[發明專利]一種基于神經網絡的降水預測方法、裝置和計算機設備

在審

• 申請號: 202111494096.8
• 申請日: 2021-12-08
• 公開（公告）號: CN114169502A
• 公開（公告）日: 2022-03-11
• 發明（設計）人: 蒙芳秀;覃碧莉;蘇健昌;吳俊皇;蔣宜蓉
• 申請（專利權）人: 桂林理工大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G01W1/10
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 韓曉娟

本發明公開了一種基于神經網絡的降水預測方法，該方法包括：獲取降水數據集；基于邏輯回歸假設函數，構建邏輯回歸降水發生模型；并根據邏輯回歸降水發生模型，將降水數據集分為無降水日數據和有降水日數據；同時對于無降水日數據，輸出預測無降水量；基于徑向基神經網絡，構建徑向基神經網絡降水量預測模型；并將有降水日數據輸入徑向基神經網絡降水量預測模型中，輸出預測降水量。本發明將logistic回歸和徑向基神經網絡相結合，logistic回歸和RBF神經網絡承接判斷提高了預測的穩定性和準確性。

技術領域

本發明涉及降水預測領域，特別涉及一種基于logistic回歸-徑向基神經網絡的降水預測方法、裝置和計算機設備。

背景技術

對于現今的BP神經網絡預測降雨方法逼近精度較低，并且BP神經網絡學習速率是固定的，因此網路的收斂速度慢，需要較長的訓練時間。BP網絡用語函數逼近時，權值的調節采用的是負梯度下降法，這樣的調節權值的方法具有局限性。其次卷積云神經網絡預測降雨過于復雜需要過多降水預測因素圖進行多次處理，不合適小個體進行學習預測。而后EC模式的預報評分準度不夠穩定。

現有技術中，首先引入Logistic判別模型，然后選取氣象物理因子進行主成分分析，分三種方案模型進行設計，在對三個方案的結果進行分析后對降水量值預報并將效果進行檢驗。但是，其不足主要在于強降水大多是由中尺度系統直接造成，而目前考慮的影響因子僅包含大尺度信息；同時，模型建立在數值模式輸出場的基礎上，不可避免地受到模式偏差的影響，從而影響預測降水的準確率。

發明內容

基于此，有必要針對上述技術問題，提供一種基于神經網絡的降水預測方法、裝置和計算機設備。

本發明實施例提供一種基于神經網絡的降水預測方法，包括：

獲取降水數據集；

基于邏輯回歸假設函數，構建邏輯回歸降水發生模型；并根據邏輯回歸降水發生模型，將降水數據集分為無降水日數據和有降水日數據；同時對于無降水日數據，輸出預測無降水；

基于徑向基神經網絡，構建徑向基神經網絡降水量預測模型；并將有降水日數據輸入徑向基神經網絡降水量預測模型中，輸出預測降水量。

進一步地，所述降水數據集包括：降水影響因子；且所述降水影響因子包括：850hPa徑向風、緯向風、位勢高度場、相對濕度、比濕。

進一步地，所述根據邏輯回歸降水發生模型，將降水數據集分為無降水日數據和有降水日數據，其步驟具體包括：

將降水數據集轉化為0/1屬性降水數據，并將0/1屬性降水數據分為實驗數據和測試數據；其中，0屬性降水數據為無降水日數據，1屬性降水數據為有降水日數據；

利用實驗數據訓練邏輯回歸降水發生模型；

將測試數據輸入訓練好的邏輯回歸降水發生模型中，獲得無降水日數據和有降水日數據。

進一步地，所述將有降水日數據輸入徑向基神經網絡降水量預測模型中，輸出預測降水量，其步驟具體包括：

將有降水日數據分為實驗數據和測試數據；

對實驗數據進行訓練和參數優化；

將訓練和參數優化后的實驗數據輸入徑向基神經網絡降水量預測模型中，對徑向基神經網絡降水量預測模型進行訓練；并將符合誤差判斷范圍的輸出數據作為預測結果，不符合的輸出數據重新進行參數優化；

將測試數據輸入訓練好的徑向基神經網絡降水量預測模型中，輸出預測降水量。

進一步地，所述邏輯回歸假設函數，具體包括：

將線性回歸的輸出記為：