專利名稱：一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于一種短期氣候預(yù)測的方法，尤其涉及一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法。該方法可用于解決如日照時數(shù)、溫度等隨時間波動較大的短期氣候的預(yù)測，也同樣適用于長期氣候的預(yù)測。
背景技術(shù)：
隨著我國國民經(jīng)濟(jì)的迅速發(fā)展，國家越來越需要更加準(zhǔn)確的短期氣候預(yù)測，尤其是在國家計劃、農(nóng)業(yè)、水利和防災(zāi)減災(zāi)等部門。短期氣候預(yù)測是國際大氣科學(xué)和地球科學(xué)領(lǐng)域的前沿課題，也是極其困難的跨學(xué)科難題。目前短期氣候預(yù)測主要面臨三大方面難題，首先是氣候的變化存在很多不確定因素，短期氣候數(shù)據(jù)時間序列波動性太大，無法確定其準(zhǔn)確模型。第二是對短期氣候變化的預(yù)測方程組極其復(fù)雜，而且從數(shù)學(xué)和物理上如何正確表征各因素之間的相互作用，還沒有完全解決。因而面臨著預(yù)測理論的困難，所以短期氣候預(yù)測不能沿用長期氣候預(yù)測的原理和方法，必須面對整個復(fù)雜的氣候系統(tǒng)及其變化研制新的理論和方法，其技術(shù)水平也受到其它相關(guān)學(xué)科發(fā)展的制約和限制。第三資料和數(shù)據(jù)的不足， 為了揭示短期氣候預(yù)測的宏觀和微觀規(guī)律，需要大量這方面的歷史數(shù)據(jù)。氣候要素觀測數(shù)據(jù)時間序列可以被視作是一個精確完美的氣候數(shù)值預(yù)測模式在完備條件下的解，是各氣候因子以及自身相互間非線性作用的綜合演化表現(xiàn)形式。隨著氣象觀測方法的多元化和大型計算機(jī)的應(yīng)用，特別是氣象學(xué)家對氣候問題的拓展和深入，短期氣候數(shù)值預(yù)測取得了一定進(jìn)展，但大部分對于短期氣候的預(yù)測仍然是對觀測數(shù)據(jù)時間序列進(jìn)行線性建模分析，而一些氣候預(yù)測的非線性模型又必須要求模型非線性函數(shù)已知，由人為主觀估計。因此有必要找到一種數(shù)學(xué)方法客觀地模擬具有非線性特征的氣象學(xué)要素時間序列。基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法是在卡爾曼濾波建立的線性模型與演化建模的非線性模型相互作用的結(jié)果?？柭鼮V波根據(jù)不斷更新的數(shù)據(jù)與預(yù)測值之間的誤差調(diào)整回歸系數(shù)，達(dá)到實時跟蹤預(yù)測的目的。而演化建模方法是以遺傳算法為基礎(chǔ)， 模擬生物演化過程來求解復(fù)雜問題的一類計算方法，其具有自適應(yīng)、自組織、自學(xué)習(xí)以及內(nèi)在的并行性等智能特性。因此本發(fā)明將線性模型與非線性模型相疊加，在目前不能確定氣候數(shù)值模型即非線性偏微分方程組中氣候因子非線性相互作用物理機(jī)制的顯示數(shù)學(xué)表達(dá)式的情況下，用非線性常微分方程數(shù)學(xué)模型區(qū)逼近氣象要素歷史觀測時間序列，并進(jìn)而作短期氣候預(yù)測。同時他們都具有利用實時數(shù)據(jù)不斷調(diào)整模型參數(shù)或表達(dá)式的能力，使預(yù)測精度更高。目前，基于卡爾曼濾波及演化建模的短期氣候預(yù)測未見有文獻(xiàn)公開報道。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)不足，提供一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法，利用卡爾曼濾波與演化建模相結(jié)合的方式，用卡爾曼濾波遞推系統(tǒng)描述預(yù)測因子之間的線性關(guān)系，根據(jù)其預(yù)測誤差不斷調(diào)整回歸系數(shù)；同時在線性模型的基礎(chǔ)上疊加由演化建模描述的針對卡爾曼濾波誤差所建立的非線性模型，從而優(yōu)化預(yù)測模型，提高預(yù)測精度。為了達(dá)到以上目的，本發(fā)明采取如下技術(shù)方案予以實現(xiàn)包括下列步驟A)收集氣候預(yù)測模型中預(yù)測因子的歷史數(shù)據(jù)，包括近年來的日照時數(shù)、溫度、相對濕度和降雨量；B)確定預(yù)測因子，整理與預(yù)測因子相關(guān)的歷史數(shù)據(jù)，將歷史數(shù)據(jù)分段處理，將每段數(shù)據(jù)的綜合作用結(jié)果作為一個數(shù)據(jù)項目，同時將處理后的數(shù)據(jù)分為初值計算樣本和檢測樣本兩部分；C)根據(jù)上述樣本計算卡爾曼濾波初值Yt = Xt β t+et上式為卡爾曼濾波測量方程，首先利用多元線性回歸計算回歸系數(shù)β。，再計算出動態(tài)噪聲方差陣W和測量噪聲方差陣V ；D)根據(jù)上述樣本建立卡爾曼遞推模型利用步驟C)中計算的初值及卡爾曼遞推式對檢測樣本的數(shù)據(jù)進(jìn)行預(yù)測，并與檢測樣本進(jìn)行比較，得到預(yù)測誤差時間序列；Ε)對上述預(yù)測誤差進(jìn)行預(yù)處理x(t) = x(t) + x(t)
權(quán)利要求
1.一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法，其特征在于，包括下列步驟A)收集氣候預(yù)測模型中預(yù)測因子的歷史數(shù)據(jù)，包括近年來的日照時數(shù)、溫度、相對濕度和降雨量；B)確定預(yù)測因子，整理與預(yù)測因子相關(guān)的歷史數(shù)據(jù)，將歷史數(shù)據(jù)分段處理，將每段數(shù)據(jù)的綜合作用結(jié)果作為一個數(shù)據(jù)項目，同時將處理后的數(shù)據(jù)分為初值計算樣本和檢測樣本兩部分；C)根據(jù)上述樣本計算卡爾曼濾波初值 Yt = XtIVet上式為卡爾曼濾波測量方程，首先利用多元線性回歸計算回歸系數(shù)β 0，再計算出動態(tài)噪聲方差陣W和測量噪聲方差陣V ；D)根據(jù)上述樣本建立卡爾曼遞推模型利用步驟C)中計算的初值及卡爾曼遞推式對檢測樣本的數(shù)據(jù)進(jìn)行預(yù)測，并與檢測樣本進(jìn)行比較，得到預(yù)測誤差時間序列；Ε)對上述預(yù)測誤差進(jìn)行預(yù)處理x(t) = x(t) + x(t)‘1 ’ —τΣχ(^)'當(dāng)/<ζ— 1 + 17^x(t) = 7T1rZ^x 當(dāng)/ 化《‘+ ^ J=I-Ix(t) = x(t) - x(t)將預(yù)測誤差分為光滑部分和粗糙部分，并假設(shè)光滑部分是由宏觀氣候因素控制，粗糙部分是由微觀氣候因素控制，針對分解后的數(shù)據(jù)分別采用以下步驟F)和步驟G)的數(shù)學(xué)模型來描述；F)針對步驟E)中的光滑部分時間序列項，用染色體來表示問題的可行解，包括可行解的形式和參數(shù)，然后利用遺傳操作在解空間中進(jìn)行搜索，最后根據(jù)擬合表達(dá)式與實際值之間的偏差平方和進(jìn)行優(yōu)勝劣汰，求得最終的解，即擬合光滑部分時間序列最好的非線性表達(dá)式；G)針對步驟E)中的粗糙部分時間序列項，用自然基小波對其進(jìn)行分析，從這些時間序列中找出其受氣候因子影響下的周期波動規(guī)律，實現(xiàn)粗糙部分時間序列的擬合和預(yù)測功能；H)將步驟D)中實現(xiàn)的卡爾曼濾波以及步驟F)和步驟G)中分別針對卡爾曼濾波誤差而進(jìn)行的演化建模和自然基小波分別對各自的氣候數(shù)據(jù)時間序列模型做下一步預(yù)測，并將預(yù)測結(jié)果相疊加，從而實現(xiàn)卡爾曼濾波及演化建模的短期氣候預(yù)測。
2.根據(jù)權(quán)利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法，其特征在于，將步驟D)中，卡爾曼濾波遞推模型對檢測樣本進(jìn)行預(yù)測的同時，其卡爾曼濾波回歸系數(shù)根據(jù)預(yù)測誤差做出實時調(diào)整。
3.根據(jù)權(quán)利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法，其特征在于步驟E)中，可根據(jù)具體情況調(diào)整光滑參數(shù)1的值，1可用于調(diào)節(jié)時間序列{—x(0}的光滑程度，1越大，{—χ(0}越光滑。
4.根據(jù)權(quán)利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法， 其特征在于，步驟F)中，染色體表示的微分方程模型為一個樹表達(dá)式，其微分方程解由 Runge-Kutta方法求出。
5.根據(jù)權(quán)利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法，其特征在于，步驟G)中，針對時間序列的粗糙部分建模，采用的是多尺度自然分形模型。
6.根據(jù)權(quán)利要求1所述的一種基于卡爾曼濾波及演化建模的短期氣候預(yù)測方法，其特征在于，步驟H)中，短期氣候預(yù)測模型為線性預(yù)測模型與非線性預(yù)測模型相結(jié)合的方式。
全文摘要
本發(fā)明公開了一種基于卡爾曼濾波與演化建模結(jié)合的氣候預(yù)測方法，本方法首先通過卡爾曼濾波建立關(guān)于預(yù)測因子的線性模型，在此基礎(chǔ)上利用非線性常微分方程數(shù)學(xué)模型去模擬逼近卡爾曼濾波中的誤差序列，并進(jìn)行誤差預(yù)測。演化算法是用計算機(jī)模擬大自然的演化過程，特別是模擬生物演化過程來求解復(fù)雜問題的一類計算方法，具有自適應(yīng)、自組織、自學(xué)習(xí)以及內(nèi)在并行性等智能特性。將兩種算法相結(jié)合，可以比單純線性模型更好的模擬氣候的自然特性，提高氣候預(yù)測精度。通過本發(fā)明方法，可以對短期的日照時數(shù)、溫度、降水量進(jìn)行預(yù)測，從而提供短期氣候的先驗知識。
文檔編號G01W1/10GK102183802SQ201110057399
公開日2011年9月14日 申請日期2011年3月10日 優(yōu)先權(quán)日2011年3月10日
發(fā)明者莊健, 楊清宇, 羅飛, 葛思擘 申請人:西安交通大學(xué)