專利名稱：一種基于卡爾曼濾波及演化建模的短期氣候預測方法
技術領域：
本發明屬于一種短期氣候預測的方法，尤其涉及一種基于卡爾曼濾波及演化建模的短期氣候預測方法。該方法可用于解決如日照時數、溫度等隨時間波動較大的短期氣候的預測，也同樣適用于長期氣候的預測。
背景技術：
隨著我國國民經濟的迅速發展，國家越來越需要更加準確的短期氣候預測，尤其是在國家計劃、農業、水利和防災減災等部門。短期氣候預測是國際大氣科學和地球科學領域的前沿課題，也是極其困難的跨學科難題。目前短期氣候預測主要面臨三大方面難題，首先是氣候的變化存在很多不確定因素，短期氣候數據時間序列波動性太大，無法確定其準確模型。第二是對短期氣候變化的預測方程組極其復雜，而且從數學和物理上如何正確表征各因素之間的相互作用，還沒有完全解決。因而面臨著預測理論的困難，所以短期氣候預測不能沿用長期氣候預測的原理和方法，必須面對整個復雜的氣候系統及其變化研制新的理論和方法，其技術水平也受到其它相關學科發展的制約和限制。第三資料和數據的不足， 為了揭示短期氣候預測的宏觀和微觀規律，需要大量這方面的歷史數據。氣候要素觀測數據時間序列可以被視作是一個精確完美的氣候數值預測模式在完備條件下的解，是各氣候因子以及自身相互間非線性作用的綜合演化表現形式。隨著氣象觀測方法的多元化和大型計算機的應用，特別是氣象學家對氣候問題的拓展和深入，短期氣候數值預測取得了一定進展，但大部分對于短期氣候的預測仍然是對觀測數據時間序列進行線性建模分析，而一些氣候預測的非線性模型又必須要求模型非線性函數已知，由人為主觀估計。因此有必要找到一種數學方法客觀地模擬具有非線性特征的氣象學要素時間序列。基于卡爾曼濾波及演化建模的短期氣候預測方法是在卡爾曼濾波建立的線性模型與演化建模的非線性模型相互作用的結果。卡爾曼濾波根據不斷更新的數據與預測值之間的誤差調整回歸系數，達到實時跟蹤預測的目的。而演化建模方法是以遺傳算法為基礎， 模擬生物演化過程來求解復雜問題的一類計算方法，其具有自適應、自組織、自學習以及內在的并行性等智能特性。因此本發明將線性模型與非線性模型相疊加，在目前不能確定氣候數值模型即非線性偏微分方程組中氣候因子非線性相互作用物理機制的顯示數學表達式的情況下，用非線性常微分方程數學模型區逼近氣象要素歷史觀測時間序列，并進而作短期氣候預測。同時他們都具有利用實時數據不斷調整模型參數或表達式的能力，使預測精度更高。目前，基于卡爾曼濾波及演化建模的短期氣候預測未見有文獻公開報道。
發明內容
本發明的目的在于克服上述現有技術不足，提供一種基于卡爾曼濾波及演化建模的短期氣候預測方法，利用卡爾曼濾波與演化建模相結合的方式，用卡爾曼濾波遞推系統描述預測因子之間的線性關系，根據其預測誤差不斷調整回歸系數；同時在線性模型的基礎上疊加由演化建模描述的針對卡爾曼濾波誤差所建立的非線性模型，從而優化預測模型，提高預測精度。為了達到以上目的，本發明采取如下技術方案予以實現包括下列步驟A)收集氣候預測模型中預測因子的歷史數據，包括近年來的日照時數、溫度、相對濕度和降雨量；B)確定預測因子，整理與預測因子相關的歷史數據，將歷史數據分段處理，將每段數據的綜合作用結果作為一個數據項目，同時將處理后的數據分為初值計算樣本和檢測樣本兩部分；C)根據上述樣本計算卡爾曼濾波初值Yt = Xt β t+et上式為卡爾曼濾波測量方程，首先利用多元線性回歸計算回歸系數β。，再計算出動態噪聲方差陣W和測量噪聲方差陣V ；D)根據上述樣本建立卡爾曼遞推模型利用步驟C)中計算的初值及卡爾曼遞推式對檢測樣本的數據進行預測，并與檢測樣本進行比較，得到預測誤差時間序列；Ε)對上述預測誤差進行預處理x(t) = x(t) + x(t)
權利要求
1.一種基于卡爾曼濾波及演化建模的短期氣候預測方法，其特征在于，包括下列步驟A)收集氣候預測模型中預測因子的歷史數據，包括近年來的日照時數、溫度、相對濕度和降雨量；B)確定預測因子，整理與預測因子相關的歷史數據，將歷史數據分段處理，將每段數據的綜合作用結果作為一個數據項目，同時將處理后的數據分為初值計算樣本和檢測樣本兩部分；C)根據上述樣本計算卡爾曼濾波初值 Yt = XtIVet上式為卡爾曼濾波測量方程，首先利用多元線性回歸計算回歸系數β 0，再計算出動態噪聲方差陣W和測量噪聲方差陣V ；D)根據上述樣本建立卡爾曼遞推模型利用步驟C)中計算的初值及卡爾曼遞推式對檢測樣本的數據進行預測，并與檢測樣本進行比較，得到預測誤差時間序列；Ε)對上述預測誤差進行預處理x(t) = x(t) + x(t)‘1 ’ —τΣχ(^)'當/<ζ— 1 + 17^x(t) = 7T1rZ^x 當/ 化《‘+ ^ J=I-Ix(t) = x(t) - x(t)將預測誤差分為光滑部分和粗糙部分，并假設光滑部分是由宏觀氣候因素控制，粗糙部分是由微觀氣候因素控制，針對分解后的數據分別采用以下步驟F)和步驟G)的數學模型來描述；F)針對步驟E)中的光滑部分時間序列項，用染色體來表示問題的可行解，包括可行解的形式和參數，然后利用遺傳操作在解空間中進行搜索，最后根據擬合表達式與實際值之間的偏差平方和進行優勝劣汰，求得最終的解，即擬合光滑部分時間序列最好的非線性表達式；G)針對步驟E)中的粗糙部分時間序列項，用自然基小波對其進行分析，從這些時間序列中找出其受氣候因子影響下的周期波動規律，實現粗糙部分時間序列的擬合和預測功能；H)將步驟D)中實現的卡爾曼濾波以及步驟F)和步驟G)中分別針對卡爾曼濾波誤差而進行的演化建模和自然基小波分別對各自的氣候數據時間序列模型做下一步預測，并將預測結果相疊加，從而實現卡爾曼濾波及演化建模的短期氣候預測。
2.根據權利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預測方法，其特征在于，將步驟D)中，卡爾曼濾波遞推模型對檢測樣本進行預測的同時，其卡爾曼濾波回歸系數根據預測誤差做出實時調整。
3.根據權利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預測方法，其特征在于步驟E)中，可根據具體情況調整光滑參數1的值，1可用于調節時間序列{—x(0}的光滑程度，1越大，{—χ(0}越光滑。
4.根據權利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預測方法， 其特征在于，步驟F)中，染色體表示的微分方程模型為一個樹表達式，其微分方程解由 Runge-Kutta方法求出。
5.根據權利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預測方法，其特征在于，步驟G)中，針對時間序列的粗糙部分建模，采用的是多尺度自然分形模型。
6.根據權利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預測方法，其特征在于，步驟H)中，短期氣候預測模型為線性預測模型與非線性預測模型相結合的方式。
全文摘要
本發明公開了一種基于卡爾曼濾波與演化建模結合的氣候預測方法，本方法首先通過卡爾曼濾波建立關于預測因子的線性模型，在此基礎上利用非線性常微分方程數學模型去模擬逼近卡爾曼濾波中的誤差序列，并進行誤差預測。演化算法是用計算機模擬大自然的演化過程，特別是模擬生物演化過程來求解復雜問題的一類計算方法，具有自適應、自組織、自學習以及內在并行性等智能特性。將兩種算法相結合，可以比單純線性模型更好的模擬氣候的自然特性，提高氣候預測精度。通過本發明方法，可以對短期的日照時數、溫度、降水量進行預測，從而提供短期氣候的先驗知識。
文檔編號G01W1/10GK102183802SQ201110057399
公開日2011年9月14日 申請日期2011年3月10日 優先權日2011年3月10日
發明者莊健, 楊清宇, 羅飛, 葛思擘 申請人:西安交通大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
