基于改进的SVR模型在年降水量预测中的应用

发布时间：2018-05-16 13:04

  本文选题：降水预测 + 输入特征　； 参考：《数学的实践与认识》2017年18期

【摘要】：鉴于降水量数据的高维非线性性和周期性,建立了支持向量回归(SVR)预测模型用于降水量预测,由于对该模型输入特征的选取极为重要,因此提出了一种基于季节自回归(SARI)的输入特征选取方法.利用已有的降水量数据建立SARI模型,通过观察模型表达式提取建立SVR模型所需的输入特征用于训练支持向量机,并通过网格参数寻优法确定SVR模型的参数,进行降水量预测.实例分析中,应用此模型对黄土丘陵半干旱区域的降水量进行预测,将预测结果与季节时间序列(SARIMA)模型的预测结果进行对比,结果表明,模型具有更高的预测精度和拟合优度,可以用于降水量的预测.
[Abstract]:In view of the high dimensional nonlinearity and periodicity of precipitation data, a support vector regression (SVR) prediction model is established for precipitation prediction. Therefore, an input feature selection method based on seasonal autoregressive (SARI) is proposed. The SARI model is established by using the existing precipitation data, and the input features needed to establish the SVR model are extracted by observing the model expression to train the support vector machine. The parameters of the SVR model are determined by the grid parameter optimization method, and the precipitation prediction is carried out. In the case study, this model is used to predict precipitation in semi-arid region of loess hilly region. The prediction results are compared with those of the seasonal time series (SARIMA) model. The results show that the model has higher prediction accuracy and better fitting degree. It can be used to predict precipitation.
【作者单位】： 西北工业大学理学院;西北农林科技大学理学院;
【基金】：陕西省自然科学基金(2016JM6056)
【分类号】：O212.1;P457.6;TP181

【相似文献】

相关期刊论文 前10条

1 贾亮;王礼力;;支持向量机在上市公司财务预警模型中的应用[J];淮阴工学院学报;2010年02期

2 寇玉香;;支持向量机、信息向量机和相关向量机的比较研究[J];农业网络信息;2010年07期

3 农吉夫;;主成分分析与支持向量机相结合的区域降水预测应用[J];数学的实践与认识;2011年22期

4 迟国泰;程砚秋;李刚;;基于支持向量机的人的全面发展评价模型及省份实证[J];管理工程学报;2012年01期

5 方辉;;支持向量机的研究与发展[J];大庆师范学院学报;2007年05期

6 高建来;运士伟;张永胜;;融合粗糙集与球形支持向量机的多分类识别[J];河南科技大学学报(自然科学版);2011年05期

7 马建华;张星奇;张辉;;参数优化支持向量机的人参价格预测模型[J];吉林大学学报(信息科学版);2012年02期

8 徐勤兰;樊重俊;张鹏;;灰色支持向量机在机场吞吐量预测中的应用[J];上海理工大学学报;2012年04期

9 高尚;刘夫成;;与k均值混合的支持向量机的个人信用评估[J];中南大学学报(自然科学版);2013年S2期

10 李刚;刘志强;;基于支持向量机替代模型的可靠性分析[J];计算力学学报;2011年05期

相关会议论文 前10条

1 曾江辉;曾凤章;陈嵩辉;;基于支持向量机的马田系统阈值确定方法研究[A];第三届中国质量学术论坛论文集[C];2008年

2 蒋铁军;张怀强;李积源;;多变量系统预测的支持向量机方法研究[A];管理科学与系统科学研究新进展——第7届全国青年管理科学与系统科学学术会议论文集[C];2003年

3 门洪;武玉杰;李小英;高艳春;;基于支持向量机的分类算法研究[A];第六届全国信息获取与处理学术会议论文集（3）[C];2008年

4 郭崇慧;陆玉昌;唐焕文;;支持向量机优化问题的熵优化方法[A];2006年中国运筹学会数学规划分会代表会议暨第六届学术会议论文集[C];2006年

5 王峰;张新华;;支持向量机在结构动力学求解问题中的应用[A];第八届全国动力学与控制学术会议论文集[C];2008年

6 Dougsoo Kaown;刘建国;;支持向量机的几何解法(英文)[A];中国运筹学会第八届学术交流会论文集[C];2006年

7 宋海鹰;桂卫华;阳春华;;基于最小二乘支持向量机的Hammerstein-Wiener模型辨识[A];第二十六届中国控制会议论文集[C];2007年

8 王伟;郑东良;;支持向量机的分类机理研究[A];信号与信息处理技术第三届信号与信息处理全国联合学术会议论文集[C];2004年

9 袁从贵;张新政;陈旭;;基于偏互信息与定尺度最小二乘支持向量机的咸潮预测模型[A];中国自动化学会控制理论专业委员会C卷[C];2011年

10 程砚秋;杨德权;;基于决策树和支持向量机的金融预测方法[A];中国企业运筹学学术交流大会论文集[C];2007年

相关博士学位论文 前7条

1 安金龙;支持向量机若干问题的研究[D];天津大学;2004年

2 赵晖;支持向量机分类方法及其在文本分类中的应用研究[D];大连理工大学;2006年

3 吴青;基于优化理论的支持向量机学习算法研究[D];西安电子科技大学;2009年

4 阎满富;求解分类问题的支持向量机方法与应用研究[D];中国农业大学;2005年

5 彭新俊;支持向量机若干问题及应用研究[D];上海大学;2008年

6 孙德山;支持向量机分类与回归方法研究[D];中南大学;2004年

7 黄细霞;基于支持向量机的建模方法及其在材料加工中的应用研究[D];上海交通大学;2008年

相关硕士学位论文 前10条

1 卢晓;基于粒计算的支持向量机多分类模型研究[D];华北理工大学;2015年

2 赵安龙;结构可靠性设计的多输入输出支持向量机方法[D];南京航空航天大学;2016年

3 解怡萌;支持向量机与GARCH族模型对股市的分析[D];辽宁师范大学;2016年

4 王延朝;带有不确定输入的支持向量机研究[D];山东科技大学;2011年

5 胡骏;支持向量机理论及其应用[D];武汉科技大学;2011年

6 邢红杰;多级支持向量机[D];河北大学;2003年

7 孙开师;支持向量机算法研究[D];山东科技大学;2007年

8 孙刚;基于支持向量机的多分类方法研究[D];大连海事大学;2008年

9 于晶;支持向量机方法及在储层产能预测中的应用[D];中国地质大学(北京);2012年

10 刘丽琴;基于抗白噪声理论的支持向量机[D];辽宁师范大学;2008年

，

本文编号：1896917