發(fā)布時間：2017-10-31 20:38

  本文關(guān)鍵詞：霾預(yù)報建模相關(guān)算法的研究

  更多相關(guān)文章： 霾預(yù)報 多元逐步 概率回歸 在線支持向量回歸 時間序列

【摘要】：近年來,頻繁發(fā)生的霾天氣已經(jīng)在很大程度上影響著民眾的健康以及人類的生產(chǎn)生活方式。減少霾的發(fā)生并降低霾的影響已經(jīng)成為各級政府和相關(guān)部門的重要任務(wù)。霾的定性預(yù)報和等級預(yù)報可以為防霾控霾措施的制定提供決策參考依據(jù)。因此針對霾預(yù)報建模方法的研究也逐漸成為當前環(huán)境和氣象預(yù)報領(lǐng)域的熱點問題。本文基于統(tǒng)計學(xué)中的多元逐步回歸以及支持向量回歸等相關(guān)理論,對霾預(yù)報的建模算法進行了討論和研究。研究了基于多元逐步回歸與概率混合回歸算法的霾預(yù)報模型。該方法首先利用統(tǒng)計預(yù)報的大樣本數(shù)據(jù),來確定每一個關(guān)鍵因子的權(quán)重和閾值；然后使用模式預(yù)報獲得的氣象要素,利用多元逐步回歸方法建立能見度預(yù)報方程,以減少數(shù)值預(yù)報系統(tǒng)帶來的系統(tǒng)誤差；接著利用概率回歸結(jié)合能見度、相對濕度等物理參量建立基于二值變量的霾預(yù)報模型,從而得到霾發(fā)生的概率值；最后以北京、南京、杭州、鄭州等地為例,通過與現(xiàn)有業(yè)務(wù)上主要運行的霧霾數(shù)值預(yù)報系統(tǒng)CUACE對比檢驗,驗證了混合回歸預(yù)報算法在霾預(yù)報方面的有效性。研究了基于時間序列與支持向量回歸相結(jié)合的霾預(yù)報建模方法,該方法首先通過經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)方法將不同頻率的原始信號分解為各個平穩(wěn)分量；接著使用支持向量回歸算法對分解后的分量訓(xùn)練并預(yù)測,并將各分量預(yù)測后的結(jié)果相加；最后結(jié)合有無降水以及相對濕度的閾值來預(yù)報霾是否發(fā)生；最后以北京、石家莊、南京、鄭州、杭州等典型站點為例對建立的模型進行訓(xùn)練測試,驗證了該模型的預(yù)報精度相對于多元逐步回歸算法有很大的提高。研究了一種改進在線支持向量回歸的霾預(yù)報方法。該方法對新樣本進行增量學(xué)習(xí),利用矩陣分塊的思想,對邊界支持向量進行迭代更新,并結(jié)合混沌粒子群算法對支持向量回歸核函數(shù)進行參數(shù)尋優(yōu),從而建立大氣能見度預(yù)報方程,最后利用支持向量機判斷是否有雨,并結(jié)合相對濕度閾值,建立霾預(yù)報模型。實驗結(jié)果驗證了其運行速度與傳統(tǒng)的在線支持向量回歸有了顯著提高。與現(xiàn)有業(yè)務(wù)上主要運行的霧霾數(shù)值預(yù)報系統(tǒng)CUACE相比,該改進算法的預(yù)報準確率也得到了一定的提高。
【關(guān)鍵詞】：霾預(yù)報 多元逐步 概率回歸 在線支持向量回歸 時間序列
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：X513;O212.1
【目錄】：

• 摘要5-6
• Abstract6-8
• 第一章 緒論8-16
• 1.1 研究背景和意義8-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-13
• 1.2.1 數(shù)值預(yù)報方法10-11
• 1.2.2 統(tǒng)計學(xué)方法11-13
• 1.2.3 存在不足13
• 1.3 研究內(nèi)容和方法13-14
• 1.4 論文組織結(jié)構(gòu)14-16
• 第二章 基于統(tǒng)計學(xué)方法的概述16-24
• 2.1 多元回歸分析的基本原理16-17
• 2.2 支持向量機(SVM)的基本原理17-21
• 2.3 支持向量回歸(SVR)的基本原理21-23
• 2.4 本章小結(jié)23-24
• 第三章 多元逐步與概率混合回歸法在霾預(yù)報中的應(yīng)用24-37
• 3.1 前言24
• 3.2 多元逐步回歸與概率混合回歸法24-29
• 3.2.1 多元逐步回歸法24-27
• 3.2.2 概率回歸法27
• 3.2.3 因子的剔除與引進27-28
• 3.2.4 交叉驗證法28-29
• 3.3 多元逐步與概率混合回歸預(yù)報模型建立29-31
• 3.4 實驗結(jié)果31-36
• 3.4.1 實驗平臺和資料31-32
• 3.4.2 實驗結(jié)果分析32-36
• 3.5 本章小結(jié)36-37
• 第四章 基于時間序列與SVR的霾預(yù)報方法37-55
• 4.1 前言37
• 4.2 時間序列的預(yù)測原理37-40
• 4.2.1 時間序列的基本問題37-38
• 4.2.2 混沌時間序列的相空間重構(gòu)38-40
• 4.3 EMD方法40-42
• 4.3.1 EMD基本原理40
• 4.3.2 EMD的分解過程40-42
• 4.4 基于EMD-SVR的時間序列霾預(yù)報模型42-54
• 4.4.1 EMD-SVR基本原理42
• 4.4.2 實驗資料和平臺42-43
• 4.4.3 EMD-SVR時間序列霾預(yù)報模型43-44
• 4.4.4 EMD-SVR實驗結(jié)果分析44-53
• 4.4.5 與多元逐步和概率混合回歸霾預(yù)報對比結(jié)果分析53-54
• 4.5 本章小結(jié)54-55
• 第五章 基于改進在線支持向量回歸的霾預(yù)報方法55-69
• 5.1 前言55
• 5.2 基于改進Online SVR霾預(yù)報模型55-62
• 5.2.1 在線支持向量回歸55-57
• 5.2.2 基于矩陣迭代更新的邊界支持向量57-59
• 5.2.3 基于混沌粒子群算法的Online SVR參數(shù)優(yōu)選59-61
• 5.2.4 在線支持向量回歸霾預(yù)報模型61-62
• 5.3 實驗結(jié)果62-67
• 5.3.1 實驗資料和平臺62-63
• 5.3.2 預(yù)報因子選取63
• 5.3.3 實驗結(jié)果分析63-67
• 5.4 本章小結(jié)67-69
• 第六章 總結(jié)與展望69-71
• 6.1 本文總結(jié)69-70
• 6.2 展望70-71
• 參考文獻71-76
• 致謝76-77
• 作者簡介77

，

本文編號：1123670