CN114564487A - 预报预测相结合的气象栅格数据更新方法 - Google Patents

预报预测相结合的气象栅格数据更新方法 Download PDF

Info

Publication number
CN114564487A
CN114564487A CN202210464764.0A CN202210464764A CN114564487A CN 114564487 A CN114564487 A CN 114564487A CN 202210464764 A CN202210464764 A CN 202210464764A CN 114564487 A CN114564487 A CN 114564487A
Authority
CN
China
Prior art keywords
time
model
meteorological
time sequence
prediction
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
Application number
CN202210464764.0A
Other languages
English (en)
Other versions
CN114564487B (zh
Inventor
秦华旺
曹振辉
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202210464764.0A priority Critical patent/CN114564487B/zh
Publication of CN114564487A publication Critical patent/CN114564487A/zh
Application granted granted Critical
Publication of CN114564487B publication Critical patent/CN114564487B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (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

本发明公开了预报预测相结合的气象栅格数据更新方法，该方法先从服务器上获取气象栅格数据，并定义气象栅格数据的时间序列；再通过平稳化检测、模型识别选择、模型定阶、模型参数估计建立预测模型；最后对未来气象栅格数据预报预测，实现数据更新。本发明以时间序列模型来对气象栅格数据预测，对历史观测数据进行分析来预测未来的气象数据，根据数据之间时间的依赖性，增加了预测预报的精准性。

Description

预报预测相结合的气象栅格数据更新方法
技术领域
本发明涉及预报预测相结合的气象栅格数据更新方法，属于气象预测预报技术领域。
背景技术
气象的预测预报对人类的工作生活至关重要，从耕作出行到航天航空，从日常生活到经济建设，几乎都与气象有关。随着越来越多现代化气象装备的出现，使得气象站更加专业化、现代化，气象学的研究技术得到了快速的革新，预报精度得到了极大的提升。气象预测主要是根据定点观测的风速、气温、气压、降雨量等气象数据来确定未来一段时间内气象的变化。
当前的气象预测技术主要分为经验统计法、动力学分析以及模式输出统计法。经验统计法以数理统计学作为基础，通过对气象要素的历史变化做全面系统的统计分析，再结合相关因素的影响，总结出一定的变化规律，确定局部气象要素的预报方程；动力学分析是基于应用物理学和数学方法，从理论上研究大气运动、气象系统演变过程中的动力、热力变化过程，在研究气象系统变化过程中引入水、热平衡方程，进而建立相对应的数学模型；模式输出统计法是利用概率统计方法研究大量气象要素历史观测资料，分析气候变化的统计规律建立合理的预报模型，通过统计数学模式来预测未来的气象状况。
气象栅格是国家气象网格项目启动之后提出的概念，即通过大范围的气象数据特征来描述某一个区域内的整体情况。在气象栅格数据中包含了各种不同气象要素的信息，所以气象栅格数据的质量参差不齐，数据分散。当前气象预测的主要方法是数值预报，需要准确的边界条件，而气象栅格数据对边界的划分比较固定或者模糊，这样就没有一个准确的边界条件，对预测出来的结果有一定的偏差，并且预测出来的结果可能会跨越多个气象栅格，不利于栅格数据的管理与生成。
发明内容
本发明所要解决的技术问题是：提供预报预测相结合的气象栅格数据更新方法，以时间序列模型来对气象栅格数据预测，对历史观测数据进行分析来预测未来的气象数据，提高数据之间的依赖性，增加了预测预报的精准性。
本发明为解决上述技术问题采用以下技术方案：
预报预测相结合的气象栅格数据更新方法，包括如下步骤：
步骤1，获取气象栅格数据，对于待更新的气象要素，将气象栅格数据中该气象要素的值按照时间顺序依次排列，得到该气象要素的一组时间序列；
步骤2，采用ADF单位根检验法检验步骤1得到的时间序列是否平稳，若平稳则进入步骤3，若不平稳则对时间序列进行处理，使处理后的时间序列达到平稳性要求；
步骤3，对于达到平稳性要求的时间序列，计算自相关系数和偏相关系数，根据自相关系数和偏相关系数识别待更新的气象要素的时间序列的预测模型，并对预测模型定阶；
步骤4，利用最小二乘法对步骤3识别的预测模型进行参数估计，完成预测模型的建模；
步骤5，利用建模后的预测模型实现时间序列未来时间的气象要素值的预测与更新。
作为本发明的一种优选方案，所述步骤2的具体过程如下：
设定气象要素的时间序列
Figure DEST_PATH_IMAGE002
满足p阶自回归，则有模型：
Figure DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE006
分别为时间序列中第1,2,…,n-1,n个气象要素的值，x t 为t时刻气象栅格气象要素的值，
Figure DEST_PATH_IMAGE008
均为自回归系数，
Figure DEST_PATH_IMAGE010
为残差，t =1,… ,n；
上述p阶自回归模型对应的特征方程为：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
均为特征根；若上述特征方程的所有特征根都在单位圆内，则时间序列平稳，否则不平稳；即
Figure DEST_PATH_IMAGE016
时，时间序列平稳，
Figure DEST_PATH_IMAGE018
时，时间序列不平稳；
采用假设检验的方式进行检验，原假设为
Figure 668477DEST_PATH_IMAGE018
，即时间序列不平稳；备择假设为
Figure 843106DEST_PATH_IMAGE016
，即时间序列平稳；令
Figure DEST_PATH_IMAGE020
记为
Figure DEST_PATH_IMAGE022
，构造ADF统计量
Figure DEST_PATH_IMAGE024
，其中，
Figure DEST_PATH_IMAGE026
表示
Figure 601109DEST_PATH_IMAGE022
的估计，
Figure DEST_PATH_IMAGE028
表示估计标准差，当
Figure DEST_PATH_IMAGE030
小于临界值时，认为时间序列平稳，反之不平稳；其中临界值通过蒙特卡洛模拟得到；
若判定待更新的气象要素的时间序列不平稳，则对时间序列进行一阶差分法处理，对一阶差分处理后的时间序列用ADF单位根检验法进行检验，若平稳则进入步骤3，若不能达到平稳性要求，则在一阶差分的基础上进行二阶差分处理，并继续用ADF单位根检验法进行检验。
作为本发明的一种优选方案，所述步骤3中，自相关系数
Figure DEST_PATH_IMAGE032
计算如下：
Figure DEST_PATH_IMAGE034
其中，n为平稳时间序列的样本容量，x t 为平稳时间序列中t时刻的气象要素值，x t+k 为平稳时间序列中t + k时刻的气象要素值，
Figure DEST_PATH_IMAGE036
为所有样本气象要素的均值；
偏相关系数
Figure DEST_PATH_IMAGE038
计算如下：
Figure DEST_PATH_IMAGE040
其中，系数矩阵的行列式分别为
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE044
。
作为本发明的一种优选方案，所述步骤3中，识别待更新的气象要素的时间序列的预测模型，并对预测模型定阶，具体如下：
采用2倍标准差范围识别待更新的气象要素的时间序列的预测模型，对于时间序列的自相关系数
Figure 877501DEST_PATH_IMAGE032
，若
Figure 100002_DEST_PATH_IMAGE046
均大于
Figure 100002_DEST_PATH_IMAGE048
，且
Figure 100002_DEST_PATH_IMAGE050
均小于等于
Figure 346528DEST_PATH_IMAGE048
，
Figure 100002_DEST_PATH_IMAGE052
，则确定时间序列的预测模型为阶数为q的MA(q)模型；
对于时间序列的偏相关系数
Figure 142708DEST_PATH_IMAGE038
，若
Figure 100002_DEST_PATH_IMAGE054
均大于
Figure 976672DEST_PATH_IMAGE048
，且
Figure 100002_DEST_PATH_IMAGE056
均小于等于
Figure 989627DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE058
，则确定时间序列的预测模型为阶数为p的AR(p)模型；
若时间序列的自相关系数
Figure 934450DEST_PATH_IMAGE032
不满足以上自相关系数对应的条件且偏相关系数
Figure 319557DEST_PATH_IMAGE038
不满足以上偏相关系数对应的条件，则确定时间序列的预测模型为ARMA(p,q)模型；采用最小信息准则函数定阶法，即AIC法，对ARMA(p,q)模型进行定阶，ARMA(p,q)模型拟合的AIC准则函数为：
Figure DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE062
为残差方差的估计值，p,q为模型阶数，当AIC函数取值最小时对应的p,q就为模型的阶数。
作为本发明的一种优选方案，所述步骤4的具体过程如下：
当步骤3识别的预测模型为ARMA(p,q)模型时：
Figure DEST_PATH_IMAGE064
，参数估计即求解自回归系数
Figure DEST_PATH_IMAGE066
和移动平均系数
Figure DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE070
为残差，根据条件最小二乘法，t ≤0时，x t = 0，得到残差的有限项表达式：
Figure DEST_PATH_IMAGE072
，其中
Figure DEST_PATH_IMAGE074
为ARMA(p,q)模型逆转形式中的逆函数；则残差平方和
Figure DEST_PATH_IMAGE076
，再通过迭代使残差平方和到达最小值，因为
Figure DEST_PATH_IMAGE078
，
Figure DEST_PATH_IMAGE080
，联立方程即能估计出
Figure DEST_PATH_IMAGE082
的值；
同理，当步骤3识别的预测模型为AR(p)模型或MA(q)模型时，同样按照最小二乘法估计出参数。
作为本发明的一种优选方案，所述步骤5的具体过程如下：
根据已知的历史气象栅格数据信息
Figure DEST_PATH_IMAGE084
，对时间序列未来某个时间点的气象要素值x t+k 进行预测，k =1,2,…，根据预测误差的平方达到最小时来预测，即通过求解条件期望
Figure DEST_PATH_IMAGE086
的方式来预测；
当预测模型为AR(p)模型时：
Figure DEST_PATH_IMAGE088
第t +k个时间点的气象要素值x t+k 表示为：
Figure DEST_PATH_IMAGE090
则预测值为：
Figure DEST_PATH_IMAGE092
因为k > 0时，
Figure DEST_PATH_IMAGE094
，因此最终的预测值为：
Figure DEST_PATH_IMAGE096
；
当预测模型为MA(q)模型时：
Figure DEST_PATH_IMAGE098
第t +k个时间点的气象要素值x t+k 表示为：
Figure DEST_PATH_IMAGE100
则预测值为：
Figure DEST_PATH_IMAGE102
当k ≤ q时，也就是t之前的时间，残差已知，所以
Figure DEST_PATH_IMAGE104
；当k > q时，也就是t之后的时间，
Figure DEST_PATH_IMAGE106
；因此最终的预测值为：
Figure DEST_PATH_IMAGE108
；
ARMA(p,q)模型是AR(p)模型与MA(q)模型的结合，当预测模型为ARMA(p,q)模型时：
Figure DEST_PATH_IMAGE110
第t +k个时间点的气象要素值x t+k 表示为：
Figure DEST_PATH_IMAGE112
预测值为：
Figure DEST_PATH_IMAGE114
。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明不同于以往的预测方式，以时间序列模型来对气象栅格数据预测，对历史观测数据进行分析来预测未来的气象数据，提高了气象栅格数据之间的联系，使得预测更新之后的栅格数据精准率更高。
2、本发明采用平稳的时间序列建立时间数据模型，对于非平稳性数据，采用差分法处理离散的时间序列使其平稳化，以满足模型建立的标准。
3、本发明对气象栅格数据的非线性时间序列实现了预测与更新，结构简单，设计合理，易于实现。
附图说明
图1是本发明预报预测相结合的气象栅格数据更新方法的流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明采用预测预报相结合的方式，通过对气象栅格数据的时间序列建模，完成数据的预测预报与更新，便于气象栅格数据的更新。如图1所示，为本发明预报预测相结合的气象栅格数据更新方法的流程图，具体过程如下：
第一步，从服务器上获取气象栅格数据，并定义气象栅格数据的时间序列。
从服务器上获取气象栅格数据，若为一个月中的降水值x，设样本空间为S={x}，若对每个x∈S，总有一个确定的函数X(t, x)，时间t∈T与它相对应，T为一个区间的时间。这样关于每一个时间t n 对应的函数记为X n ，{X 1, X 2,…, X n }可以看作一个随机过程，而每一个函数X n 称为这个随机过程的样本函数。把一个月内的降水值
Figure 423955DEST_PATH_IMAGE002
，作为时间序列的一组观测值。
第二步，为气象栅格数据时间序列进行平稳性检验和处理。
在设计预测模型之前，需要考虑气象栅格数据的平稳性，采用经典的ADF单位根检验法检测时间序列是否平稳，若平稳则进行下一步操作，若不平稳就将时间序列通过一阶差分法、二阶差分法处理，使其达到平稳性的要求。
一个气象栅格数据的时间序列满足p阶自回归，如下：
Figure 393048DEST_PATH_IMAGE004
其中x t 为t时刻气象栅格某种气象要素的值，
Figure DEST_PATH_IMAGE116
为自回归系数，
Figure DEST_PATH_IMAGE118
为残差。在等式两边同时减去
Figure DEST_PATH_IMAGE120
可得：
Figure DEST_PATH_IMAGE122
其中
Figure DEST_PATH_IMAGE124
记为
Figure DEST_PATH_IMAGE126
，
Figure DEST_PATH_IMAGE128
记为
Figure 95556DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE130
记为
Figure DEST_PATH_IMAGE132
。可简记为
Figure DEST_PATH_IMAGE134
。ADF单位根检测法的原理是基于p阶自回归模型的特征方程，上面假设的p阶自回归模型所对应的特征方程为
Figure DEST_PATH_IMAGE136
，如果该方程的所有特征根都在单位圆内，则序列平稳，反之不平稳。而在
Figure DEST_PATH_IMAGE138
时，该特征方程必然存在至少一个单位根。所以在检测时间序列是否平稳时，如果
Figure DEST_PATH_IMAGE140
，则为平稳；如果
Figure 522120DEST_PATH_IMAGE138
则为不平稳。当时间序列包含单位根时，这个回归系数是有偏差的。所以采用假设检验的方式，原假设为
Figure 432308DEST_PATH_IMAGE138
，即
Figure 390162DEST_PATH_IMAGE018
，此刻时间序列不平稳：备择假设为
Figure 145628DEST_PATH_IMAGE140
，即时间序列平稳。进一步构造ADF统计量
Figure 3863DEST_PATH_IMAGE024
，其中
Figure 553793DEST_PATH_IMAGE026
表示
Figure 497478DEST_PATH_IMAGE022
的估计，
Figure 56635DEST_PATH_IMAGE028
表示估计标准差。当
Figure 769376DEST_PATH_IMAGE030
小于临界值，则认为时间序列平稳，反之不平稳。其中的临界值是在特定气象栅格数据样本通过蒙特卡洛模拟得到。通过上述方法判断时间序列是否平稳。
除此以外，包含截距项和同时包含截距项和趋势项的另外两种形式为：
Figure DEST_PATH_IMAGE142
其中a 0,a 2为常数，这两种形式也采用相同的检测方法。
若气象栅格数据的时间序列不平稳，就对序列进行一阶差分法处理，一阶差分形式为：
Figure DEST_PATH_IMAGE144
。如果一阶差分处理后的时间序列还不能达到平稳性要求，则在一阶差分的基础上进行二阶差分处理，二阶差分形式为：
Figure DEST_PATH_IMAGE146
。处理之后还是用ADF单位根检测法检测。
选择用来预测预报的气象栅格数据绝大部分情况都是平稳的。当时间序列判断为平稳，就可以进行模型识别与定阶。
第三步，利用自相关系数与偏相关系数实现模型识别与定阶。
根据第二步中，一个月降水值的平稳性时间序列，以这个序列作为样本，求出它的自相关系数和偏相关系数。自相关系数求解如下：
Figure 116306DEST_PATH_IMAGE034
其中n为样本容量，x t 为这个时间序列中t时刻的降水值，
Figure DEST_PATH_IMAGE148
为样本降水数据的均值。
偏相关系数求解如下：
Figure 78446DEST_PATH_IMAGE040
其中系数矩阵的行列式
Figure 175715DEST_PATH_IMAGE042
，
Figure 8542DEST_PATH_IMAGE044
。
ARMA模型相关性特征如下表：
Figure DEST_PATH_IMAGE150
拖尾是指时间序列以指数速度向零衰减；截尾是指时间序列从某个时点突然变得很小。在实际运用中，这个定阶原则在操作上有一定的困难。由于气象栅格数据样本的随机性，样本的相关系数不会呈现出理论上截尾的情况，它的时间序列的自相关系数与偏相关系数仍会小幅度波动。当n足够大的时候，这个降水样本的自相关系数和偏相关系数服从正态分布：即
Figure DEST_PATH_IMAGE152
，
Figure DEST_PATH_IMAGE154
，根据正态分布的性质有：
Figure DEST_PATH_IMAGE156
Figure DEST_PATH_IMAGE158
所以可以用2倍标准差范围来判断所得气象栅格数据的时间序列服从什么预测模型。
如果所得降水时间序列的自相关系数
Figure 588690DEST_PATH_IMAGE032
，在最初的q项明显超过2倍标准差范围，即
Figure DEST_PATH_IMAGE160
；而在之后几乎95%的自相关系数都在2倍标准差范围以内，即
Figure DEST_PATH_IMAGE162
，并且自相关系数衰减为0及其附近小值的过程很突然，这就表现出截尾性，称为自相关系数截尾，且截尾阶数为q，所以这个时间序列的预测模型可确定为阶数为q的MA(q)模型。同理时间序列的偏相关系数
Figure 805170DEST_PATH_IMAGE038
，在最初的p项明显超过2倍标准差范围，在之后几乎95%的偏相关系数都在2倍标准差范围以内，并且偏相关系数衰减为0及其附近小值的过程很突然，则偏相关系数截尾，且截尾阶数为p，这个时间序列的预测模型可确定为阶数为p的AR(p)模型。如果时间序列的自相关系数和偏相关系数均有5%以上超过2倍标准差范围，或者自相关系数和偏相关系数衰减为0附近小值的过程比较缓慢，这就是自相关系数和偏相关系数拖尾，所以预测模型为ARMA(p,q)。
在识别预测模型之后，需要对预测模型定阶，模型的阶数对预测结果的精确度有较大的影响。其中AR(p)、MA(q)预测模型在识别中就已经完成定阶，而ARMA(p,q)预测模型需要采用最小信息准则函数定阶法，即AIC法，来对预测模型进行模型定阶。ARMA(p,q)预测模型拟合的AIC准则函数为：
Figure 706130DEST_PATH_IMAGE060
。其中n为样本容量，
Figure 393463DEST_PATH_IMAGE062
为残差方差的估计值，p,q为模型阶数。当AIC函数取值最小时，此时的p,q就为模型的阶数。
第四步，利用最小二乘法实现模型参数估计。
在对气象栅格数据时间序列确定好模型与定阶后，接下来就需要通过最小二乘法利用观测值来确定预测模型中的未知参数值。最小二乘法的主要思想是计算出残差平方和，当计算结果达到最小时，所对应的参数值即为模型的参数估计值。在ARMA(p,q)模型中：
Figure 721676DEST_PATH_IMAGE064
，
Figure 861671DEST_PATH_IMAGE066
与
Figure 300742DEST_PATH_IMAGE068
分别为自回归系数与移动平均系数，也就是需要求解的系数。根据条件最小二乘法，之前没有观测到的序列值为0，也就是，t ≤ 0时，x t =0，可以得到残差的有限项表达式：
Figure 842582DEST_PATH_IMAGE072
，其中
Figure 667380DEST_PATH_IMAGE074
为ARMA(p,q)模型逆转形式中的逆函数。所以残差平方和
Figure 294670DEST_PATH_IMAGE076
，再通过迭代使残差平方和到达最小值。而又因为
Figure 537433DEST_PATH_IMAGE078
，
Figure 199358DEST_PATH_IMAGE080
，联立方程即可估计出
Figure 869374DEST_PATH_IMAGE082
的值。因为ARMA(p,q)包含了AR(p)、MA(q)模型的性质，同理AR(p)、MA(q)模型同样也按照最小二乘法估计出参数。
到此就完成了气象栅格数据序列的预测模型的建模。
第五步，通过时间序列建模完成气象栅格数据的预报预测与更新。
在已知的历史气象栅格数据信息
Figure 718381DEST_PATH_IMAGE084
，对时间序列未来某个时间的x t+k (k =1,2,…)进行预测。一般是根据预测误差的平方达到最小时来预测，可以通过求解条件期望
Figure 30414DEST_PATH_IMAGE086
的方式来预测。根据第三步中，选择适合的模型实现预测。
在AR(p)模型中：
Figure 281267DEST_PATH_IMAGE088
第t +k个时间点的x t+k 可以表示为：
Figure 623649DEST_PATH_IMAGE090
因此预测值为：
Figure 225531DEST_PATH_IMAGE092
因为当k > 0需要预测的气象栅格数据，不像已获取的数据一样有残差，所以
Figure 75676DEST_PATH_IMAGE094
，因此预测值为：
Figure DEST_PATH_IMAGE163
。
在MA(q)模型中：
Figure 977773DEST_PATH_IMAGE098
第t +k个时间点的x t+k 可以表示为：
Figure 989591DEST_PATH_IMAGE100
预测值为：
Figure 78770DEST_PATH_IMAGE102
当k ≤ q时，也就是t之前的时间，残差是已知的，所以
Figure 702911DEST_PATH_IMAGE104
；当k > q时，是t之后的时刻，同理AR(p)模型，预测值没有残差，
Figure 928356DEST_PATH_IMAGE106
。所以预测值为：
Figure 376655DEST_PATH_IMAGE108
ARMA(p,q)模型是AR(p)模型与MA(q)模型的结合，在ARMA(p,q)模型中：
Figure 687551DEST_PATH_IMAGE110
第t +k个时间点的x t+k 可以表示为：
Figure 613919DEST_PATH_IMAGE112
预测值为AR(p)模型与MA(q)模型叠加：
Figure 959449DEST_PATH_IMAGE114
用已获取的过去气象栅格数据，作为初始样本来预测未来几天的气象栅格数据，例如用前30天的数据预测第31天的数据，再用前29天和未来预测第31天的数据预测第32天的数据，以此类推，达到气象栅格数据的预测预报效果，并实现气象栅格数据更新。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.预报预测相结合的气象栅格数据更新方法，其特征在于，包括如下步骤：
步骤1，获取气象栅格数据，对于待更新的气象要素，将气象栅格数据中该气象要素的值按照时间顺序依次排列，得到该气象要素的一组时间序列；
步骤2，采用ADF单位根检验法检验步骤1得到的时间序列是否平稳，若平稳则进入步骤3，若不平稳则对时间序列进行处理，使处理后的时间序列达到平稳性要求；
步骤3，对于达到平稳性要求的时间序列，计算自相关系数和偏相关系数，根据自相关系数和偏相关系数识别待更新的气象要素的时间序列的预测模型，并对预测模型定阶；
步骤4，利用最小二乘法对步骤3识别的预测模型进行参数估计，完成预测模型的建模；
步骤5，利用建模后的预测模型实现时间序列未来时间的气象要素值的预测与更新。
2.根据权利要求1所述的预报预测相结合的气象栅格数据更新方法，其特征在于，所述步骤2的具体过程如下：
设定气象要素的时间序列
Figure 191447DEST_PATH_IMAGE001
满足p阶自回归，则有模型：
Figure 739103DEST_PATH_IMAGE002
其中，
Figure 705922DEST_PATH_IMAGE003
分别为时间序列中第1,2,…,n-1,n个气象要素的值，x t 为t时刻 气象栅格气象要素的值，
Figure 946410DEST_PATH_IMAGE004
均为自回归系数，
Figure 365890DEST_PATH_IMAGE005
为残差，t =1,… ,n；
上述p阶自回归模型对应的特征方程为：
Figure 982816DEST_PATH_IMAGE006
其中，
Figure 804142DEST_PATH_IMAGE007
均为特征根；若上述特征方程的所有特征根都在单位圆内，则 时间序列平稳，否则不平稳；即
Figure 448487DEST_PATH_IMAGE008
时，时间序列平稳，
Figure 355264DEST_PATH_IMAGE009
时，时间序列不平稳；
采用假设检验的方式进行检验，原假设为
Figure 510301DEST_PATH_IMAGE009
，即时间序列不平稳； 备择假设为
Figure 186133DEST_PATH_IMAGE008
，即时间序列平稳；令
Figure 768424DEST_PATH_IMAGE010
记为
Figure 896917DEST_PATH_IMAGE011
，构造ADF 统计量
Figure 590067DEST_PATH_IMAGE012
，其中，
Figure 887449DEST_PATH_IMAGE013
表示
Figure 640642DEST_PATH_IMAGE011
的估计，
Figure 256431DEST_PATH_IMAGE014
表示估计标准差，当
Figure 18851DEST_PATH_IMAGE015
小于临界值时，认为时间序列 平稳，反之不平稳；其中临界值通过蒙特卡洛模拟得到；
若判定待更新的气象要素的时间序列不平稳，则对时间序列进行一阶差分法处理，对一阶差分处理后的时间序列用ADF单位根检验法进行检验，若平稳则进入步骤3，若不能达到平稳性要求，则在一阶差分的基础上进行二阶差分处理，并继续用ADF单位根检验法进行检验。
3.根据权利要求2所述的预报预测相结合的气象栅格数据更新方法，其特征在于，所述 步骤3中，自相关系数
Figure 669275DEST_PATH_IMAGE016
计算如下：
Figure 593368DEST_PATH_IMAGE017
其中，n为平稳时间序列的样本容量，x t 为平稳时间序列中t时刻的气象要素值，x t +k 为 平稳时间序列中t + k时刻的气象要素值，
Figure 962033DEST_PATH_IMAGE018
为所有样本气象要素的均值；
偏相关系数
Figure 996985DEST_PATH_IMAGE019
计算如下：
Figure 501916DEST_PATH_IMAGE020
其中，系数矩阵的行列式分别为
Figure 95446DEST_PATH_IMAGE021
，
Figure 685827DEST_PATH_IMAGE022
。
4.根据权利要求3所述的预报预测相结合的气象栅格数据更新方法，其特征在于，所述步骤3中，识别待更新的气象要素的时间序列的预测模型，并对预测模型定阶，具体如下：
采用2倍标准差范围识别待更新的气象要素的时间序列的预测模型，对于时间序列的 自相关系数
Figure 524470DEST_PATH_IMAGE016
，若
Figure 149486DEST_PATH_IMAGE023
均大于
Figure 415383DEST_PATH_IMAGE024
，且
Figure 493060DEST_PATH_IMAGE025
均小于等于
Figure 869815DEST_PATH_IMAGE024
，
Figure 349338DEST_PATH_IMAGE026
，则确定时间序列的预测模型为阶数为q的MA(q)模型；
对于时间序列的偏相关系数
Figure 287600DEST_PATH_IMAGE019
，若
Figure 852574DEST_PATH_IMAGE027
均大于
Figure 33019DEST_PATH_IMAGE024
，且
Figure 632628DEST_PATH_IMAGE028
均小于等于
Figure 240327DEST_PATH_IMAGE024
，
Figure 27017DEST_PATH_IMAGE029
，则确定时间序列的预 测模型为阶数为p的AR(p)模型；
若时间序列的自相关系数
Figure 11154DEST_PATH_IMAGE016
不满足以上自相关系数对应的条件且偏相关系数
Figure 465269DEST_PATH_IMAGE019
不满 足以上偏相关系数对应的条件，则确定时间序列的预测模型为ARMA(p,q)模型；采用最小信 息准则函数定阶法，即AIC法，对ARMA(p,q)模型进行定阶，ARMA(p,q)模型拟合的AIC准则函 数为：
Figure 742404DEST_PATH_IMAGE030
，
Figure 16391DEST_PATH_IMAGE031
为残差方差的估计值，p,q为模型阶数，当AIC函数取 值最小时对应的p,q就为模型的阶数。
5.根据权利要求4所述的预报预测相结合的气象栅格数据更新方法，其特征在于，所述步骤4的具体过程如下：
当步骤3识别的预测模型为ARMA(p,q)模型时：
Figure 538639DEST_PATH_IMAGE032
，参数 估计即求解自回归系数
Figure 847260DEST_PATH_IMAGE033
和移动平均系数
Figure 796762DEST_PATH_IMAGE034
，
Figure 823624DEST_PATH_IMAGE035
为残差，根据条件最小二乘法，t ≤ 0 时，x t = 0，得到残差的有限项表达式：
Figure 149563DEST_PATH_IMAGE036
，其中
Figure 578270DEST_PATH_IMAGE037
为ARMA(p,q)模型逆转形 式中的逆函数；则残差平方和
Figure 200138DEST_PATH_IMAGE038
，再通过迭代使残差平方和 到达最小值，因为
Figure 448716DEST_PATH_IMAGE039
，
Figure 312767DEST_PATH_IMAGE040
，联立方程即能估计出
Figure 595981DEST_PATH_IMAGE041
的值；
同理，当步骤3识别的预测模型为AR(p)模型或MA(q)模型时，同样按照最小二乘法估计出参数。
6.根据权利要求5所述的预报预测相结合的气象栅格数据更新方法，其特征在于，所述步骤5的具体过程如下：
根据已知的历史气象栅格数据信息
Figure 887285DEST_PATH_IMAGE042
，对时间序列未来某个时间点的 气象要素值x t +k 进行预测，k =1,2,…，根据预测误差的平方达到最小时来预测，即通过求 解条件期望
Figure 623160DEST_PATH_IMAGE043
的方式来预测；
当预测模型为AR(p)模型时：
Figure 290902DEST_PATH_IMAGE044
第t +k个时间点的气象要素值x t +k 表示为：
Figure 428622DEST_PATH_IMAGE045
则预测值为：
Figure DEST_PATH_IMAGE046
因为k > 0时，
Figure 858204DEST_PATH_IMAGE047
，因此最终的预测值为：
Figure DEST_PATH_IMAGE048
；
当预测模型为MA(q)模型时：
Figure 550216DEST_PATH_IMAGE049
第t +k个时间点的气象要素值x t +k 表示为：
Figure DEST_PATH_IMAGE050
则预测值为：
Figure 756070DEST_PATH_IMAGE051
当k ≤ q时，也就是t之前的时间，残差已知，所以
Figure DEST_PATH_IMAGE052
；当k > q时，也就是t 之后的时间，
Figure 951559DEST_PATH_IMAGE053
；因此最终的预测值为：
Figure DEST_PATH_IMAGE054
；
ARMA(p,q)模型是AR(p)模型与MA(q)模型的结合，当预测模型为ARMA(p,q)模型时：
Figure 543253DEST_PATH_IMAGE055
第t +k个时间点的气象要素值x t +k 表示为：
Figure DEST_PATH_IMAGE056
预测值为：
Figure 988141DEST_PATH_IMAGE057
。
CN202210464764.0A 2022-04-29 2022-04-29 预报预测相结合的气象栅格数据更新方法 Active CN114564487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210464764.0A CN114564487B (zh) 2022-04-29 2022-04-29 预报预测相结合的气象栅格数据更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210464764.0A CN114564487B (zh) 2022-04-29 2022-04-29 预报预测相结合的气象栅格数据更新方法

Publications (2)

Publication Number Publication Date
CN114564487A true CN114564487A (zh) 2022-05-31
CN114564487B CN114564487B (zh) 2022-08-02

Family

ID=81721359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210464764.0A Active CN114564487B (zh) 2022-04-29 2022-04-29 预报预测相结合的气象栅格数据更新方法

Country Status (1)

Country Link
CN (1) CN114564487B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111180A (zh) * 2023-08-15 2023-11-24 北京大学重庆大数据研究院 模式后气象要素发生概率预测方法、可读存储介质及计算设备
CN118094127A (zh) * 2024-04-29 2024-05-28 南京信息工程大学 基于高空数据与gm灰色迭代的降水量预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150302313A1 (en) * 2014-04-22 2015-10-22 State Grid Corporation Of China Method of predicating ultra-short-term wind power based on self-learning composite data source
CN110689179A (zh) * 2019-09-18 2020-01-14 北京工商大学 基于时空序列混合模型的水华预测方法
CN114118511A (zh) * 2021-08-31 2022-03-01 中国资源卫星应用中心 基于云量预测信息的大区域多星联合覆盖有效性评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150302313A1 (en) * 2014-04-22 2015-10-22 State Grid Corporation Of China Method of predicating ultra-short-term wind power based on self-learning composite data source
CN110689179A (zh) * 2019-09-18 2020-01-14 北京工商大学 基于时空序列混合模型的水华预测方法
CN114118511A (zh) * 2021-08-31 2022-03-01 中国资源卫星应用中心 基于云量预测信息的大区域多星联合覆盖有效性评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
毛钰嘉: "基于时间序列的组合预测模型研究——以江西省CPI为例", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117111180A (zh) * 2023-08-15 2023-11-24 北京大学重庆大数据研究院 模式后气象要素发生概率预测方法、可读存储介质及计算设备
CN118094127A (zh) * 2024-04-29 2024-05-28 南京信息工程大学 基于高空数据与gm灰色迭代的降水量预测方法

Also Published As

Publication number Publication date
CN114564487B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
Loukatou et al. Stochastic wind speed modelling for estimation of expected wind power output
CN107153874B (zh) 水质预测方法及系统
CN114564487B (zh) 预报预测相结合的气象栅格数据更新方法
Shamshad et al. First and second order Markov chain models for synthetic generation of wind speed time series
Sartini et al. Comparing different extreme wave analysis models for wave climate assessment along the Italian coast
CN108629452A (zh) 一种基于多模式多参数集合预报的气象风险决策方法
JP2009294969A (ja) 需要予測方法および需要予測装置
CN111815065B (zh) 基于长短时记忆神经网络的短期电力负荷预测方法
CN112285807A (zh) 一种气象信息预测方法及装置
Sahu et al. A comparison of Bayesian models for daily ozone concentration levels
CN109558968B (zh) 风电场出力相关性分析方法及装置
Bogner et al. Combining quantile forecasts and predictive distributions of streamflows
US20180248370A1 (en) Methods and systems for energy use normalization and forecasting
Chen et al. Combining stochastic weather generation and ensemble weather forecasts for short-term streamflow prediction
Chen et al. Postprocessing of ensemble weather forecasts using a stochastic weather generator
CN112116149A (zh) 一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法
CN115238947A (zh) 气候变化下旱涝急转事件的社会经济暴露度预估方法
CN117494888A (zh) 基于优化级联的分布式光伏功率预测方法及系统
KR101463492B1 (ko) 비정상성 분위 사상을 적용한 전지구 기후모델의 오차보정방법
Dkengne et al. A limiting distribution for maxima of discrete stationary triangular arrays with an application to risk due to avalanches
KR101409316B1 (ko) 다중모델 확률예측 시스템 및 방법
CN112580844A (zh) 气象数据处理方法、装置、设备及计算机可读存储介质
CN110175740B (zh) 一种基于Kriging代理模型的场景分析实现方法
CN104679939B (zh) 一种飞机设计经济可承受性评估过程的多准则决策方法
Krzysztofowicz A Bayesian Markov model of the flood forecast process

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