[發(fā)明專利]一種氣象數(shù)據(jù)缺失插補方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010151981.5
• 申請日: 2020-03-06
• 公開（公告）號: CN111382147A
• 公開（公告）日: 2020-07-07
• 發(fā)明（設計）人: 匡亮;季云峰;劉麗;高云;施珮
• 申請（專利權）人: 江蘇信息職業(yè)技術學院
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/29;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 朱戈勝

1.一種氣象數(shù)據(jù)缺失插補方法，其特征在于，其步驟包括：

步驟1)：產(chǎn)生訓練集和測試集，進行主成分分析，具體為：

步驟1.1)：原始數(shù)據(jù)進行標準化處理，得到標準矩陣，即：

式中，i＝1,2,...,N；j＝1,2,...,m；其中，m表示對象特征總數(shù)，N表示數(shù)據(jù)個數(shù)，即采集了m個對象特征，每個對象特征有N個數(shù)據(jù)；s_j分別為指標變量x_j的均值和方差；指標包括溫度、濕度、氣壓、風向、光照、二氧化碳含量和風速；

步驟1.2)：使用主成分分析法計算主成分貢獻率及累計貢獻率：

利用降維的方法將多個指標轉換為少量相互不相關的指標，從而簡化模型；

設原變量X₁,X₂,X₃,…X_m分別表示各對象的特征，用N×m矩陣表示，則，

計算特征值和特征向量

R＝X^*TX^*/(N-1) (3)

式中，R為自相關矩陣，X^*T為矩陣轉置，X^*為標準化后的數(shù)據(jù)矩陣；求得相關矩陣的特征值λ₁,λ₂,…λ_m和相應的特征向量u₁,u₂,…u_m；

計算主成分貢獻率和累計貢獻率

主成分貢獻率：

累計貢獻率：

步驟1.3)：確定主成分個數(shù)和主成分矩陣；

選取前p(p﹤m)個主成分，使累計方差貢獻率滿足預設貢獻率閾值范圍，m個原始變量中的信息就由選取的p個主成分來替代，主成分個數(shù)因此即為p；

主成分對應的特征向量為U_m×p＝[u₁,u₂…,u_p]，則p個主成分構成的矩陣為

Z_N×P＝X^*_N×mU_m×p (6)

步驟2)：構建ELM神經(jīng)網(wǎng)絡，對粒子群優(yōu)化進行初始化編碼，過程如下：極限學習機預測方法包含輸入層、隱含層和輸出層；確定ELM神經(jīng)網(wǎng)絡的拓撲結構，其輸入變量為X＝[X₁,X₂…,X_m]^T，輸出變量為Y＝[Y₁,Y₂…,Y_u]^T；

步驟3)：通過小生境思維進化算法獲得ELM神經(jīng)網(wǎng)絡所需的最優(yōu)輸入權值矩陣a_best和隱含層偏置b_best；

步驟3.1)：隨機生成N個個體形成初始群體，由式(7)、(8)計算每個個體的得分：

式中：N為訓練樣本數(shù)目，t_i與分別為第i個樣本的實際值與ELM的輸出值；

步驟3.2)：按照個體得分從大到小進行排序，選取前q個個體為優(yōu)勝者，分別以優(yōu)勝者為中心形成子群體；

步驟3.3)：對q個子群體的優(yōu)勝者分別計算優(yōu)勝者間的得分，得分低的子群體被丟棄，得分高者保持不變；n個子群體中的優(yōu)勝者為U_nbest，d_ij為兩子群體優(yōu)勝者間的距離，s為個體編碼長度；

步驟3.4)：對廢棄的子群體重新初始化，并在其所在的小生境內重新選擇優(yōu)勝者，轉步驟3.2，重新判斷小生境優(yōu)勝者得分，直至每個小生境都有優(yōu)勝者；

步驟3.5)：對子群體進行趨同，并對趨同后得分最低的群體進行異化；當最優(yōu)勝者的得分不再變化時停止迭代，得到最優(yōu)解，即得到ELM算法所需的最優(yōu)輸入權值矩陣a_best和隱含層偏置b_best；

步驟4)：預測插補數(shù)據(jù)：利用權值和偏置計算隱含層輸出矩陣H，通過獲取的輸出權值β，得到最終插補數(shù)據(jù)，公式如下所示：

由輸出矩陣計算輸出連接權值，通過確定的隱含層輸出矩陣H，利用線性系統(tǒng)最小二乘解的求解方法，得到隱含層節(jié)點與輸出節(jié)點之間的輸出權值β，如下公式所示：

其中，H⁺為輸出矩陣H的廣義逆；

完成預測模型構建，根據(jù)測試集，以氣象數(shù)據(jù)中的指標參數(shù)作為預測模型輸入量，以缺失氣象數(shù)據(jù)作為輸出數(shù)據(jù)，完成缺失氣象數(shù)據(jù)的插補。