發(fā)布時間：2020-10-23 08:09

　　 時間序列分析是統(tǒng)計學中的一個重要的分支,也是數(shù)據(jù)分析中不可或缺的一部分,降水量與風速是兩種具有明顯非平穩(wěn)、周期性波動特征的氣象數(shù)據(jù)。降水量的變化波動在一定程度上可以反映出地區(qū)的旱澇情況。目前,全球處于水資源缺乏的狀況,降水在時間上具有隨機性和不確定性,因此,對降水量的準確預測可以及時的對旱澇災害做出應對措施,對農(nóng)作物的生長和灌溉也具有一定的指導意義。自然資源正在不斷的發(fā)掘,風能屬于可再生能源,利用風能發(fā)電目前是我國能源建設實施可持續(xù)發(fā)展戰(zhàn)略的需要。風速具有隨機變動的隨機性和不確定性,對風速的準確預測可以減少風電場的成本,提高對風的利用率,同時對電力工業(yè)的結構調整都有重要的意義。因此,為了實現(xiàn)對氣象能源高效的利用,建立對長期氣象數(shù)據(jù)時間序列的預測模型,本文主要進行了以下三個方面的工作:(1)基于小波的閾值去噪算法,提出了一種對軟閾值進行改進的去噪算法,對信號去噪性能進行優(yōu)化,并進行仿真。結果表明去噪后的信號曲線不僅平滑性能好,而且完好的保留了原始信號的基本特征。(2)基于時間序列中的ARMA模型,構建了 ARIMA的季節(jié)性模型,通過加噪的正弦序列進行仿真,結果驗證ARIMA季節(jié)模型優(yōu)于ARMA模型,最后,氣象數(shù)據(jù)降水量和風速的仿真結果表明ARIMA季節(jié)性模型的性能明顯優(yōu)于ARMA模型。(3)基于ARIMA的季節(jié)性模型,提出了一種基于軟閾值去噪的ARIMA季節(jié)性模型,通過加噪的正弦序列仿真驗證,基于軟閾值去噪的ARIMA季節(jié)性模型在性能上較ARMA和ARIMA季節(jié)模型都得到了明顯的提高,同時,氣象數(shù)據(jù)仿真結果也進一步表明基于軟閾值去噪的ARIMA季節(jié)性模型的性能明顯優(yōu)于前兩個模型。
【學位單位】：昆明理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：P409;O211.61
【文章目錄】：
摘要
Abstract
符號清單
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 小波去噪的研究現(xiàn)狀
        1.2.2 時間序列模型的研究現(xiàn)狀
        1.2.3 總結分析
    1.3 主要內容及創(chuàng)新點
        1.3.1 主要內容
        1.3.2 創(chuàng)新點
    1.4 論文的組織結構
第二章 相關理論和技術
    2.1 數(shù)據(jù)分析
        2.1.1 數(shù)據(jù)穩(wěn)定性檢驗
        2.1.2 非平穩(wěn)數(shù)據(jù)的穩(wěn)定化
    2.2 小波去噪
        2.2.1 小波去噪的算法分類
        2.2.2 小波去噪的評價方法
    2.3 時間序列模型
        2.3.1 灰色預測模型
        2.3.2 ARMA模型
    2.4 本章小結
第三章 小波閾值去噪算法概述及其改進
    3.1 小波閾值去噪算法
    3.2 小波閾值去噪改進算法
    3.3 算法驗證及分析
    3.4 算法應用
        3.4.1 實驗數(shù)據(jù)來源
        3.4.2 氣象數(shù)據(jù)應用
    3.5 本章小結
第四章 時間序列ARIMA季節(jié)性模型的構建
    4.1 季節(jié)性概述
    4.2 ARIMA模型
        4.2.1 ARIMA模型的基本原理
        4.2.2 ARIMA模型中參數(shù)的確定
    4.3 ARIMA的季節(jié)性模型
    4.4 預測模型的對比仿真
        4.4.1 灰色預測模型
        4.4.2 ARMA模型
        4.4.3 ARIMA季節(jié)性模型
    4.5 本章小結
第五章 改進小波軟閾值去噪的ARIMA周期性模型
    5.1 模型建立過程
        5.1.1 時間序列數(shù)據(jù)去噪
        5.1.2 數(shù)據(jù)平穩(wěn)性檢驗
        5.1.3 非平穩(wěn)時間序列的平穩(wěn)化
        5.1.4 模型定階
    5.2 預測結果分析
    5.3 氣象數(shù)據(jù)應用
    5.4 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
致謝
參考文獻
附錄A （攻讀學位期間學術成果）
附錄B （核心代碼附錄）

【相似文獻】

相關期刊論文 前10條

1 牛晉徽;姜攀;;基于ARIMA時間序列模型的江西省生產(chǎn)總值預測[J];中外企業(yè)家;2019年25期

2 宋薇;郭東恩;范玉龍;;基于SPSS Modeler的氣象數(shù)據(jù)分析[J];微型電腦應用;2017年10期

3 張金艷;郭鵬江;;確定性時間序列模型及ARIMA模型的應用[J];西安郵電學院學報;2009年03期

4 劉劍;;基于ARIMA模型在降水量趨勢分析與預測中的應用[J];水利科技與經(jīng)濟;2018年09期

5 劉劍;;ARIMA模型在唐山市降水量趨勢預測與分析中的應用[J];海河水利;2018年04期

6 范維;張磊;石剛;;季節(jié)調整方法綜述及比較[J];統(tǒng)計研究;2006年02期

7 李艷榮;祝麗玲;朱武洋;陶曉燕;;采用自回歸移動平均模型預測我國狂犬病病例的研究[J];疾病監(jiān)測;2019年12期

8 趙嘉陽;梁慧玲;林玉蕊;;基于ARIMA中國旅游外匯收入2004-2015年的時間序列模型[J];科技和產(chǎn)業(yè);2016年02期

9 楊斌清;劉文福;;ARIMA時間序列模型在鋁價格預測中的研究[J];輕金屬;2018年05期

10 崔佳;;氣象數(shù)據(jù)在電視天氣預報節(jié)目中的多樣態(tài)呈現(xiàn)[J];氣象科技進展;2019年06期

相關博士學位論文 前10條

1 孫繼民;發(fā)熱伴血小板減少綜合征時空預測研究[D];中國疾病預防控制中心;2018年

2 Annie Uwimana;用時間序列模型預測非洲國內生產(chǎn)總值[D];中國科學技術大學;2018年

3 劉建華;手足口病發(fā)病趨勢預測及傳播動力學模擬研究[D];華中科技大學;2017年

4 張巖;結構時間序列模型在季節(jié)調整中的理論分析與應用研究[D];南開大學;2013年

5 邱望仁;模糊時間序列模型及其在股指趨勢分析中的應用研究[D];大連理工大學;2012年

6 王立柱;基于計算智能的時間序列模型及預測研究[D];大連理工大學;2015年

7 尚華;兩類時間序列模型的異常值檢測研究[D];首都經(jīng)濟貿(mào)易大學;2016年

8 咸巍;偏正態(tài)混合時間序列模型[D];吉林大學;2010年

9 史振華;晉西黃土區(qū)刺槐生長與降水量的關系[D];北京林業(yè)大學;2009年

10 孫曉東;郵輪收益管理：需求預測與收益優(yōu)化[D];上海交通大學;2011年

相關碩士學位論文 前10條

1 馬麗華;長期氣象數(shù)據(jù)的時間序列建模研究[D];昆明理工大學;2019年

2 王雨琴;季節(jié)調整方法比較研究[D];暨南大學;2016年

3 姜文瑞;基于數(shù)據(jù)挖掘的氣象數(shù)據(jù)分析[D];西安建筑科技大學;2012年

4 朱超凡;基于真實氣象數(shù)據(jù)的大規(guī)模云模擬[D];南京信息工程大學;2019年

5 李敏;云環(huán)境基于屬性約簡與貝葉斯的氣象數(shù)據(jù)分析[D];南寧師范大學;2019年

6 鐘磊;面向氣象數(shù)據(jù)監(jiān)控系統(tǒng)的優(yōu)化設計與研究[D];北京交通大學;2019年

7 喬哲;公眾參與的氣象數(shù)據(jù)眾包產(chǎn)品設計[D];上海交通大學;2018年

8 梁桐睿;張掖地區(qū)氣象數(shù)據(jù)分析與應用研究[D];南京信息工程大學;2018年

9 喻亞楠;多源氣象數(shù)據(jù)處理與可視化驗證框架平臺研究[D];南京信息工程大學;2018年

10 彭明;樸素貝葉斯分類算法在降雨預測中的研究與應用[D];南京信息工程大學;2018年

本文編號：2852768