基于模糊集修正加权马尔可夫模型在新疆降水预测中的应用

[目的]为提高降水预报精度,准确预测一个地区未来的降水丰枯状况和降水量,为该地区工农业生产生活提供决策参考.[方法]以年降水时间序列为研究对象,利用模糊集理论和加权马尔可夫模型建立一种基于模糊集的修正加权马尔可夫预测模型.该模型改进加权马尔可夫模型中初始状态向量的确定方法,即通过引入模糊集理论,基于距离测度建立隶属度函数,计算出随机变量序列各时段序列值隶属于所有状态的隶属度,并将隶属度向量作为该时段的初始状态向量.[结果]根据新疆1957 ～2010年的年降水数据,利用该模型预测新疆2011 ～2012年的降水丰枯状况及降水量预报值.2011 ～2012年丰枯状态的预测结果与实际完全一致,降水量预测值的误差分别为0.99;,0.54;.进一步利用该模型动态预报了2013 ～2017年的降水丰枯状况及降水量.[结论]基于模糊集的修正加权马尔可夫模型具有更高的预测效果,可用于新疆降水丰桔状况预报和降水量预测.     

ARIMA和蒙特卡洛方法在预测降水量中的应用

为提高组合模型的预测精度,使其更好的应用于旱灾预测,采用差分自回归移动平均模型(ARIMA)模型和蒙特卡洛(Monte Carlo)方法分别对降水序列的线性、周期和非线性、随机部分进行预测,并通过博弈论组合赋权,建立基于博弈赋权的ARIMA和蒙特卡洛组合模型。以吉林省松原地区为例,利用1953~2012年逐月降水资料建模并预测,并与最小二乘法赋权法进行对比。结果表明:在对松原地区2012年月降水量的预测中,ARIMA模型预测值的决定系数为0.908,蒙特卡洛方法预测值的决定系数为0.941;应用博弈理论拟合蒙特卡洛方法和ARIMA模型的预测值,其结果的决定系数为0.945,高于最小二乘法拟合结果。蒙特卡洛方法的预测精度高于ARIMA模型,更适合降水量数据。同时将博弈理论应用于拟合两种方法的预测结果,使预测数据的线性和非线性特征有机结合起来,提高了预测精度,是切实可行的。     

变桨距风力发电系统模糊控制

提出了一种基于灰色-ARIMA的金融时间序列智能混合预测模型。首先建立金融时间序列灰色预测模型,并采用PSO算法对灰色模型的三个参数进行优化;利用ARIMA算法对预测模型的残差进行分析,同时采用遗传算法对ARIMA的系数进行优化;最后用ARIMA的残差预测结果对灰色预测模型进行补偿。结果表明,以较好的精度拟合一段时期内MA＜107的时间序列,预测误差控制在5%以上,与单纯的灰色预测算法和神经网络算法相比,在平均绝对误差、均方根误差和趋势准确率三项评价指标上,具有明显优势。     

基于时间序列的金华市梅汛期降雨量预测

根据金华市7个县（市）1968～2012年梅雨汛期降水量的实测数据,对金华市梅汛期降水基本特征进行分析,并运用平稳时间序列的线性外推法建立各个地区降水量的预测模型。结果表明,金华地区梅汛期降水量的年际变化呈多峰型,但从总体形势上看．近45年的梅雨量是呈上升趋势;经检验,浦江等地区预测的中长期结果具有较高的精度,说明平稳时间序列的线性外推法建立的预测模型对这些地区梅雨期降水量的预测较准确,此预测模型可以为中长期降水预报及政府部门决策服务提供强有力的科学支持。     

基于季节ARIMA模型的铜陵市气温序列的预报

运用EVIEWS软件,对铜陵市48年来的月平均气温时间序列进行统计分析,并对该动态数据进行建模和预测。采用差分方法对样本数据进行预处理,然后定阶,并进行参数估计,建立季节ARIMA模型对铜陵市气温数据进行预报。预报结果显示,季节ARIMA模型的平均绝对误差值为0.875。将ARIMA模型预报结果与径向基(radial basis function,RBF)神经网络模型的预报值比较可知,其预报结果优于RBF神经网络的预测结果。     

时间序列组合预测模型研究:以农业机械总动力为例

[目的]本文旨在提出更有效的时间序列组合预测模型的构建方法,建立预测精度较高的时间序列组合预测模型。[方法]以1978—2013年新疆农业机械总动力为数据源,建立了源序列的曲线回归、自回归积分滑动平均、3次指数平滑和灰色模型,并构建了预测对象和预测模型的关系数据库。提出了基于百分误差的计算属性重要度方法,依据该方法计算单一模型在组合模型中的权重,构建了单一模型预测值及其权重为输入的组合预测模型,使输出结果中完整的涵盖了时间序列不同单一预测模型的输出值特征。以误差分布特征为指标,对组合预测模型和各单一模型的预测性能进行分析。以组合预测模型拟合优度和预测值平均绝对百分误差(MAPE)作为评价指标,对基于百分误差、粗糙集、Shapley和熵权法的组合预测模型构建方法进行定量分析。[结果]预测周期内提出的组合预测模型的最大及平均误差与各单一模型最优值相比,分别降低了27.35和6.43,误差平方和(SSE)减少了73%,平均绝对百分误差降低了1.56%。基于百分误差的组合预测模型的拟合优度与基于粗糙集、Shapley和熵权法的组合预测模型拟合优度相比,分别提高了2.40%、5.10%和2.27%,粗糙集、Shapley和熵权法的预测值的平均绝对百分误差分别为1.673 0、3.726 1和2.702 4,而本文提出的模型的平均绝对百分误差为1.298 4。[结论]基于百分误差的组合预测模型在农业机械总动力和类似时间序列预测分析中,降低预测误差波动幅度及提高预测精度方面与其他单一模型和组合模型相比具有显著优势。     

基于改进径向基函数的降雨量短期预测研究

为提高短期降水量预测的精度,尤其是汛期降水量的准确估计对防洪减灾以及水资源管理都具有很重要的指导意义。将具有较强非线性映射能力的人工神经网络技术用于汛期降水量预测,更符合降水量的随机相关特征,能切实提高其预测精度。将基于密度参数改进传统K-均值算法与径向基函数神经网络(radial basis function,RBF)耦合,提出了一种新的短期降雨量预报模型。并将所构建的模型应用于黑龙江省双鸭山市汛期月降雨量预报中进行验证。RBF神经网络是一种泛化能力较强的前馈型神经网络模型;密度参数可以通过寻找聚类中心至样本平均距离区域内样本的最优密度,使K-均值算法确定的RBF神经网络基函数中心减少波动,消除标准K-均值算法对初始聚类中心的敏感性,提高RBF网络的逼近能力和网络中心的搜索速度。研究结果表明:基于改进径向基函数的降雨预报模型对于预见期2010年、2011年和2012年的汛期(6~9月)降雨量的计算平均相对误差为10.81%,确定性系数为0.95,预报精度比标准K-均值算法和BP神经网络两种模型的计算结果都有所提高。本研究确定的径向基函数能够更好地描述研究区域汛期月降雨量间的映射关系,与标准K-均值算法和BP神经网络两种模型相比,除预报精度有所提高外,其收敛速度更快,这表明本方法能对短期降水预报提供更高的预报精度。     

基于EMD的BP神经网络在凌河流域旱灾预测中的应用

为提高旱灾预测模型预测精度,利用EMD(经验模态分解法)处理非平稳信号的优势,将其应用到BP神经网络预测模型中,建立基于EMD的BP神经网络旱灾预测模型,对凌河流域44个观测站(小凌河流域11站、大凌河流域33站)共51年(1960~2010)的降水资料进行旱灾预测应用,同时将基于EMD的BP神经网络旱灾预测模型结果与BP神经网络预测模型结果进行对比。结果表明:小凌河流域基于EMD的BP神经网络预测模型、BP神经网络预测模型的年均降水量预测值均方误差(MSE)分别为0.0011和0.0076,决定系数(R2)分别为0.95和0.83;大凌河流域基于EMD的BP神经网络预测模型、BP神经网络模型的年均降水量预测值均方误差(MSE)分别为0.0032和0.0092,决定系数(R2)分别为0.93和0.79。基于EMD的BP神经网络预测值均方误差(MSE)较小且决定系数(R2)较高,均优于BP神经网络预测值,提高了BP神经网络旱灾预测模型预测精度,具有一定的可行性。     

基于BP神经网络与灰色模型的干旱预测方法研究

为了提高降水量预测的精度,采用BP神经网络与灰色模型相结合干旱预测的理论方法,研究数据的灰色建模与预测,再对模拟值与真值残差进行BP网络建模,利用残差模拟值修正总体降水量预测值,并对朝阳地区降水量进行预测。研究结果表明:BP神经网络与灰色模型预测相结合降水量平均预测误差为0.0799,比单纯用灰色模型预测误差降低0.1311,说明BP神经网络与灰色模型相结合的预测方法适合朝阳地区降水量的预测。     

基于熵权的年降雨量预报优化组合模型研究

鉴于单一预测模型在建模时预测值比实际值存在较大偏差问题,为了提高预测精度,在此首先采用自回归综合移动平均ARIMA模型（简称A模型）、Elman神经网络模型（简称B模型）、小波网络分析模型（简称C模型）、灰色系统GM（1,1）模型（简称D模型）,利用广西田东县1990～ 2007年的年降雨量分别进行了模拟计算,然后在各单一模型预测（拟合）的年降雨量偏差值基础上,应用熵权法对4种模型的偏差值进行客观赋权后优化组合,并根据最优组合结果,选用A、B、C单一模型和最优选的A-B-C优化组合模型对广西田东县2008～ 2010年的年降雨量进行预测对比.结果表明,A、B、C和A-B-C模型得到的均方根误差RMSE和模型效率EF分别为0.018、0.015、0.017、0.013和0.817、0.877、0.843、0.897,优化组合模型的预测精度和拟合度比单一模型的结果得到了提高和改善,该组合方法提高了年降水量的预测精度,为诸如广西田东县以雨养农业为主的区域农业干旱预报提供了新的方法和依据.