[發(fā)明專利]基于模糊支持向量機(jī)的城市湖庫(kù)藍(lán)藻水華多變量預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710692183.1
• 申請(qǐng)日: 2017-08-14
• 公開（公告）號(hào): CN107506857B
• 公開（公告）日: 2020-05-08
• 發(fā)明（設(shè)計(jì)）人: 王小藝;張慧妍;王立;白曉哲;許繼平;于家斌
• 申請(qǐng)（專利權(quán)）人: 北京工商大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06K9/62
• 代理公司: 北京永創(chuàng)新實(shí)專利事務(wù)所 11121
• 代理人: 趙文穎

1.基于模糊支持向量機(jī)的城市湖庫(kù)藍(lán)藻水華多變量預(yù)測(cè)方法，包括以下幾個(gè)步驟：

步驟一、選取城市湖庫(kù)藍(lán)藻水華多變量預(yù)測(cè)建模中關(guān)鍵影響因素；

具體為：

選取葉綠素a濃度作為藍(lán)藻水華生成表征因素，選取pH值、溫度、總氮、總磷和溶解氧作為藍(lán)藻水華生成影響因素；

計(jì)算每個(gè)影響因素與表征因素之間的關(guān)聯(lián)度Corr(n)，計(jì)算每個(gè)特征因素的自相關(guān)系數(shù)，基于時(shí)間序列變化趨勢(shì)一致性與時(shí)域特征結(jié)構(gòu)相似性，設(shè)相似系數(shù)為

式中，Sico(n)為第n個(gè)影響因素與表征因素之間的相似系數(shù)，Corr(n)為第n個(gè)影響因素與表征因素之間的關(guān)聯(lián)度，Auco(n)為第n個(gè)影響因素的自相關(guān)系數(shù)，Auch為表征因素的自相關(guān)系數(shù)，

將相似系數(shù)指標(biāo)最大時(shí)對(duì)應(yīng)的影響因素作為關(guān)鍵影響因素，與表征因素共同組成多變量時(shí)間序列；

步驟二、重構(gòu)城市湖庫(kù)藍(lán)藻水華多變量時(shí)間序列的相空間；

具體為：

采用互信息法、C-C法和最小預(yù)測(cè)誤差法綜合確定最佳延遲時(shí)間和最優(yōu)嵌入維數(shù)：

首先，分別依據(jù)互信息法和C-C法對(duì)多變量時(shí)間序列的每一分量進(jìn)行延遲時(shí)間的選擇；其次，確定嵌入維數(shù)的范圍；然后，根據(jù)得到的不同延遲時(shí)間，對(duì)于確定的嵌入維數(shù)進(jìn)行相空間重構(gòu)，并計(jì)算平均一步預(yù)測(cè)誤差平方，增加嵌入維數(shù)，直至所有的嵌入維數(shù)循環(huán)完畢；最后，確定最小平均一步預(yù)測(cè)誤差平方所對(duì)應(yīng)的最優(yōu)延遲時(shí)間和嵌入維數(shù)對(duì)；

步驟三、最近鄰域點(diǎn)優(yōu)化確定；

具體為：

根據(jù)歐式距離選出最近鄰域點(diǎn)后，再按照預(yù)測(cè)中心點(diǎn)與最近鄰域點(diǎn)的綜合關(guān)聯(lián)度準(zhǔn)則進(jìn)行篩選，依據(jù)曲線相似性與相近性綜合選取最佳鄰域點(diǎn)，綜合關(guān)聯(lián)度為：

Comp(X_m)＝α·[Rel(X_m)]^p+(1-α)·[Abs(X_m)]^q (2)

式中，Comp(X_m)為依據(jù)歐式距離確定的第m個(gè)最近鄰域點(diǎn)X_m與預(yù)測(cè)中心點(diǎn)的綜合關(guān)聯(lián)度，Rel(X_m)為最近鄰域點(diǎn)X_m與預(yù)測(cè)中心點(diǎn)的相對(duì)關(guān)聯(lián)度，ABS(X_m)為最近鄰域點(diǎn)X_m與預(yù)測(cè)中心點(diǎn)的絕對(duì)關(guān)聯(lián)度，p和q分別為相對(duì)關(guān)聯(lián)度和絕對(duì)關(guān)聯(lián)度的冪指數(shù)，α為平衡相對(duì)關(guān)聯(lián)度與絕對(duì)關(guān)聯(lián)度的權(quán)值；

步驟四、獲取城市湖庫(kù)藍(lán)藻水華多變量模糊支持向量機(jī)預(yù)測(cè)模型，進(jìn)行城市湖庫(kù)藍(lán)藻水華預(yù)測(cè)；

具體為：

設(shè)隸屬度函數(shù)μ(x_i)為：

式中，d_i為樣本x_i到訓(xùn)練樣本集合中心均值點(diǎn)的距離，i＝1,2,…,f，A、B為大于零的常數(shù)，A＝0.7*max(d_i)，B＝0.9*max(d_i)；對(duì)于每個(gè)訓(xùn)練樣本x_i，找到離它最近的k個(gè)近鄰點(diǎn)，組成集合S_I^k＝{D₁,D₂,…,D_k}，其中D_j為x_i到第j個(gè)近鄰點(diǎn)的距離，j＝1,2,…,k，D_{i_average}為樣本x_i到集合S_I^k中每個(gè)元素的平均距離；D_max和D_min分別為D_{i_average}的最大值與最小值；

采用高斯核函數(shù)，構(gòu)建基于模糊支持向量機(jī)的城市湖庫(kù)藍(lán)藻水華多變量預(yù)測(cè)模型，獲取葉綠素a濃度下一步演化的預(yù)測(cè)值。

2.根據(jù)權(quán)利要求1所述的基于模糊支持向量機(jī)的城市湖庫(kù)藍(lán)藻水華多變量預(yù)測(cè)方法，所述的p＝q＝1，α＝0.5。

3.根據(jù)權(quán)利要求1所述的基于模糊支持向量機(jī)的城市湖庫(kù)藍(lán)藻水華多變量預(yù)測(cè)方法，所述的A＝0.7*max(d_i)，B＝0.9*max(d_i)。