[發明專利]一種基于遺傳算法改進的多模式污染物集成預報方法

有效

• 申請號: 201710368411.X
• 申請日: 2017-05-22
• 公開（公告）號: CN107346459B
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 熊聰聰;鄧雪晨;史艷翠;張賢坤;趙青
• 申請（專利權）人: 天津科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/12;G06N3/08
• 代理公司: 天津盛理知識產權代理有限公司 12209
• 代理人: 王利文

本發明涉及一種基于遺傳算法改進的多模式污染物集成預報方法，其主要技術特點是：對原始樣本進行數據整理并處理極大、極小及缺失數據；對處理后的樣本進行顯著性檢驗，采用偏差、相關性選取單模式；引入遺傳算子改進極限學習機；采用極限學習機改進遺傳算法進行大氣污染物集成優化預報。本發明設計合理，其作為一種非線性、多模式的集成方法，不僅具有最優的預報精度，而且有效降低了遺傳算法的迭代次數，縮短了時間成本，本發明在污染物濃度預報，包括溫度預報，降水預報，霧霾分析預報等領域，都具有較好的應用價值。

技術領域

本發明屬于氣象預報技術領域，尤其是一種基于遺傳算法改進的多模式污染物集成預報方法。

背景技術

隨著大氣污染問題日益嚴峻，大氣污染物預報已經成為科學研究的重點。目前大氣污染預報方法主要分為統計預報和數值預報,統計預報是利用數理統計方法針對大氣污染物進行預報。數值預報是根據大氣實際情況，在一定條件下用計算機作數值計算進行預測。國內針對大氣污染物的預報研究大多采用數值預報模式且已經得到廣泛應用。但由于各個數值模式化學參數化方案、動力框架等方面存在差異，使得各個模式在預報能力上存在不同，多模式集成技術正是利用各模式中心預報的結果減少模式系統性的偏差，現已作為大氣污染物預報的一個重要發展方向。

迄今為止，人們已經提出許多集成預報方法。陳煥盛等采用多元線性回歸方法集成各空氣質量模式預報大氣污染物濃度,試驗結果表明集成預報模式優于單個預報模式。張偉建立了神經網絡預報模型,結果表明預報精度相對較高。秦珊珊提出基于人工智能優化神經網絡模型，對PM_2.5的濃度進行預報。Zhang Ping等用改進的BP人工神經網絡并結合地理信息評價PM_2.5的預報效果，結果顯示當隱含層神經元數量為20時有較高的精度。潘璇等構建遺傳算法模型針對氣象因素進行預測，預報結果顯示平均誤差相對較小。Sun等通過實驗驗證了基于SVM的空氣質量預報模型(PM_2.5)能有效應用于大氣污染物濃度預測,但在極端情況下預報精度有所下降。

總的來說，多模式集成預報的研究成果多采用線性回歸、機器學習等方法進行預報。線性回歸模型無法很好地解決非線性問題，而神經網絡能較好地解決非線性關系問題，非線性擬合能力較強，但其中BP神經網絡算法缺陷是學習速度較慢、訓練過程會陷入局部最小及不能確定隱層的神經元個數問題；而遺傳算法缺陷是訓練時間較長，訓練過程中容易出現早熟，不能收斂到最優解問題。

發明內容

本發明的目的在于克服現有技術的不足，提出一種設計合理、性能穩定且精度高的基于遺傳算法改進的多模式污染物集成預報方法。

本發明解決其技術問題是采取以下技術方案實現的：

一種基于遺傳算法改進的多模式污染物集成預報方法，包括以下步驟：

步驟1、對原始樣本進行數據整理并處理極大、極小及缺失數據；

步驟2、對處理后的樣本進行顯著性檢驗，采用偏差、相關性選取單模式；

步驟3、引入遺傳算子改進極限學習機；

步驟4：采用極限學習機改進遺傳算法進行大氣污染物集成優化預報。

進一步，所述步驟1的具體方法為：在分季節預報基礎上找到預報時刻最近30天的歷史數據作為訓練樣本，使得待集成數據所對應訓練樣本均為滾動更新，每個樣本的實況值為網絡訓練的輸出，輸出層神經元為1。

進一步，所述步驟2的具體方法為：針對不同季節分別進行單模式的選取，所用方法在滿足顯著性檢驗基礎上，針對不同模式以及實況值通過相對偏差SD和相關系數R進行篩選，計算公式如下：