评估指标ROC曲线如图5和图6所示,然后用IQGA-SVM的模型,传统调参手段建立的模型,梯度提升树(xgboost)建立的模型三者进行对比,模型表现对比结果如表3。
表3IQGA-SVM模型评估指标
模型 | Accuracy | AUC面积 |
IQGA-SVM-linear | 87% | 0.86 |
IQGA-SVM-poly | 87.333% | 0.88 |
SVM | 85% | 0.87 |
Xgboost | 84% | 0.85 |
通过上表分析可知,基于改进量子遗传算法的支持向量机模型效果是最好的,其中采用linear核函数的模型精度和AUC面积分别达到了87%、0.88,采用poly核函数的模型精度和AUC面积分别达到了87.3%、0.86,两种模型对天气的预测效果都非常好。采用传统调参手段的SVM模型效果也不错,但是各项指标都低于前者。比较而言采用梯度提升树的模型效果最差。实验表明本方案建立的改进量子遗传算法对支持向量机的模型参数进行优化后,确实提高了支持向量机分类器的性能,提高了天气预测系统的各项性能。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于改进量子优化算法的支持向量机天气预测方法,其特征在于:包括以下步骤:
S1、获取天气数据,并对天气数据进行预处理;
S2、根据SVM算法构建SVM天气预测模型;
S3、基于改进的量子遗传算法,搜寻SVM天气预测模型的最佳核函数和最佳核函数的核参数;
S4、基于最佳核函数和最佳核函数的核参数优化SVM天气预测模型,获取最优SVM天气预测模型;
S5、将预处理后的天气数据导入到最优SVM天气预测模型中,对短期天气进行天气预测。
2.根据权利要求1所述的基于改进量子优化算法的支持向量机天气预测方法,其特征在于:所述步骤S1中,在对天气数据进行预处理前,还包括以下步骤:
S101、对天气数据中的历史天气数据进行数据分类,分成训练集和测试集,所述训练集和测试集中均包括若干天气特征和数据标签,所述数据标签为明天是否下雨;
S102、从训练集和测试集中提炼新的天气特征,并将新的天气特征补充到训练集和测试集中,所述新的天气特征包括每月的下雨概率、今日是否下雨的今日降雨标签和预报范围区域内所对应的气候类型数据。
3.根据权利要求2所述的基于改进量子优化算法的支持向量机天气预测方法,其特征在于:所述步骤S1中,所述天气数据的预处理具体包括以下子步骤:
S103、对训练集中天气特征的缺失值按照预设的填补缺失值策略进行填补;所述填补缺失值策略为:对天气特征的数据类型进行分类,包括分类型和连续型;当天气特征的数据类型为分类型时,采用天气特征的众数进行填补;当天气特征的数据类型为连续型时,采用天气特征的均值来填补;
S104、使用训练集中天气特征的众数和均值来对测试集进行填补。
4.根据权利要求1所述的基于改进量子优化算法的支持向量机天气预测方法,其特征在于:所述步骤S3中具体包括以下步骤:
S301、根据预设的初始化规则将初始种群分成若干组子种群,所述子种群包含若干个个体;
S302、用适应度值评价函数对每个个体的适应度进行计算,得到适应度值;
S303、采用预设的选择策略,通过适应度值大小确定该个体被留下来的概率;保留最优个体及适应度值;
S304、判断适应度值是否满足规定的精度终止条件,若满足则输出最佳参数,构造最优化参数模型,若不满足则执行步骤S305;
S305、根据当前迭代次数和旋转角度Δθ的动态调整策略改变量子旋转门的旋转角,利用量子旋转门更新个体;
S306、判断是否达到设置的迭代次数上限,若达到则输出最佳参数,构造最优化参数模型,若未达到,则执行步骤S302。
6.根据权利要求4所述的基于改进量子优化算法的支持向量机天气预测方法,其特征在于:所述步骤S303中依据个体适应度大小灵活确定该个体被选择的概率,具体实现公式如下:
P=f_value/sum_f
其中,P为当前个体保留概率,f_value为当前个体适应度值,sum_f为种群个体适应度总值。
8.根据权利要求1所述的基于改进量子优化算法的支持向量机天气预测方法,其特征在于:所述核函数包括线性核函数、多项式核函数、RBF核函数和Sigmoid核函数。
9.根据权利要求8所述的基于改进量子优化算法的支持向量机天气预测方法,其特征在于:所述核参数包括数据映射到新的特征空间后的分布控制参数γ、多项式核函数的次数d、常数项Cofe0和误差惩罚因子C。
10.根据权利要求9所述的基于改进量子优化算法的支持向量机天气预测方法,其特征在于:所述核参数还包括样本平衡参数class_weight。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062745.2A CN112200353B (zh) | 2020-09-30 | 2020-09-30 | 基于改进量子优化算法的支持向量机天气预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011062745.2A CN112200353B (zh) | 2020-09-30 | 2020-09-30 | 基于改进量子优化算法的支持向量机天气预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200353A true CN112200353A (zh) | 2021-01-08 |
CN112200353B CN112200353B (zh) | 2022-06-17 |
Family
ID=74013867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011062745.2A Active CN112200353B (zh) | 2020-09-30 | 2020-09-30 | 基于改进量子优化算法的支持向量机天气预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200353B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836864A (zh) * | 2021-01-18 | 2021-05-25 | 青岛理工大学 | 一种天气预测方法、系统、介质及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307228A1 (en) * | 2008-10-15 | 2011-12-15 | Nikola Kirilov Kasabov | Data analysis and predictive systems and related methodologies |
CN103679263A (zh) * | 2012-08-30 | 2014-03-26 | 重庆邮电大学 | 基于粒子群支持向量机的雷电临近预测方法 |
CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
CN107256291A (zh) * | 2017-05-19 | 2017-10-17 | 中国科学院长春光学精密机械与物理研究所 | 基于改进型量子进化算法的宽光谱极紫外多层膜设计方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108629150A (zh) * | 2018-03-16 | 2018-10-09 | 西安电子科技大学 | 基于多种群协助的量子遗传算法的rna二级结构预测方法 |
CN109492813A (zh) * | 2018-11-13 | 2019-03-19 | 中石化石油工程技术服务有限公司 | 基于改进遗传算法的短期天然气负荷组合预测方法 |
CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
CN110276478A (zh) * | 2019-05-31 | 2019-09-24 | 南京理工大学 | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
CN111209968A (zh) * | 2020-01-08 | 2020-05-29 | 浙江师范大学 | 基于深度学习的多气象因子模式预报温度订正方法及系统 |
-
2020
- 2020-09-30 CN CN202011062745.2A patent/CN112200353B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307228A1 (en) * | 2008-10-15 | 2011-12-15 | Nikola Kirilov Kasabov | Data analysis and predictive systems and related methodologies |
CN103679263A (zh) * | 2012-08-30 | 2014-03-26 | 重庆邮电大学 | 基于粒子群支持向量机的雷电临近预测方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106980877A (zh) * | 2017-03-15 | 2017-07-25 | 陕西中爆安全网科技有限公司 | 一种基于粒子群算法优化支持向量机的爆破振动预测方法 |
CN107256291A (zh) * | 2017-05-19 | 2017-10-17 | 中国科学院长春光学精密机械与物理研究所 | 基于改进型量子进化算法的宽光谱极紫外多层膜设计方法 |
CN108629150A (zh) * | 2018-03-16 | 2018-10-09 | 西安电子科技大学 | 基于多种群协助的量子遗传算法的rna二级结构预测方法 |
CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
CN109492813A (zh) * | 2018-11-13 | 2019-03-19 | 中石化石油工程技术服务有限公司 | 基于改进遗传算法的短期天然气负荷组合预测方法 |
CN110276478A (zh) * | 2019-05-31 | 2019-09-24 | 南京理工大学 | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
CN111209968A (zh) * | 2020-01-08 | 2020-05-29 | 浙江师范大学 | 基于深度学习的多气象因子模式预报温度订正方法及系统 |
Non-Patent Citations (2)
Title |
---|
CHI ZHANG; DAN LI; HAO-YANG LI; LAN-FEI MA: "Application of Support Vector Machine Of Quantum Genetic Algorithm With Gauss Initialization In Multi-Class Classification", 《2019 16TH INTERNATIONAL COMPUTER CONFERENCE ON WAVELET ACTIVE MEDIA TECHNOLOGY AND INFORMATION PROCESSING》 * |
郭英嘉; 谢帮华; 张阳; 牛景太; 陈辉: "基于小波分析和量子遗传算法的大坝位移预测模型", 《南昌工程学院学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112836864A (zh) * | 2021-01-18 | 2021-05-25 | 青岛理工大学 | 一种天气预测方法、系统、介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112200353B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191732B (zh) | 一种基于全自动学习的目标检测方法 | |
CN103426026B (zh) | 一种混合神经网络预测及识别景区气象要素的方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
Gutiérrez et al. | Clustering methods for statistical downscaling in short-range weather forecasts | |
CN110728411A (zh) | 一种基于卷积神经网络的高低空区域联合降雨预测方法 | |
CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
CN112180471B (zh) | 天气预报方法、装置、设备及存储介质 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN112200353B (zh) | 基于改进量子优化算法的支持向量机天气预测方法 | |
CN115223063A (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
CN114118537A (zh) | 一种空域航班碳排放量组合预测方法 | |
CN113592132A (zh) | 一种基于数值天气预报和人工智能的降水客观预报方法 | |
CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN111598460A (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN113255239B (zh) | 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 | |
Pegion et al. | Understanding predictability of daily southeast US precipitation using explainable machine learning | |
CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN116340863B (zh) | 空气污染物预测方法、装置、电子设备及可读存储介质 | |
CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
CN112200363A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN109543278B (zh) | 土地利用变化模拟方法及系统 | |
CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 | |
CN112836864B (zh) | 一种天气预测方法、系统、介质及电子设备 |
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 |