氣候變化預(yù)測以及趨勢分析方法
【專利摘要】本發(fā)明實施例提供一種氣候變化預(yù)測以及趨勢分析方法。本發(fā)明方法,包括:處理器接收氣候變量數(shù)據(jù)以及與所述氣候變量數(shù)據(jù)對應(yīng)的時間值;所述處理器采用模糊聚類算法計算所述氣候變量數(shù)據(jù)的漸進(jìn)變化與跳躍變化;所述處理器根據(jù)所述漸進(jìn)變化與所述跳躍變化對氣候變化進(jìn)行預(yù)測以及趨勢分析。本發(fā)明實施例準(zhǔn)確體現(xiàn)氣候變化中跳躍變化,有利于進(jìn)一步準(zhǔn)確預(yù)測資源的合理利用及區(qū)域可持續(xù)發(fā)展,有助于分析對應(yīng)該跳躍變化的成因。
【專利說明】氣候變化預(yù)測以及趨勢分析方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實施例涉及計算機(jī)計算領(lǐng)域,尤其涉及一種氣候變化預(yù)測以及趨勢分析方 法。
【背景技術(shù)】
[0002] 近年來,洪澇、干旱和冰雨等極端氣候引起了全世界各地人們的關(guān)注。造成該現(xiàn)象 的原因有很多。例如,冷暖氣流的急劇變化等自然因素,同時,人類對森林的濫砍濫伐、汽車 的尾氣排放等人類活動的人為因素也占很大的比例。
[0003] 現(xiàn)有技術(shù)對此采用混沌-人工神經(jīng)網(wǎng)絡(luò)方法對氣候變化進(jìn)行預(yù)測以及趨勢分析, 該方法是結(jié)合混沌理論和人工神經(jīng)網(wǎng)絡(luò),互相抵消兩者之間的不足之處。分析流域氣溫、降 雨和徑流量的變化過程。進(jìn)而對于氣候的變化預(yù)測以及趨勢分析。
[0004] 該種方法對于氣候的變化體現(xiàn)了氣候變化的整體趨勢,但是無法準(zhǔn)確地體現(xiàn)氣候 跳躍變化。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明實施例提供一種氣候變化預(yù)測以及趨勢分析方法,以克服現(xiàn)有中無法準(zhǔn)確 地對于氣候變化中的跳躍變化作出預(yù)測以及趨勢分析的問題。
[0006] 本實施例提供了一種氣候變化預(yù)測以及趨勢分析方法,包括:
[0007] 處理器接收氣候變量數(shù)據(jù)以及與所述氣候變量數(shù)據(jù)對應(yīng)的時間值;
[0008] 所述處理器采用模糊聚類算法計算所述氣候變量數(shù)據(jù)的漸進(jìn)變化與跳躍變化; [0009] 所述處理器根據(jù)所述漸進(jìn)變化與所述跳躍變化對氣候變化進(jìn)行預(yù)測以及趨勢分 析。
[0010] 進(jìn)一步地,所述處理器采用模糊聚類算法計算所述氣候變量數(shù)據(jù)的漸進(jìn)變化與跳 躍變化,包括:
[0011] 步驟一、處理器初始化所述模糊聚類算法參量,設(shè)置所述模糊聚類算法終止閾值、 初始分割階數(shù)和最小分割階數(shù);
[0012] 步驟二、所述處理器求得隸屬度、混合概率,并判斷所述混合概率是否大于0,若 是,則直接更新聚類參數(shù)以及所述隸屬度,若否,則降低分割階數(shù)后更新聚類參數(shù)以及所述 隸屬度;
[0013] 步驟三、所述處理器判斷相鄰兩次迭代過程的模糊劃分矩陣的相對誤差是否大于 終止閾值,若否,則返回步驟二,若是,則根據(jù)最小信息長度準(zhǔn)則選擇最優(yōu)分割階數(shù);
[0014] 步驟四、所述處理器將所述最優(yōu)分割階數(shù)與最優(yōu)聚類參數(shù)代入模糊聚類算法得出 所述氣候變量數(shù)據(jù)的漸進(jìn)變化與跳躍變化。
[0015] 進(jìn)一步地,所述處理器初始化所述模糊聚類算法參量,包括:
[0016] 處理器采用分段常函數(shù).
【權(quán)利要求】
1. 一種氣候變化預(yù)測以及趨勢分析方法,其特征在于,包括: 處理器接收氣候變量數(shù)據(jù)以及與所述氣候變量數(shù)據(jù)對應(yīng)的時間值; 所述處理器采用模糊聚類算法計算所述氣候變量數(shù)據(jù)的漸進(jìn)變化與跳躍變化; 所述處理器根據(jù)所述漸進(jìn)變化與所述跳躍變化對氣候變化進(jìn)行預(yù)測以及趨勢分析。
2. 根據(jù)權(quán)利要求1所述的方法,其特征在于,所述處理器采用模糊聚類算法計算所述 氣候變量數(shù)據(jù)的漸進(jìn)變化與跳躍變化,包括: 步驟一、處理器初始化所述模糊聚類算法參量,設(shè)置所述模糊聚類算法終止閾值、初始 分割階數(shù)和最小分割階數(shù); 步驟二、所述處理器求得隸屬度、混合概率,并判斷所述混合概率是否大于〇,若是,則 直接更新聚類參數(shù)以及所述隸屬度,若否,則降低分割階數(shù)后更新聚類參數(shù)以及所述隸屬 度; 步驟三、所述處理器判斷相鄰兩次迭代過程的模糊劃分矩陣的相對誤差是否大于終止 閾值,若否,則返回步驟二,若是,則根據(jù)最小信息長度準(zhǔn)則選擇最優(yōu)分割階數(shù); 步驟四、所述處理器將所述最優(yōu)分割階數(shù)與最優(yōu)聚類參數(shù)代入模糊聚類算法得出所述 氣候變量數(shù)據(jù)的漸進(jìn)變化與跳躍變化。
3. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述處理器初始化所述模糊聚類算法參 量,包括: fl(ic- 〈i〈kjy 處理器采用分段常函數(shù)%^)=!^ Jtt +得到在時間坐標(biāo)集合上kmax個初始 模糊聚類中心為
其中,N為氣候變量數(shù)據(jù)的個數(shù),m為模糊加權(quán)指數(shù)且m= 2, ^為氣候變量數(shù)據(jù)對應(yīng)的 時間,P=int(N/kmax),當(dāng)k=kmax,令kp=N; 處理器將時間坐標(biāo)集合上的初始偏差定義為
其中,N為氣候變量數(shù)據(jù)的個數(shù),m為模糊加權(quán)指數(shù)且m= 2, ^為氣候變量數(shù)據(jù)對應(yīng)的 時間,Uk為在時間坐標(biāo)集合上的初始模糊聚類中心,SkUi)為如上所述分段常函數(shù); 所述處理器從氣候變量數(shù)據(jù)集合中隨機(jī)選取kmax個數(shù)據(jù)作為初始中心,得到vke{Xi,I^i^N},I^k^kmax (3) 其中,N為氣候變量數(shù)據(jù)的個數(shù),Xi為氣候變量數(shù)據(jù); 所述處理器令所述氣候變量數(shù)據(jù)集合中的初始協(xié)方差與單位矩陣成正比,得到
其中,為kmax 階單位矩陣,一=士_〔遽('-m)(X|--τ), m=|Σ^χ,為氣候變量數(shù)據(jù)的平均值; 所述處理器令初始混合概率ak與所述kmax成反比,得到αk=l/kmax,I^k^kmax (5) 其中,k_為初始聚類數(shù)。
4. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述處理器將所述最優(yōu)分割階數(shù)代入模 糊聚類算法得出所述氣候變量數(shù)據(jù)的漸進(jìn)變化與跳躍變化,包括: 處理器采用高斯函數(shù))=-[-備K.......zlT......'-1 *得到在時間坐標(biāo)集合上kmax個模糊分 i 2 OiJ 割^kUi),公式為
其中&為氣候變量數(shù)據(jù)對應(yīng)的時間,UkS在時間坐標(biāo)集合上的初始模糊聚類中心,μk為時間坐標(biāo)集合上的初始偏差。
5. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述處理器求得隸屬度、混合概率,包 括: 采用公式
計算隸屬度,其中,所述《?=Ρ(%)^)(?&=1)為第k個聚類的混合概率,p(t|nk) 為在時間坐標(biāo)集合上的第k個高斯函數(shù),p(x|nk)為在氣候變量數(shù)據(jù)集合上第k個高斯函 數(shù),m為模糊加權(quán)指數(shù)且m= 2 ; 采用公式
計算混合概率,其中,所述Uiik為第i個數(shù)據(jù)屬于第k個聚類的隸屬度,c為每個聚類成 員所含參數(shù)的維數(shù); 所述則更新聚類參數(shù)以及所述隸屬度,包括: 處理器采用期望值最大算法將所述聚類參數(shù)以及隸屬度更新為
-J-* 4-, -
- -? 其中,所述Uiik為第i個數(shù)據(jù)屬于第k個聚類的隸屬度,Xi為氣候變量數(shù)據(jù),ti為氣候 變量數(shù)據(jù)Xi對應(yīng)的時間,",與^分別為在時間坐標(biāo)集合上的第k個高斯函數(shù)p(t|Ilk)的 中心和偏差,、與Σ,分別為在氣候變量數(shù)據(jù)集合上第k個高斯函數(shù)p(x|Ilk)的中心和方 差,m為模糊加權(quán)指數(shù)且m= 2。
6. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述根據(jù)最小信息長度準(zhǔn)則選擇最優(yōu)分 割階數(shù),包括: 處理器根據(jù)最小信息長度準(zhǔn)則,采用公式
求得最小信息長度,其中,所述c為每個聚類成員所含參數(shù)的個數(shù),ak為第k個聚類的 混合概率,N為氣候變量數(shù)據(jù)的個數(shù),knz為當(dāng)前聚類個數(shù),p(t|Ilk)為在時間坐標(biāo)集合上的 第k個高斯函數(shù),p(XIIlk)為在氣候變量數(shù)據(jù)集合上第k個高斯函數(shù)。
7. 根據(jù)權(quán)利要求2所述的方法,其特征在于,所述步驟三之后,還包括: 處理器判斷若相鄰兩次迭代過程的模糊劃分矩陣的相對誤差低于終止閾值時,刪除具 有最低概率的聚類成員并返回所述步驟二,查找更小的信息長度值。
【文檔編號】G06Q10/04GK104463382SQ201510003459
【公開日】2015年3月25日 申請日期:2015年1月5日 優(yōu)先權(quán)日:2015年1月5日
【發(fā)明者】王妮妮, 尹建川, 劉曉東 申請人:大連海事大學(xué)