[發明專利]一種基于BP人工神經網絡的中長期逐小時氣溫預測方法

在審

• 申請號: 201710709719.6
• 申請日: 2017-08-18
• 公開（公告）號: CN107977728A
• 公開（公告）日: 2018-05-01
• 發明（設計）人: 李天強
• 申請（專利權）人: 廣州能控電氣技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08
• 代理公司: 廣州知友專利商標代理有限公司44104
• 代理人: 周克佑

1.一種基于BP人工神經網絡的中長期逐小時氣溫預測方法，其特征是包括以下步驟：

步驟001：獲取歷史日氣象預報數據及歷史日逐小時氣溫數據；

步驟002：數據初始化，確定輸入向量和輸出向量，并進行歸一化處理；

步驟003：構建基于BP人工神經網絡的逐小時氣溫預測模型，其包含3個子步驟及其對應的子模塊：

步驟003-1：構建基于BP人工神經網絡的逐小時氣溫慢速變化預測模塊SFM，輸入數據是歷史日氣象預報數據、歷史日逐小時實際氣溫；

步驟003-2：構建基于BP人工神經網絡的逐小時氣溫快速變化預測模塊FFM，輸入數據是歷史日氣象預報數據、歷史日逐小時實際氣溫變化值；

步驟003-3：構建輸出組合模塊OCM，將SFM和FFM的輸出加權疊加；

步驟004：執行誤差反向傳播算法訓練和交叉校驗，獲取預測模型參數；

步驟005：獲取預測日氣象預報數據；

步驟006：計算未來第1個預測日的逐小時氣溫；

步驟007：依次將前一個預測日的逐小時氣溫作為輸入數據，迭代計算每個預測日的逐小時氣溫；

步驟008：預測日逐小時氣溫結果反歸一化變換。

2.根據權利要求1所述的基于BP人工神經網絡的中長期逐小時氣溫預測方法，其特征是：

所述的步驟001指收集并整理一個地區至少一年的歷史日氣象預報數據和歷史日逐小時實際氣溫數據，作為人工神經網絡的訓練數據；

所述的歷史日氣象預報數據包括歷史日最高氣溫T_max、最低氣溫T_min、降雨概率R、天氣狀態W_cond和平均風速W_speed。

3.根據權利要求1所述的基于BP人工神經網絡的中長期逐小時氣溫預測方法，其特征是：所述的步驟002的數據初始化包括對原始數據的預處理、歸一化處理和準備訓練樣本；

天氣狀態包括晴、多云、陰、雨和雪，由文字描述并將其數字化便于輸入神經網絡：

W_cond＝{晴,多云,陰,雨,雪}＝{-2,-1,0,1,2}；

分別找出歷史氣象數據中氣溫的最大值HT_max和最小值HT_min,以及歷史風速的最大值HW_max和最小值HW_min，將歷史日氣象預報數據中的最高氣溫、最低氣溫、平均風速及歷史日逐小時氣溫數據進行最大最小值的線性歸一化處理；

將相鄰兩天的數據組合形成訓練樣本，以第一天的日氣象預報數據、實際的日逐小時氣溫或氣溫變化值和第二天的日氣象預報數據作為輸入向量；以第二天的實際逐小時氣溫或氣溫變化值作為輸出向量；

以后依此類推，第二天與第三天的日氣象預報數據和實際的日逐小時氣溫或氣溫變化值按照上述方式組合成訓練樣本。

4.根據權利要求1所述的基于BP人工神經網絡的中長期逐小時氣溫預測方法，其特征是：所述的步驟003的SFM和FFM是兩個獨立的BP人工神經網絡，其結構相同只是輸入輸出不同：SFM反映的是逐小時氣溫與日氣象預報數據之間的基本規律，不適用于預測氣溫快速變化的情況；FFM反映的是逐小時氣溫變化相對于氣象因素變化的規律，可預測逐小時氣溫的變化；逐小時氣溫預測的結果應是SFM和FFM輸出結果的疊加，由輸出組合模塊OCM來完成。

5.根據權利要求4所述的基于BP人工神經網絡的中長期逐小時氣溫預測方法，其特征是：所述的逐小時氣溫慢速變化預測模塊SFM是一個由3層神經元組成的BP神經網絡，輸入層有34個神經元，輸出層有24個神經元，隱含層有M個神經元；

34個輸入節點分別為第d日的氣象預報數據，由最高氣溫最低氣溫降雨概率R^d、天氣狀態和平均風速5個因素組成；

第d+1日的氣象預報數據，同樣包含以上5個因素：最高氣溫最低氣溫降雨概率R^d+1、天氣狀態和平均風速

第d日24小時的逐小時氣溫

24個輸出節點為第d+1日的24小時的逐小時氣溫隱含層節點數為M；

神經網絡的輸出誤差隨隱含層節點數的增加先減小后增大，通過試湊的方式找到最佳的隱含層節點數。