大氣降水是地表淡水的主要來源之一,許多地區(qū)的降水存在年際分配不均的狀況,常常造成各地的旱澇災害,因此探明降水的時空變化規(guī)律,對農(nóng)業(yè)生產(chǎn)以及居民生活都具有重要的意義。本文給出通過運用聚類分析、主成分分析和基于LSTM的神經(jīng)網(wǎng)絡(luò)三種方法綜合建立的預測模型,并對江蘇省內(nèi)62個氣象觀測站點的降水量時間序列進行了預測,預測效率和精度綜合表現(xiàn)較好。文章的重點在于如何將62個時間序列數(shù)據(jù)簡化分析,在提高分析效率的同時保證預測精度,同時可以達到使用個人計算機便可高效的預測這62個站點降水量的目的。本文第一步利用聚類分析將62個站點的降水序列分成若干個局部特征相似的子類,第二步利用基于主成分分析的序列壓縮法求出每個子類的主導序列,第三步利用基于LSTM的神經(jīng)網(wǎng)絡(luò)時間序列預測模型對每個子類的主導序列分別進行預測,并反算出每一子類中各氣象站點降水量的預測值,最后通過計算標準化均方誤差NMSE值對建立的預測模型的精度進行評估。基于江蘇省62個氣象觀測站點1961年至2019年的年降水量數(shù)據(jù),利用R語言和Python語言對降水量時間序列數(shù)據(jù)進行降水量預測,以期為合理分配水資源和防范氣象災害,減少經(jīng)濟損失提供一定... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：51 頁

【學位級別】：碩士

【部分圖文】：

圖１?ＤＴＷ距離計算方式表示??其次，這種扭曲必須滿足一定要求，一是每個點都要被用到，不可跳過，并??

每個矩陣元素（ｉ，ｙ）代表著點仏和ｑ對齊。而這里的對齊順??序是通過ＤＰ算法尋找一條通過此網(wǎng)格中若干格點的路徑，此時路徑通過的格點??即為計算時序列對齊的點。??０?Ｓ?１０?１ｆｌ?２０?２９?３０??????—？?＊?Ｍ?｜?ｉ?Ｉ?１?ＪｆＴ＇?Ｊ??（?ｍ?＾???／?．?？＝＝＝＝＾＾＾－＝；??Ｓ?ｊ＝＝ｉ＾：＝＝＝＝ｚ�。�??ｙ?８??乙—＿??／?？?－ｉ－＋－ｚｚ—??ｌ?ｘ?．?．?Ｌ?Ｍ?ＩＮＩ?ｔｒｌ??１?ｉ?ｎ??圖２規(guī)整路徑的例子??將這條路徑定義為規(guī)整路徑（Ｗａｒｐｉｎｇ?Ｐａｔｈ），用Ｍ／表示，Ｗ的第ｆｃ個元素定??義為ｗｋ?＝?（ｉｊ）ｋ，定義了序列Ｑ和Ｃ的映射。所以有：??州＝Ｗｐｖｖ２，…，…Ｗｋ?ｒｒｍ；ｃ（ｍ，ｎ）?＜ｍ?＋?ｎ?—?１。??路徑的選擇需要滿足以下幾個約束：??１）邊界條件：＝?和ｗｆｃ?＝?（ｍ，ｎ），簡單地說，這要求所選擇的路徑必須??要從左下角出發(fā)，到右上角結(jié)束；??２）連續(xù)性：如果＝?那么路徑的下一個點ｗｋ?＝?（ａ，；ｂ）需要滿足（ａ?—??ａ＇）Ｓｌ和即不能跨過某點去匹配，只能與自己相鄰的點對齊，??這樣保證了序列Ｑ和Ｃ中的每個坐標均出現(xiàn)在州中；??３）單調(diào)性：如果Ｗｆｃ—ｉ?＝?（ａ？，那么路徑的下一個點需要滿足０?Ｓ??（ａ－￡〇和這便限制了?１４／中的點必須是隨時間單調(diào)進行的，來??保證圖２中的虛線不會相交。??根據(jù)連續(xù)性和單調(diào)性的約束，每個格點的路徑便只有三個方向，即若路徑己??經(jīng)通過了格點ａｙ），那么通過的下一個格點只可能是下列三種情況之一（如圖３??所示）：??１１??

?山東大學碩士學位論文???（ｉ?＋?ｌｔｊ），?（ｉ，ｊ?＋?１），?（ｉ?＋?ｌ，ｊ?＋?ｌ）〇??ｓ??圖３格點路徑方向的三種情況??同時，滿足以上三條約束條件的路徑有指數(shù)個，而這里僅對滿足以下規(guī)整代??價最小的路徑感興趣［１?］：??ＤＴＷｄＱ，Ｃ）?＝?ｍｉｎ｛ＶＥＬｉＷｋ／４°?（３－１）??其中，分母中的主要是用來對不同長度的規(guī)整路徑做補償，因為不同路徑的長??短不同，而較長的路徑有較多的“點對”，便會有較多的距離去累加，所以就用總??距離除以Ｋ來得到單位路徑的距離。??實際上，ＤＴＷ就是通過把時間序列進行延伸和縮短，得到時間序列之間距??離最短即最相似的那個規(guī)整，這個最短的距離即為時間序列之間最合適的距離度??量，也就是要選擇一個路徑，使最后得到的總距離最小，而這條路徑能夠通過ＤＰ??算法得到。這里需要明確一個累加距離（Ｃｕｍｕｌａｔｉｖｅ?Ｄｉｓｔａｎｃｅｓ）的定義［１］：??ｙ（ｉｊ＇）?＝?ｄ＾ｃ））?＋?ｍｉｎ?｛］／〇＿?１，）?－?ｌ），ｙ（ｉ?－?１）），?（３．２）??其中累積距離ｙａｙ）為當前格點距離ｄａｙ），即點仏與９之間的歐式距離與可以到??達該點的最近鄰元素累積距離之和。從（〇，〇）點開始匹配序列Ｑ和ｃ之后，每到一??個點，之前計算的所有點的距離都會累加，當?shù)竭_終點（ｎ，ｍ）時，這個累積距離??即為最后的總距離，也就是序列Ｑ和Ｃ的相似度。本文將使用Ｒ語言中ｄｔｗ包里??的ｄｉｓｔ函數(shù)求解ＤＴＷ距離。??３．３基于Ｃａｌｉｎｓｋｙ?Ｃｒｉｔｅｒｉｏｎ的聚類個數(shù)的確定??ＣａｌｉｎｓｋｙＣｒｉｔｅｒｉｏｎ［２１］，即?Ｃａｌｉｎｓｋｙ?準則，全稱為?Ｃａｌｉｎｓｋｉ－

【參考文獻】：
期刊論文
[1]不同模型在南寧市年降水量預測中的應(yīng)用比較[J]. 杜懿,麻榮永,趙立亞.  人民珠江. 2018(04)
[2]基于ARMA模型的丹東市降雨時間序列分析[J]. 金冶.  水利規(guī)劃與設(shè)計. 2017(05)
[3]基于RBF神經(jīng)網(wǎng)絡(luò)的降雨量預測[J]. 羅偉,馬紅麗,高海燕,楊艷,陶榮東.  內(nèi)蒙古水利. 2014(06)
[4]基于小波分析的ARMA-GARCH模型在降水預報中的應(yīng)用[J]. 王喜華,盧文喜,初海波,陳社明.  節(jié)水灌溉. 2011(05)
[5]基于小波消噪的平穩(wěn)時間序列分析方法在降雨量預測中的應(yīng)用[J]. 崔磊,遲道才,曲霞.  中國農(nóng)村水利水電. 2010(09)
[6]基于時間序列分析的降雨量動態(tài)預測[J]. 徐文霞,林俊宏,廖飛佳,李國東.  安徽農(nóng)業(yè)科學. 2009(36)
[7]降水量的BP人工神經(jīng)網(wǎng)絡(luò)預測模型及其應(yīng)用[J]. 牛文全,李靖.  西北農(nóng)林科技大學學報(自然科學版). 2001(04)
[8]神經(jīng)網(wǎng)絡(luò)BP模型用于月降水預報的研究[J]. 嚴紹瑾,彭永清,郭光.  熱帶氣象學報. 1995(03)
[9]降水時間序列的聚類分析和預測[J]. 王永縣,詹一輝,張少.  系統(tǒng)工程理論與實踐. 1994(11)



本文編號：3398161