基于SVM-CEEMDAN-BiLSTM模型的日降水量预测.pdf
《基于SVM-CEEMDAN-BiLSTM模型的日降水量预测.pdf》由会员分享,可在线阅读,更多相关《基于SVM-CEEMDAN-BiLSTM模型的日降水量预测.pdf(8页珍藏版)》请在咨信网上搜索。
1、 :第 卷 第 期 人民珠江 年 月 基金项目:江西省教育厅科学技术研究项目();国家自然科学基金项目();国家自然科学基金青年基金项目();江西省研究生创新计划项目资助();江西省科技厅项目();南昌工程学院大学生创新创业计划项目(、)收稿日期:作者简介:凌铭(),男,硕士研究生,主要从事水利信息化等工作。:通信作者:肖丽英(),女,博士,副教授,主要从事水文水资源与生态水利等工作。:凌铭,肖丽英,赵嘉,等 基于 模型的日降水量预测 人民珠江,():基于 模型的日降水量预测凌铭,肖丽英,赵嘉,王萍根,王寅,项凯,蔡高堂(南昌工程学院水利与生态工程学院,江西南昌 ;南昌工程学院信息工程学院,江
2、西南昌 )摘要:针对日尺度降水序列中极大值与无雨日预测精度低的问题,提出基于支持向量机()、完全集合经验模态分解()和双向长短期记忆神经网络()的降水预测耦合模型。将提出的模型应用于鄱阳湖流域景德镇站和赣县站 个典型站点的日降水量预测中,并与各种传统模型组合的预测结果进行了对比。结果表明:耦合模型的降水预测结果与实测结果基本一致且精度最高,为日尺度降水量预测中极大值与无雨日预测精度低的问题提供了一种解决参考。关键词:日尺度降水量;预测;深度学习;网络中图分类号:文献标识码:文章编号:()牞 牞 牞 牞 牞 牞 牗 牞 牞 牞 牷 牞 牞 牞 牘 牶 牞 牗 牘 牞 牗 牘 牞 牗 牘 牞 牞
3、牶 牷 牷 降水的形成受多因素的影响,导致降水虽然存在一定的规律性,但同时也存在较强的复杂性和不确定性。因此,在国内乃至全球气象领域,降水预测一直是难点。国内外有关降水时间序列的传统预测研究主要有统计学、动力学等方式。近年来,随着人工智能与大数据的发展,复杂神经网络、机器学习等人民珠江 年第 期逐步应用为降水预测带来了新的机遇 。吴有训等 基于支持向量机(),通过历史数据构建月尺度降雨级别预测模型。结果表明 模型在降雨级别等分类应用上有较强的预测能力,可在气候预测业务中推广使用。甄亿位等 利用随机森林算法分别构建了年、月尺度降水预测模型,并采用历史气象数据验证模型的适用性。结果表明:随机森林模
4、型与 神经网络等机器学习预测模型相比,具有精度高、稳定性好、收敛快等优点,但对年、月尺度极端降水数据的预测效果不太理想。作为机器学习中一个新的研究方向,深度学习在降水预测领域有别于传统预测方法,它在处理非线性问题上效果更佳。沈皓俊等 基于 构建了降水预测模型,并预测了季尺度降水量。结果表明 模型的降水预测能力优于 神经网络等机器学习模型。随着信号处理技术的发展,数据去噪逐步被应用到气象预测领域中。例如 等 提出一种新型 模型,将其应用于印度的月降水量预测,结果表明该组合模型预测能力远高于 预测模型。华亚婕 提出一种基于 的改进模型应用于吉林省的降雨等级预测,结果表明该组合模型降雨等级预测能力远
5、高于 模型。综上,深度学习方法为气象领域的降水预测提供了新的思路。但是,以前大部分的研究集中于年、季、月尺度的降水量预测 ,而对防旱抗涝更具有研究意义的日尺度降水量预测方面研究却较少。无论是单一模型还是组合模型在日尺度降水预测上,往往存在降水极大值与无雨日预测精度低的问题 。为解决上述情况,先利用支持向量机将无雨日与有雨日分离出来,然后借助完全集合经验模态分解()将降水序列的中高频与低频子序列分解出来以便针对性预测,再利用双向长短期记忆神经网络()对降水序列进行有效预测。因此,形成了降水预测耦合模型()。本研究采用鄱阳湖流域典型气象站点的日降水序列与其他气象要素序列作为模型输入,通过优化耦合模
6、型以达到最优降水预测效果。数据与方法 数据来源与处理为方便对比检验不同模型的降水预测精度,本研究选取鄱阳湖流域降水集中程度表现较为典型的景德镇站、赣县站 作为研究站点,采取其 年期间多项气象数据展开对比研究。位于流域北部的景德镇站由于地形等因素,年内降水最为集中;赣县站则位于流域南部,其年内降水在流域内最为均匀,这与景德镇站的日降水集中程度形成鲜明对比。个站的气象数据均来源于国家气象科学数据中心(:)的中国地面气候资料数据集。另外,本研究选取的气象因子为降水量()、地温()、蒸发量()、气压()、相对湿度()、日照()、气温()、风速()。原始气象数据中的缺失值和异常值利用 最近邻()插补方法
7、进行插补 ,并对与试验无关数据进行剔除等处理,整理之后的数据作为研究用的输入数据。研究方法 支持向量机支持向量机(,)是一类按监督学习方式对数据进行二元分类的分类器 ,能够支持线性和非线性核函数对复杂样本进行分类,它在分类与预测上 应用较广。因此,可利用 对降水数据进行晴雨分类。考虑气象数据有较为复杂的相互关系,选用径向基核函数(,),见式():(,)()式中、个不同样本的特征向量;径向基核函数的超参数。集合经验模态分解方法自适 应 噪 声 的 完 全 集 合 经 验 模 态 分 解 (,)是在集合经验模态分解 (,)的基础上有所改进的一种分解方法,它解决了 加入白噪声后分解引起的误差增大与完
8、人民珠江 年第 期备性不足的问题。在本研究中,对降水序列分解可得到多个原序列中不同气候振荡信号的固有模态函数(,)。分析各个 分量可 以 获 取 不 同 频 率 降 水 变 化 的 内 在 规 律。分解的步骤如下。步骤一 在原始信号 ()中加入白噪声(),更新信号为:()()()()其中 为噪声系数。步骤二使用 方法对更新后信号进行次分解并取均值,得到第一个固有模态函数(,):()()()步骤三计算残余分量:()()()()步骤四计算第二个 。定义 方法分解后的第 个固有模态函数为()。即对信号()()再重复进行 次分解,得到第二个 分量:()()()()步骤五计算 阶残余分量为:()()()
9、()第 个 为:()()()()以此类推得到各阶 分量,直到残余分量为单调函数时停止分解。当得到 个模态函数时,原始信号则可表示成:()()()()神经网络双向长短期记忆网络 (,)是长短期记忆神经网络 (,)的一个变种。模型只利用过去的数据信息进行预测,且常导致较早的历史数据信息遗忘。神经网络则可同时利用过去和未来的数据信息模拟预测,已成功应用于语言和图像处理中 。本研究引入 模型对日尺度降水序列进行模拟预测。、神 经 网 络 拓 扑 结 构 见 图 。模型的结构由前向和后向的 个 模型组成。在 时刻,输入信息传递到前向和后向的 模型,输出由 个方向的 模型输出共同确定。模型的基本架构由输入
10、层、输出层和隐含层组成。其中,隐含层的基本单元被称为存储块。存储块包含 个门(输入门()、输出门()和遗忘门()和 个单元状态(),用于控制信息的传递与更新,单元状态储存过去的信息。符号和分别代表 个向量的加法运算和点乘运算,代表 激活函数,为双曲正切激活函数,计算见式()、():()()()()图 、神经网络拓扑结构人民珠江 年第 期隐含层具体计算过程见式()():(,)()(,)()(,)()槇 (,)()槇()()()式中“”遗忘门、输入门、输出门和单元状态的权重向量;、遗忘门、输入门、输出门和单元状态的偏置向量;、遗忘门、输入门、输出门和单元状态的偏置向量;、时刻输入层的输入、隐含层的
11、输出。评价指标首先,本文选取准确率()用于评价 的分类预测效果。其次,选取泰勒图来综合评价不同降水预测模型的预测能力。该图同时涵盖了均方根误差(,)、标准差(,)和 皮 尔 逊 相 关 系 数(,)个指标,能从个角度更加全面对比不同模型的预测性能 。其中,反映预测精度,反映预测误差实际情况,反映模型的稳定性。各个评价指标的计算见式()():()(槇)槡()()槡()(,槇)()(槇)()式中 样本数量;、槇 时间的实测降水量、预测降水量。耦合模型 模型结构由于日尺度降水时间序列具有多变性与非线性的特征,单一模型在降水量变化的捕捉上存在局限性 。本研究首先采用二分类算法 对降水序列完成晴雨预测(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 SVM CEEMDAN BiLSTM 模型 降水量 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。