梁楠楠，陳黎黎

宿州學(xué)院信息工程學(xué)院，安徽宿州，234000

?

基于屬性理論的降雨預(yù)測(cè)研究

梁楠楠，陳黎黎

宿州學(xué)院信息工程學(xué)院，安徽宿州，234000

為了提高降雨預(yù)報(bào)精度，及時(shí)預(yù)警,提出了一種基于屬性理論的降雨預(yù)測(cè)算法。該算法充分利用了屬性理論方法的特點(diǎn)，根據(jù)屬性理論中定性映射算法，通過對(duì)其降雨量時(shí)間序列進(jìn)行相似性查找，查詢到軌跡與樣本區(qū)間最為相似的序列，最后再結(jié)合屬性理論坐標(biāo)模型算法進(jìn)行判斷。以安慶市氣象臺(tái)站的逐日降雨數(shù)據(jù)為例進(jìn)行，結(jié)果表明，預(yù)測(cè)結(jié)果與實(shí)際情況基本相符，因此可運(yùn)用此算法對(duì)降雨數(shù)據(jù)進(jìn)行穩(wěn)定預(yù)測(cè)。

時(shí)間序列;屬性理論;降雨預(yù)測(cè)

近年來，干旱、洪澇、泥石流等自然災(zāi)害的頻繁發(fā)生，不僅威脅著人們的生命安全，而且還給經(jīng)濟(jì)帶來巨大損失。在這些自然災(zāi)害中，降雨是引發(fā)各類自然災(zāi)害的重要因素[1-2]。因此，如何提高降雨量的預(yù)測(cè)精度，保證精確預(yù)報(bào)、及時(shí)預(yù)警成為當(dāng)前研究的重點(diǎn)和關(guān)鍵問題。同時(shí)，降雨量精確預(yù)測(cè)也有利于水資源的管理和調(diào)度。

自20世紀(jì)90年代以來，各種數(shù)據(jù)分析技術(shù)的發(fā)展使得氣象統(tǒng)計(jì)預(yù)報(bào)取得突破性進(jìn)展。特別是統(tǒng)計(jì)學(xué)方法[3]，例如時(shí)間序列分析法、相關(guān)典型分析法、回歸分析法、聚類分析等方法。在對(duì)降雨數(shù)據(jù)進(jìn)行深入研究后，人們發(fā)現(xiàn)除臺(tái)風(fēng)等特殊天氣變化的影響外，降雨量數(shù)據(jù)序列的波動(dòng)極大地受到歷史降雨數(shù)據(jù)因素的影響[4]。根據(jù)四季節(jié)氣變化，在歷史降雨量數(shù)據(jù)中進(jìn)行相似性比較，發(fā)現(xiàn)降雨量的時(shí)間序列呈規(guī)律性變化，可以采用相似性查詢方法，查詢到降雨量時(shí)間序列模型的相似區(qū)間數(shù)據(jù)，從而進(jìn)行預(yù)測(cè)。目前，時(shí)間序列預(yù)測(cè)法[5-6]的相似查詢技術(shù)中，歐幾里德距離法是使用范圍最廣的一種相似性度量方法，它較為簡(jiǎn)單、易用，但在時(shí)間軸上伸縮和水平移動(dòng)的效果較差；動(dòng)態(tài)時(shí)間彎曲雖然提高了相似查詢的精度，解決了歐氏距離法的缺陷，但計(jì)算難度高，時(shí)間效率也較為低下。

針對(duì)這一問題，本文對(duì)時(shí)間序列進(jìn)行相似性搜索，運(yùn)用屬性理論中的定性映射和轉(zhuǎn)化程度函數(shù)方法作為相似性度量的依據(jù)。首先，根據(jù)預(yù)測(cè)序列模型從歷史時(shí)間序列中找出N(N≥0)個(gè)相似的匹配模式，再對(duì)相似查找結(jié)果進(jìn)行取舍，然后采用屬性坐標(biāo)分析法，據(jù)屬性變權(quán)的加權(quán)和模型求出最滿意解，即最優(yōu)相似模型。

1 屬性理論坐標(biāo)模型

1.1 變權(quán)

設(shè)X=(x1,x2,…，xm)為一組決策指標(biāo)值，加權(quán)和法如下式所示：

(1)

1.2 模型的構(gòu)建

(2)

由訓(xùn)練得到的b({xh(z)})∈ST∩X，讓T訪問區(qū)間[T0,100m]，得到局部最優(yōu)解集合{b({xh(z)})|T∈[T0,100m]}，記作L(b({xh(z)}))。由于決策者對(duì)事物的思維變化一般不會(huì)發(fā)生跳躍式變化，L(b({xh(z)}))曲線是一條連續(xù)光滑的曲線，權(quán)向量(w1(T),w2(T),…，wm(T))每個(gè)具體屬性也是光滑的曲線。

在以上模型最優(yōu)解的構(gòu)建中，關(guān)于使用單純形ST∩X物理重心的求解過程的方法被稱為屬性理論的坐標(biāo)構(gòu)造方法[9-10]。

2 實(shí)驗(yàn)研究

2.1 算法概述

如果把降雨數(shù)據(jù)[11-12]描述為一組動(dòng)態(tài)數(shù)列Xi(i=0,1,2,…,n)，其中，Xi=F(t)，t表示為時(shí)間，由X0，X1,…,Xi可推導(dǎo)出Xi+1。時(shí)間序列預(yù)測(cè)算法主要是運(yùn)用統(tǒng)計(jì)學(xué)等方法，例如采用自回歸滑動(dòng)平均模型處理降雨量時(shí)間數(shù)據(jù)時(shí)，此數(shù)據(jù)不滿足ARMA模型必須為平穩(wěn)性序列。故本文采用轉(zhuǎn)化程度函數(shù)法對(duì)某降雨量時(shí)間序列模式進(jìn)行相似性搜索，找出與該降雨量序列最相似的歷史模式序列，再利用屬性坐標(biāo)分析法中的變權(quán)加權(quán)和模型對(duì)相似序列作出相應(yīng)的決策，找出最優(yōu)解。

2.2 算法詳解

要預(yù)測(cè)Tx+1天的降雨量，所提出的算法步驟如下：

(1)將降雨量時(shí)間序列分解為n個(gè)大小相同的區(qū)間，實(shí)驗(yàn)選取每個(gè)時(shí)間區(qū)間長(zhǎng)度為20，區(qū)間長(zhǎng)度可以根據(jù)當(dāng)時(shí)具體狀況進(jìn)行改變。

明考夫斯基舉例(Minkowsky distance)：

(3)

當(dāng)q=1時(shí)，為常用的絕對(duì)值距離(Absolute distance)：

(4)

當(dāng)q=2時(shí)，為歐氏距離(Euclidean distance)：

(5)

馬氏(MahalanbiS distance)：

當(dāng)(X,G)兩個(gè)m維向量是正態(tài)分布的，且具有相同的協(xié)方差矩陣S時(shí)，其馬氏距離為：

(6)

(3)假設(shè)Xi(i=0,1,2,…，n)與G相似度較高，可以采用多屬性坐標(biāo)分析和學(xué)習(xí)決策模型中的基于屬性坐標(biāo)的變權(quán)加權(quán)和模型決策方法。降雨影響因素產(chǎn)生的數(shù)值因子在一定程度上會(huì)影響降雨量曲線的變化，而這些數(shù)值因子也是氣象專家預(yù)測(cè)降雨量的重要依據(jù)。

本文的預(yù)報(bào)對(duì)象是安徽省一些臺(tái)站的逐日降雨量，將其中影響系數(shù)較大的物理量(氣溫、日照、風(fēng)速、氣壓、濕度)資料全部用來構(gòu)造預(yù)報(bào)因子[13-14]，構(gòu)建屬性坐標(biāo)的變權(quán)加權(quán)模型，以描述降雨量的變化。

首先，對(duì)選取城市(安徽省安慶市)各個(gè)物理量的屬性值進(jìn)行預(yù)處理，經(jīng)過數(shù)據(jù)無量綱化處理后得到如下格式數(shù)據(jù)：

000220.0，1∶0.00000，2∶0.34191，…，5∶0.41667#

000208.0，1∶0.07053，2∶0.23897，…，5∶0.20833#

000228.0，1∶0.45340，2∶0.21140，…，5∶0.30556#

000208.0，1∶0.01763，2∶0.27206，…，5∶0.06944#

000219.0，1∶0.53652，2∶0.23346，…，5∶0.20833#

000244.0，1∶0.00168，2∶0.06066，…，5∶0.34722#

2.3 基于屬性論的降雨預(yù)測(cè)算法

下面給出在降雨量歷史時(shí)間序列中的基于定性映射方法的模糊匹配算法的主要框架(偽代碼)：

Match(Fs)

{a=0.9;//初始相似閥值

FloatD[20]={PT3-19,PT3-18,…,PT3-1,PT3};

FloatD′[20]={Pstart,Pstart+1,…Pstart+19};

Fori=1ton{//如果歷史時(shí)間數(shù)據(jù)窗口與Fs的相似度>α，則這個(gè)范例被選為候選范例，放入鏈表中

//在計(jì)算Sim()時(shí)，采用高斯型轉(zhuǎn)化程度函數(shù)與平均相度的計(jì)算方法

Start++

}

Float factor[]={temperaturelast,humiditylast,airpressurelast, airpressurelast}

將預(yù)測(cè)樣本D代入拉格朗日插值公式得W=(w1(T),w2(T),…,w6(T))

For j=1 to list_length(){

IfJjismax

ThengettheDj

3 結(jié)果分析

選取安慶市氣象臺(tái)站的逐日降雨量數(shù)據(jù)，利用MATLAB軟件進(jìn)行編程，把本文所提出的基于屬性論的降雨預(yù)測(cè)算法與支持向量機(jī)方法進(jìn)行比較，結(jié)果如圖1、圖2所示。

在圖1和圖2中，用細(xì)紅線代表實(shí)際降雨走勢(shì)情況，粗黑線代表降雨量的預(yù)測(cè)走勢(shì)情況。由上述對(duì)比試驗(yàn)可以看出，在相同條件和相同預(yù)報(bào)因子的情況下，使用屬性論方法比使用支持向量機(jī)方法的擬合性更好。由于支持向量機(jī)方法對(duì)預(yù)報(bào)因子要求較為嚴(yán)格，故實(shí)驗(yàn)選取維數(shù)較少的情況下進(jìn)行預(yù)測(cè)，在同樣情況下與支持向量機(jī)方法預(yù)測(cè)作比較，發(fā)現(xiàn)此時(shí)屬性論方法受影響因子的影響力度要小于支持向量機(jī)方法，因此有更好的預(yù)測(cè)能力。

圖1 支持向量機(jī)方法安慶氣象臺(tái)站降雨量預(yù)測(cè)

圖2 屬性論方法安慶氣象臺(tái)站降雨量預(yù)測(cè)

同時(shí)，圖2實(shí)際走勢(shì)曲線和預(yù)測(cè)走勢(shì)曲線也驗(yàn)證了此算法的有效性，預(yù)測(cè)結(jié)果基本符合現(xiàn)狀。

4 結(jié)束語

本文提出一種基于屬性理論的氣象預(yù)測(cè)算法，該算法采用屬性理論中定性映射方法，通過對(duì)降雨量時(shí)間序列進(jìn)行相似性查找，查詢到軌跡與樣本區(qū)間最為相似的序列，最后再結(jié)合屬性理論坐標(biāo)模型算法進(jìn)行判斷。由于降雨數(shù)據(jù)的時(shí)效性較強(qiáng)，所以對(duì)相關(guān)預(yù)報(bào)因子篩選有待進(jìn)一步優(yōu)化。

[1]王妍.中長(zhǎng)期降雨預(yù)測(cè)方法研究[D].合肥:合肥工業(yè)大學(xué)土木與水利工程學(xué)院，2003：1-7

[2]陳德輝，薛紀(jì)善.數(shù)值天氣預(yù)報(bào)業(yè)務(wù)模式現(xiàn)狀與展望[J].氣象學(xué)報(bào)，2004，62(5):623-633

[3]魏鳳英.我國(guó)短期氣候預(yù)測(cè)的物理基礎(chǔ)及其預(yù)測(cè)思路[J].應(yīng)用氣象學(xué)報(bào),2011,22(1):1-11

[4]竇浩陽,鄧航,孫小明,等.基于均生函數(shù)：最優(yōu)子集回歸預(yù)測(cè)模型的青藏高原氣溫和降水短期預(yù)測(cè)[J].北京大學(xué)學(xué)報(bào)：自然科學(xué)版,2010,46(4)：643-648

[5]楊瑞科,李磊,仲普,等.我國(guó)典型地區(qū)動(dòng)態(tài)降雨衰減時(shí)間序列仿真研究[J].電波科學(xué)學(xué)報(bào),2011,26(5):875-880

[6]李相虎,張奇,邵敏.基于TRMM數(shù)據(jù)的鄱陽湖流域降雨時(shí)空分布特征及其精度評(píng)價(jià)[J].地理科學(xué)進(jìn)展,2012,31(9):1164-1170

[7]李德清,李洪興.變權(quán)決策中變權(quán)效果分析與狀態(tài)變權(quán)向量的確定[J].控制與決策,2004,19(11):1241-1245

[8]李春好,孫永河,賈艷輝,等.變權(quán)層次分析法[J].系統(tǒng)工程理論與實(shí)踐,2010,30(4):723-731

[9]吳志雄,屠梅曾,馮嘉禮.基于屬性坐標(biāo)的變權(quán)加權(quán)和模型[J].上海交通大學(xué)學(xué)報(bào),2006,40(9):1610-1612

[10]馮嘉禮,董占球.基于屬性抽取和整合的感覺神經(jīng)檢測(cè)模型[J].計(jì)算機(jī)研究與發(fā)展,1997,34(7):481-486

[11]JR Fan，Y Chen，D Yan，et al.Characteristics of rainfall erosivity based on tropical rainfall measuring mission data in Tibet,China[J].Journal of Mountain Science,2013,10(10):1008-1017

[12]王洪，馮嘉禮.基于屬性論方法的股市預(yù)測(cè)算法[J].復(fù)旦學(xué)報(bào)：自然科學(xué)版，2004,43(5):941-943

[13]R Lee，J Liu.JADE Weather MAN:A weather forecasting system using intelligent multiagent-based fuzzy neuro network[J].IEEE Transaction On Systems,Man and Cybernetics Part-C:Applications And Reviews,2004,34(3):369-377

[14]徐向舟,劉大慶,張紅武,等.室內(nèi)人工模擬降雨試驗(yàn)研究[J].北京林業(yè)大學(xué)學(xué)報(bào),2006,28(5):52-58

(責(zé)任編輯：汪材印)

2016-08-16

國(guó)家大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目“p2p技術(shù)下家庭智能網(wǎng)關(guān)及遠(yuǎn)程控制系統(tǒng)”(201510379030)。

梁楠楠(1988-)，女，安徽宿州人，碩士，助教，主要研究方向：物聯(lián)網(wǎng)、云計(jì)算。

10.3969/j.issn.1673-2006.2016.11.026

TP391.9

A

1673-2006(2016)11-0097-04