摘 要：BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)領(lǐng)域中應(yīng)用十分廣泛，但其在網(wǎng)絡(luò)學(xué)習(xí)過程中存在缺陷，結(jié)合遺傳算法（GA）能夠得到改善。歷年的降雨量可以視為時(shí)間序列問題，本文分別建立BP神經(jīng)網(wǎng)絡(luò)和基于GA的BP神經(jīng)網(wǎng)絡(luò)對(duì)廣州市降雨量進(jìn)行預(yù)測(cè)，模型測(cè)試顯示，GA-BP模型的預(yù)測(cè)效果優(yōu)于BP模型。最后應(yīng)用GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)2014年的廣州降雨量進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果為1635.1毫米。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；降雨量預(yù)測(cè)；廣州市

中圖分類號(hào)：TP183

提高降雨量預(yù)測(cè)的精度是防汛抗旱工作的重要課題之一。降水量的變化具有較強(qiáng)的動(dòng)態(tài)特征，受大氣環(huán)流、氣溫、地形等多種因素的影響，且干擾因素也多[1]。因此，眾多學(xué)者預(yù)測(cè)降雨量時(shí)，把多年的年降雨量視為一時(shí)間序列，用統(tǒng)計(jì)方法和數(shù)據(jù)挖掘算法對(duì)其進(jìn)行分析和預(yù)測(cè)，主要包括：馬爾可夫鏈模型[2]、灰度理論模型[3]和回歸模型[4]等方法。但由于降雨量的時(shí)間變化規(guī)律呈現(xiàn)復(fù)雜的動(dòng)態(tài)的非線性的變化形式，基于線性數(shù)據(jù)的預(yù)測(cè)方法難以適應(yīng)這一點(diǎn)。于是有學(xué)者采用非線性的預(yù)測(cè)模型，如RBF神經(jīng)網(wǎng)絡(luò)[1]、BP神經(jīng)網(wǎng)絡(luò)[5]、支持向量機(jī)[6]等。

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，但網(wǎng)絡(luò)在學(xué)習(xí)過程中存在易陷入局部極小的問題，而遺傳算法具有全局優(yōu)化能力和并行搜索能力。與遺傳算法與結(jié)合，BP神經(jīng)網(wǎng)絡(luò)能較好的解決局部收斂的問題。本文嘗試采用建立基于GA的BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)廣州市降雨量進(jìn)行預(yù)測(cè)。

1 BP神經(jīng)網(wǎng)絡(luò)及遺傳算法簡(jiǎn)介

1.1 BP神經(jīng)網(wǎng)絡(luò)

1.2 遺傳算法（GA）

遺傳算法[8]是一種模擬生物優(yōu)勝劣汰的基因遺傳進(jìn)化過程的運(yùn)算模型。其運(yùn)算過程是：算法維持一群個(gè)體組成種群，每個(gè)個(gè)體就是問題潛在的一個(gè)解，用一個(gè)評(píng)價(jià)優(yōu)劣機(jī)制得到每個(gè)個(gè)體的適應(yīng)度；個(gè)體經(jīng)過隨機(jī)的變異和雜交兩種方式的變換，形成新的個(gè)體，選擇新舊個(gè)體中適應(yīng)度高的組成新的種群；若干代后收斂得到最優(yōu)的解。遺傳算法是一種強(qiáng)有力的隨機(jī)搜索和優(yōu)化模型，目前在多個(gè)領(lǐng)域得到廣泛的應(yīng)用。

2 GA-BP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的構(gòu)建過程，實(shí)際上就是權(quán)重矩陣和偏差矩陣的優(yōu)化過程。BP神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播的算法訓(xùn)練網(wǎng)絡(luò)，具有局部收斂等天生不足。遺傳算法強(qiáng)大的搜索能力可以彌補(bǔ)這點(diǎn)。利用遺傳算法優(yōu)化的GA-BP算法流程如圖2參見文獻(xiàn)[9]。

3 模型建立與測(cè)試

收集和整理出廣州市1952-2013年的降雨量數(shù)據(jù)，組成降雨量時(shí)間序列，如圖2所示。以前5個(gè)數(shù)據(jù)作為一個(gè)模型輸入，第6個(gè)的數(shù)據(jù)作為輸出，組成一組數(shù)據(jù)樣本；再以第2至第6個(gè)數(shù)據(jù)為輸入，第7個(gè)的為輸出，以此類推，建立57組樣本數(shù)據(jù)。選取前52組作為訓(xùn)練樣本，后5組為測(cè)試樣本，即測(cè)試2009-2013年的預(yù)測(cè)結(jié)果。最后預(yù)測(cè)2014年的廣州降雨量數(shù)據(jù)。

4 結(jié)束語

影響降雨量的因素很多，錯(cuò)綜復(fù)雜，且機(jī)理尚不明確，對(duì)其精確預(yù)測(cè)非常困難。本文將歷年降雨量視為時(shí)間序列，分別建立BP神經(jīng)網(wǎng)絡(luò)和GA-BP降雨量預(yù)測(cè)模型，并對(duì)廣州市降雨量進(jìn)行預(yù)測(cè)，結(jié)果表明GA-BP模型比BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果更好，為降雨量預(yù)測(cè)提供了一種行之有效的方法。預(yù)測(cè)結(jié)果可以為指導(dǎo)農(nóng)業(yè)生產(chǎn)、防訊抗旱等工作有著重要的意義。

參考文獻(xiàn)：

[1]崔德友.組合模型在降雨量預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)仿真，2012（08）：163-166.

[2]王艷，毛明志，范晶.最優(yōu)分割法確定的加權(quán)馬爾可夫鏈在降雨量預(yù)測(cè)中的應(yīng)用[J].統(tǒng)計(jì)與決策，2009（11）：17-18.

[3]邊紅娟，雷宏軍，王勇.灰色理論在區(qū)域降雨量預(yù)測(cè)中的應(yīng)用——以河南商城縣為例[J].安徽農(nóng)業(yè)科學(xué)，2009（13）：6059-6060+6063.

[4]白玉潔.改進(jìn)時(shí)間序列模型在降雨量預(yù)測(cè)中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2011（10）：141-145.

[5]葛彩蓮，蔡煥杰，王健.基于BP神經(jīng)網(wǎng)絡(luò)的降雨量預(yù)測(cè)研究[J].節(jié)水灌溉，2010（11）：7-10.

[6]朱天一.基于SVM的梅雨量預(yù)測(cè)研究[D].南京信息工程大學(xué)，2011：5.

[7]朱凱，王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].北京：電子工業(yè)出版社，2010：193-200.

[8]玄光男，程潤(rùn)偉.遺傳算法與工程優(yōu)化[M].北京：清華大學(xué)出版社，2004：1-10.

[9]陳仕鴻，張英明.基于GA-BP神經(jīng)網(wǎng)絡(luò)的人口預(yù)測(cè)研究[J].戰(zhàn)略決策研究，2012（04）：48-52.

作者簡(jiǎn)介：文化（1978-），女，湖南慈利人，講師，碩士，研究方向：電子商務(wù)；陳仕鴻（1979-），男，廣東仁化人，副教授，碩士，研究方向：數(shù)據(jù)挖掘。

作者單位：廣東外語外貿(mào)大學(xué)，廣州 510006

基金項(xiàng)目：廣東省科技計(jì)劃重點(diǎn)項(xiàng)目（項(xiàng)目編號(hào)：2010B031900041）；廣東省科技計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)：2012A030200012）。