基于屬性理論的降雨預測研究

梁楠楠，陳黎黎

宿州學院信息工程學院，安徽宿州，234000

?

基于屬性理論的降雨預測研究

梁楠楠，陳黎黎

宿州學院信息工程學院，安徽宿州，234000

為了提高降雨預報精度，及時預警,提出了一種基于屬性理論的降雨預測算法。該算法充分利用了屬性理論方法的特點，根據屬性理論中定性映射算法，通過對其降雨量時間序列進行相似性查找，查詢到軌跡與樣本區間最為相似的序列，最后再結合屬性理論坐標模型算法進行判斷。以安慶市氣象臺站的逐日降雨數據為例進行，結果表明，預測結果與實際情況基本相符，因此可運用此算法對降雨數據進行穩定預測。

時間序列;屬性理論;降雨預測

近年來，干旱、洪澇、泥石流等自然災害的頻繁發生，不僅威脅著人們的生命安全，而且還給經濟帶來巨大損失。在這些自然災害中，降雨是引發各類自然災害的重要因素[1-2]。因此，如何提高降雨量的預測精度，保證精確預報、及時預警成為當前研究的重點和關鍵問題。同時，降雨量精確預測也有利于水資源的管理和調度。

自20世紀90年代以來，各種數據分析技術的發展使得氣象統計預報取得突破性進展。特別是統計學方法[3]，例如時間序列分析法、相關典型分析法、回歸分析法、聚類分析等方法。在對降雨數據進行深入研究后，人們發現除臺風等特殊天氣變化的影響外，降雨量數據序列的波動極大地受到歷史降雨數據因素的影響[4]。根據四季節氣變化，在歷史降雨量數據中進行相似性比較，發現降雨量的時間序列呈規律性變化，可以采用相似性查詢方法，查詢到降雨量時間序列模型的相似區間數據，從而進行預測。目前，時間序列預測法[5-6]的相似查詢技術中，歐幾里德距離法是使用范圍最廣的一種相似性度量方法，它較為簡單、易用，但在時間軸上伸縮和水平移動的效果較差；動態時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，但計算難度高，時間效率也較為低下。

針對這一問題，本文對時間序列進行相似性搜索，運用屬性理論中的定性映射和轉化程度函數方法作為相似性度量的依據。首先，根據預測序列模型從歷史時間序列中找出N(N≥0)個相似的匹配模式，再對相似查找結果進行取舍，然后采用屬性坐標分析法，據屬性變權的加權和模型求出最滿意解，即最優相似模型。

1 屬性理論坐標模型

1.1 變權

設X=(x1,x2,…，xm)為一組決策指標值，加權和法如下式所示：

(1)

1.2 模型的構建

(2)

由訓練得到的b({xh(z)})∈ST∩X，讓T訪問區間[T0,100m]，得到局部最優解集合{b({xh(z)})|T∈[T0,100m]}，記作L(b({xh(z)}))。由于決策者對事物的思維變化一般不會發生跳躍式變化，L(b({xh(z)}))曲線是一條連續光滑的曲線，權向量(w1(T),w2(T),…，wm(T))每個具體屬性也是光滑的曲線。

在以上模型最優解的構建中，關于使用單純形ST∩X物理重心的求解過程的方法被稱為屬性理論的坐標構造方法[9-10]。

2 實驗研究

2.1 算法概述

如果把降雨數據[11-12]描述為一組動態數列Xi(i=0,1,2,…,n)，其中，Xi=F(t)，t表示為時間，由X0，X1,…,Xi可推導出Xi+1。時間序列預測算法主要是運用統計學等方法，例如采用自回歸滑動平均模型處理降雨量時間數據時，此數據不滿足ARMA模型必須為平穩性序列。故本文采用轉化程度函數法對某降雨量時間序列模式進行相似性搜索，找出與該降雨量序列最相似的歷史模式序列，再利用屬性坐標分析法中的變權加權和模型對相似序列作出相應的決策，找出最優解。

2.2 算法詳解

要預測Tx+1天的降雨量，所提出的算法步驟如下：

(1)將降雨量時間序列分解為n個大小相同的區間，實驗選取每個時間區間長度為20，區間長度可以根據當時具體狀況進行改變。

明考夫斯基舉例(Minkowsky distance)：

(3)

當q=1時，為常用的絕對值距離(Absolute distance)：

(4)

當q=2時，為歐氏距離(Euclidean distance)：

(5)

馬氏(MahalanbiS distance)：

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

(6)

(3)假設Xi(i=0,1,2,…，n)與G相似度較高，可以采用多屬性坐標分析和學習決策模型中的基于屬性坐標的變權加權和模型決策方法。降雨影響因素產生的數值因子在一定程度上會影響降雨量曲線的變化，而這些數值因子也是氣象專家預測降雨量的重要依據。

本文的預報對象是安徽省一些臺站的逐日降雨量，將其中影響系數較大的物理量(氣溫、日照、風速、氣壓、濕度)資料全部用來構造預報因子[13-14]，構建屬性坐標的變權加權模型，以描述降雨量的變化。

首先，對選取城市(安徽省安慶市)各個物理量的屬性值進行預處理，經過數據無量綱化處理后得到如下格式數據：

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測算法

下面給出在降雨量歷史時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{//如果歷史時間數據窗口與Fs的相似度>α，則這個范例被選為候選范例，放入鏈表中

//在計算Sim()時，采用高斯型轉化程度函數與平均相度的計算方法

Start++

}

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

將預測樣本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 結果分析

選取安慶市氣象臺站的逐日降雨量數據，利用MATLAB軟件進行編程，把本文所提出的基于屬性論的降雨預測算法與支持向量機方法進行比較，結果如圖1、圖2所示。

在圖1和圖2中，用細紅線代表實際降雨走勢情況，粗黑線代表降雨量的預測走勢情況。由上述對比試驗可以看出，在相同條件和相同預報因子的情況下，使用屬性論方法比使用支持向量機方法的擬合性更好。由于支持向量機方法對預報因子要求較為嚴格，故實驗選取維數較少的情況下進行預測，在同樣情況下與支持向量機方法預測作比較，發現此時屬性論方法受影響因子的影響力度要小于支持向量機方法，因此有更好的預測能力。

圖1 支持向量機方法安慶氣象臺站降雨量預測

圖2 屬性論方法安慶氣象臺站降雨量預測

同時，圖2實際走勢曲線和預測走勢曲線也驗證了此算法的有效性，預測結果基本符合現狀。

4 結束語

本文提出一種基于屬性理論的氣象預測算法，該算法采用屬性理論中定性映射方法，通過對降雨量時間序列進行相似性查找，查詢到軌跡與樣本區間最為相似的序列，最后再結合屬性理論坐標模型算法進行判斷。由于降雨數據的時效性較強，所以對相關預報因子篩選有待進一步優化。

[1]王妍.中長期降雨預測方法研究[D].合肥:合肥工業大學土木與水利工程學院，2003：1-7

[2]陳德輝，薛紀善.數值天氣預報業務模式現狀與展望[J].氣象學報，2004，62(5):623-633

[3]魏鳳英.我國短期氣候預測的物理基礎及其預測思路[J].應用氣象學報,2011,22(1):1-11

[4]竇浩陽,鄧航,孫小明,等.基于均生函數：最優子集回歸預測模型的青藏高原氣溫和降水短期預測[J].北京大學學報：自然科學版,2010,46(4)：643-648

[5]楊瑞科,李磊,仲普,等.我國典型地區動態降雨衰減時間序列仿真研究[J].電波科學學報,2011,26(5):875-880

[6]李相虎,張奇,邵敏.基于TRMM數據的鄱陽湖流域降雨時空分布特征及其精度評價[J].地理科學進展,2012,31(9):1164-1170

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

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

[9]吳志雄,屠梅曾,馮嘉禮.基于屬性坐標的變權加權和模型[J].上海交通大學學報,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檢測模型[J].計算機研究與發展,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測算法[J].復旦學報：自然科學版，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.室內人工模擬降雨試驗研究[J].北京林業大學學報,2006,28(5):52-58

(責任編輯：汪材印)

2016-08-16

國家大學生創新創業訓練項目“p2p技術下家庭智能網關及遠程控制系統”(201510379030)。

梁楠楠(1988-)，女，安徽宿州人，碩士，助教，主要研究方向：物聯網、云計算。

10.3969/j.issn.1673-2006.2016.11.026

TP391.9

A

1673-2006(2016)11-0097-04