基于小波分解和最小二乘支持向量机的大气臭氧含量时间序列预测

基于小波分解(WT)和最小二乘支持向量机(LSSVM)理论,建立了将二者相结合的大气臭氧含量时间序列预测模型。采用香河等4个观测站的月平均臭氧总量观测样本,经小波分解为不同频段的子序列,将这些子序列分别进行LSSVM预测,最后经小波重构得到月平均臭氧总量时间序列预测结果。实验表明该方法能有效预测大气臭氧含量,与支持向量机(SVM)以及人工神经网络(ANN)的预测结果相比,该方法具有较高的预测精度。     

基于小波分解和最小二乘支持向量机的西太平洋副高预测模型

用小波分解（WT）和最小二乘支持向量机（LS-SVM）相结合的方法,建立西太平洋副热带高压面积指数的预报模型。该方法首先将西太平洋副热带面积指数（SI）分解为相对简单的带通分量信号,利用LS-SVM建立各分量信号的独立预报模型,然后对预报结果进行集成。为了评估和比较该方法的预报效果和技术优势,最后比较了在同等条件下WT～LS-SVM模型和神经网络、线性回归模型的独立检验预报效果。试验结果表明,该方法具有泛化能力强、预报精度高、训练速度快、稳定性好、便于建模等优点,具有良好的应用前景。     

几种统计预测方法对1998年南京降水的跨季节预测试验及分析

对1998年南京降水分别设计并开展了求和自回归滑动平均（Auto-Regressive Integrated Moving Average,ARIMA）模型预测、经验模态分解（Empirical Mode Decomposition,EMD）预测和基于Hilbert变换（HilbertTransformation,HT）的幅频分离预测等3种跨季节统计预测试验。结果表明：ARIMA模型预测结果存在明显的系统性误差且对夏季的降水突变现象预测困难;EMD分解预测的结果虽在降水演变趋势上有明显提高,但仍未能预测出夏季的强降水突变现象,究其原因可能是对高频分量预测效果不好所致;而基于Hilbert变换的幅频分离预测方法能够对各模态分量的瞬时频率和瞬时振幅实施隔离预测,消除两者的相互影响,显著改善高频模态的预测效果,使得最终预测结果最为理想,不仅具有最高的趋势相关性和最小的偏差,而且还较好地预测出了夏季两次强降水过程。不仅如此,在对2003年的降水预测验证中,基于Hilbert变换的幅频分离预测方法同样具有最好的预测效果,表明该方法预测效果较为稳定,为改进跨季节短期气候统计预测技术提供了一个新思路。     

基于LS-SVM的新疆沙尘暴预测研究

首先对新疆的沙尘暴日数和前期气候要素统计分析,然后通过相关分析提取南疆和北疆春季沙尘暴影响因子,根据沙尘暴天气的特点和支持向量机方法在解决小样本学习问题中的优势,提出并实现基于最小二乘支持向量机(LS-SVM)的沙尘暴预测模型。实验结果表明:所提出的沙尘暴影响因子和支持向量回归模型处理沙尘暴预测问题有一定的应用价值。     

支持向量机方法应用于理想时间序列的预测研究

简要介绍了基于统计学习理论的支持向量机方法的基本思想和原理,利用该方法对33模Lorenz系统的理想混沌时间序列建立预测模型,并对在此基础上产生的非平稳时间序列进行预测试验研究。结果表明,支持向量机方法不仅对平稳过程有较好的预报能力,也可以适用于非平稳过程,对实际序列的预测有一定的启发意义。     

CAR和SVM方法在郑州冬半年大雾气候趋势预测中的试用

以郑州冬半年大雾日数为对象,在分析其气候特征的基础上,尝试大雾日数的气候趋势预测.首先选择气候预测中常用的环流特征量作为因子群,通过相关筛选, 选取与预测对象相关系数较大的环流特征量作为预测因子,然后分别采用多变量自回归(CAR)和支持向量基(SVM)回归两种方法,建立郑州冬半年大雾日数预测模型.CAR方法回报正确率为88%,SVM方法回报正确率为82.4%;经2002/20032005/2006年4 a的独立样本试报,两种方法平均预测准确率(Ts)均为75%.     

CAR和SVM方法在郑州冬半年大雾气候趋势预测中的试用

以郑州冬半年大雾日数为对象,在分析其气候特征的基础上,尝试大雾日数的气候趋势预测。首先选择气候预测中常用的环流特征量作为因子群,通过相关筛选,选取与预测对象相关系数较大的环流特征量作为预测因子,然后分别采用多变量自回归（CAR）和支持向量基（SVM）回归两种方法,建立郑州冬半年大雾日数预测模型。CAR方法回报正确率为88％,SVM方法回报正确率为82．4％;经2002／2003—2005／2006年4a的独立样本试报,两种方法平均预测准确率（Ts）均为75％。     

基于最小二乘支持向量机集成的降水预报模型

准确的降水天气预报是一个十分重要的研究课题。以中国气象局的T213和日本的细网格数据资料为基础，首先利用粒子群——投影寻踪对众多气象物理因子降维，其次在低维子空间利用四种线性回归方法提取降水系统的线性特征，四种神经网络模型提取降水系统的非线性特征；最后利用最小二乘支持向量机对其集成，对广西6月的逐日降水量进行试验结果表明，该模型预报稳定性好，预报准确率较高，具有较好的业务应用前景。     

基于最小二乘支持向量机的雷暴预报初探

利用2007年和2008年南京地区NCEP 1°×1°历史再分析资料和江苏省闪电定位资料,探讨最小二乘支持向量机(LS-SVM)方法在雷暴预报中的应用.将NCEP 1°×1°资料作为实况,选取了该资料与雷暴相关性较好的参数作为预报因子,而江苏省闪电定位资料则作为预报量,建立南京地区雷暴预报的最小二乘支持向量机模型,并用...     

基于偏最小二乘法的前汛期月降水量预测方法

采用偏最小二乘回归建立了前汛期(4-6月)月降水量的预测模型,其中模型的输入因子是通过对3个前期月平均物理量场(海温场、500 hPa温度场和200 hPa高度场)大量的场相关因子采用系统降维的处理方法获得.为实现同时对多个站点的月降水量预测,将多站点的月降水量预测转换成多站点气候场的主分量预测,进一步利用气候场特征向量的近似不变性进行回算,从而得到多站点的逐站月降水量预测结果.对广西37个基本站的前汛期月降水量进行了6年独立样本检验,其预报结果显示该模型具有较好的预报能力.     

基于多时间尺度的回归集成预测模型

引入能够将非线性、非平稳过程的数据进行线性化和平稳化处理的EMD方法,对广东降水的时间序列进行时间尺度分离,从复杂的非平稳信号中提取相对简单以不同时间尺度振荡的准周期信号,选取能较好描述降水周期特征的IMF分量作为建模备选因子,然后以均生回归、均生相关、韵律拟合误差和拟合误差4种方法构建预测模型,结果得到采用多尺度因子构建的4种单预测模型近10年Ps评分和降水距平符号同号率平均分在68~73分和50%~58%之间,而采用4种模型构建的回归集成模型两种评分方法的平均分分别高达79.8和68.8%,较单一预测模型评分分别提高了近10分和10%以上。将具有降水指示信号的前冬赤道东太平洋海温因子耦合到回归集成预测模型,其Ps评分结果与纯降水集成模型相当,但同号率评分略高3.1%。从而,提取要素序列的多种时间尺度特征,并采用多模型的集成预报,均能有效提高短期气候预测水平。     

基于EMD方法的我国年气温和东部年降水量序列的振荡模态分析

基于经验模态分解(EMD)方法,探讨了近百年来全国年平均气温序列以及东部地区年降水量序列的振荡模态结构特征。结果表明:全国年气温序列的振荡变化主要由第1,2,4本征模态分量构成,3~5年、8~10年的振荡以及百年内的升—降—升的年代际变化对整个气温变化起主要作用,近几年处于暖期。东部年降水量序列的振荡变化主要由第1,2本征模态分量构成,3~5年的振荡起主要作用,百年中有3个高值期,近几年处于多雨期。气温和降水原序列都没有明显的周期性,但其内在振荡分量却有某些周期性。     

基于改进EMD算法和BP神经网络的SST预测研究

海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大。为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N~50°N、150°W~135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值。数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度。系列试验统计分析说明应用这种方法对SST的1年预测是有效的。