霾预报建模相关算法的研究

发布时间：2017-10-31 20:38

  本文关键词：霾预报建模相关算法的研究

  更多相关文章： 霾预报 多元逐步 概率回归 在线支持向量回归 时间序列

【摘要】：近年来,频繁发生的霾天气已经在很大程度上影响着民众的健康以及人类的生产生活方式。减少霾的发生并降低霾的影响已经成为各级政府和相关部门的重要任务。霾的定性预报和等级预报可以为防霾控霾措施的制定提供决策参考依据。因此针对霾预报建模方法的研究也逐渐成为当前环境和气象预报领域的热点问题。本文基于统计学中的多元逐步回归以及支持向量回归等相关理论,对霾预报的建模算法进行了讨论和研究。研究了基于多元逐步回归与概率混合回归算法的霾预报模型。该方法首先利用统计预报的大样本数据,来确定每一个关键因子的权重和阈值；然后使用模式预报获得的气象要素,利用多元逐步回归方法建立能见度预报方程,以减少数值预报系统带来的系统误差；接着利用概率回归结合能见度、相对湿度等物理参量建立基于二值变量的霾预报模型,从而得到霾发生的概率值；最后以北京、南京、杭州、郑州等地为例,通过与现有业务上主要运行的雾霾数值预报系统CUACE对比检验,验证了混合回归预报算法在霾预报方面的有效性。研究了基于时间序列与支持向量回归相结合的霾预报建模方法,该方法首先通过经验模态分解(Empirical Mode Decomposition, EMD)方法将不同频率的原始信号分解为各个平稳分量；接着使用支持向量回归算法对分解后的分量训练并预测,并将各分量预测后的结果相加；最后结合有无降水以及相对湿度的阈值来预报霾是否发生；最后以北京、石家庄、南京、郑州、杭州等典型站点为例对建立的模型进行训练测试,验证了该模型的预报精度相对于多元逐步回归算法有很大的提高。研究了一种改进在线支持向量回归的霾预报方法。该方法对新样本进行增量学习,利用矩阵分块的思想,对边界支持向量进行迭代更新,并结合混沌粒子群算法对支持向量回归核函数进行参数寻优,从而建立大气能见度预报方程,最后利用支持向量机判断是否有雨,并结合相对湿度阈值,建立霾预报模型。实验结果验证了其运行速度与传统的在线支持向量回归有了显著提高。与现有业务上主要运行的雾霾数值预报系统CUACE相比,该改进算法的预报准确率也得到了一定的提高。
【关键词】：霾预报 多元逐步 概率回归 在线支持向量回归 时间序列
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：X513;O212.1
【目录】：

• 摘要5-6
• Abstract6-8
• 第一章 绪论8-16
• 1.1 研究背景和意义8-10
• 1.2 国内外研究现状10-13
• 1.2.1 数值预报方法10-11
• 1.2.2 统计学方法11-13
• 1.2.3 存在不足13
• 1.3 研究内容和方法13-14
• 1.4 论文组织结构14-16
• 第二章 基于统计学方法的概述16-24
• 2.1 多元回归分析的基本原理16-17
• 2.2 支持向量机(SVM)的基本原理17-21
• 2.3 支持向量回归(SVR)的基本原理21-23
• 2.4 本章小结23-24
• 第三章 多元逐步与概率混合回归法在霾预报中的应用24-37
• 3.1 前言24
• 3.2 多元逐步回归与概率混合回归法24-29
• 3.2.1 多元逐步回归法24-27
• 3.2.2 概率回归法27
• 3.2.3 因子的剔除与引进27-28
• 3.2.4 交叉验证法28-29
• 3.3 多元逐步与概率混合回归预报模型建立29-31
• 3.4 实验结果31-36
• 3.4.1 实验平台和资料31-32
• 3.4.2 实验结果分析32-36
• 3.5 本章小结36-37
• 第四章 基于时间序列与SVR的霾预报方法37-55
• 4.1 前言37
• 4.2 时间序列的预测原理37-40
• 4.2.1 时间序列的基本问题37-38
• 4.2.2 混沌时间序列的相空间重构38-40
• 4.3 EMD方法40-42
• 4.3.1 EMD基本原理40
• 4.3.2 EMD的分解过程40-42
• 4.4 基于EMD-SVR的时间序列霾预报模型42-54
• 4.4.1 EMD-SVR基本原理42
• 4.4.2 实验资料和平台42-43
• 4.4.3 EMD-SVR时间序列霾预报模型43-44
• 4.4.4 EMD-SVR实验结果分析44-53
• 4.4.5 与多元逐步和概率混合回归霾预报对比结果分析53-54
• 4.5 本章小结54-55
• 第五章 基于改进在线支持向量回归的霾预报方法55-69
• 5.1 前言55
• 5.2 基于改进Online SVR霾预报模型55-62
• 5.2.1 在线支持向量回归55-57
• 5.2.2 基于矩阵迭代更新的边界支持向量57-59
• 5.2.3 基于混沌粒子群算法的Online SVR参数优选59-61
• 5.2.4 在线支持向量回归霾预报模型61-62
• 5.3 实验结果62-67
• 5.3.1 实验资料和平台62-63
• 5.3.2 预报因子选取63
• 5.3.3 实验结果分析63-67
• 5.4 本章小结67-69
• 第六章 总结与展望69-71
• 6.1 本文总结69-70
• 6.2 展望70-71
• 参考文献71-76
• 致谢76-77
• 作者简介77

，

本文编号：1123670