论文总字数：18674字

目 录

1.绪论 1

1.1研究意义及目的 1

1.2国内外研究现状 1

1.2.1支持向量机的诞生与发展 1

1.2.2短期气候预测 2

1.3研究内容及论文结构 2

1.3.1研究内容 2

1.3.2论文结构 2

2.支持向量机 3

2.1统计学习理论 3

2.1.1经验风险最小化（ERM） 3

2.1.2 VC维 3

2.1.3结构风险最小化（SRM） 3

2.2支持向量机基本原理 4

2.2.1支持向量分类机 4

2.2.2支持向量回归机算法 5

2.3核函数 6

3.基于EMD-LS-SVM的气象风速、湿度预测 6

3.1气象数据收集 6

3.2经验模态分解（EMD） 6

3.2.1本征模函数 6

3.2.2 EMD分解方法 7

3.2.3 最小二乘支持向量机（LS-SVM） 7

3.3 EMD-LS-SVM模型 7

3.4 EMD-LS-SVM模型的测试实验——风速预测 8

3.4.1 EMD分解 8

3.4.2构建气象风速预测模型 8

3.4.3 EMD-LS-SVM模型与LS-SVM模型，神经网络模型的对比分析 9

3.5 EMD-LSSVM模型的测试实验——湿度预测 11

3.5.1 EMD分解 11

3.5.2构建气象湿度预测模型 11

3.5.3 EMD-LS-SVM模型与LS-SVM模型，神经网络模型的对比分析 13

3.6结论 14

4.基于MGF-SVM单月降水量预测 14

4.1均值生成函数（MGF） 14

4.2 MGF–SVM模型 15

4.3 MGF–SVM模型的对比实验分析 16

4.3.1广义回归神经网络（GRNN）预测 16

4.3.2不同输入数据的实验结果 16

4.3.3 GRNN模型和MGF-SVM模型的对比分析 19

4.4结论 20

5.总结与展望 20

5.1论文总结 20

5.2展望 21

参考文献 21

致谢 23

支持向量机气象预报方法研究

黄震

, China

Abstract：Support vector machine is a new general method of machine learning, which is based on the theory of Statistics and Probability theory. It has been successfully applied in many fields of numerical forecasting since its appearance. In this paper, SVM is applied to meteorological prediction. I use empirical mode decomposition method and support vector machine together to forecast monthly mean wind speed and monthly mean relative humidity. At the same time, support vector machine is combined with the mean generation function in monthly mean precipitation forecasting. Several experiments have been done to test the practicality of support vector machine to predict short-term climate and to find a more accurate prediction method.

Keywords: Short-term Meteorological Prediction; Support Vector Machine; Empirical Mode Decomposition; Mean Generation Function

1.绪论

1.1研究意义及目的

俗话说朝霞不出门，晚霞行千里。这是我们熟知的关于天气预测的一条谚语。人们想要了解气候的变化，想要做到未雨绸缪，然而天有不测风云，天气预测常常不是一件简单的事，大气运动本身的随机性，大气变化的繁杂多样性，都为天气预测增加了很大的难度。

在气象预报中，数值预报是重要的方法之一，而多元分析与时间序列分析是数值预报较为常用的方法，但是常用的要么是线性回归方法，不然就是非线性回归方法，而且非线性回归方法采用的模型只有简单的非线性映射功能，不能完全反映出非线性规律。

支持向量机回归具有很好的理论基础，对样本数据的拟合是基于结构风险最小化原则，有着很好的推广性，支持向量机气象预测是气象预测中的重要领域，具有很好的研究意义。

“计算机学习”是现代计算机研究的热门话题，虽然还有很多人质疑计算机的学习能力，但是计算机已经能够对数据进行部分处理，例如建立分类、回归等模型。“计算机学习”在近年来已经有了较为快速的发展，而作为其中最引人注目的方法，即支持向量机(Support Vector Machine, SVM)也有了充足的进步。

1.2国内外研究现状

1.2.1支持向量机的诞生与发展

作为支持向量机创始人，Vapnik（1995）出版了《统计学习理论的本质》一书，书中系统表述了统计学习理论和支持向量机的概念与分类方法。在统计学习理论中的VC维与结构风险最小化原理基础上，SVM方法通过少量而有限的样本数据建立了学习模型，并测试该模型的学习能力，将模型的复杂程度作为参考，寻求两者之间的最优与平衡，以期获得相对来说最好的推广性，在非线性、小样本数据以及高维空间模式识别问题的处理中表现出了很多独有的优势，并且可以将其推广应用到概论密度估计、函数拟合等其他机器学习问题中。

支持向量机（SVM）是近年来开发的一种新的机器学习算法。 与传统人工神经网络学习算法相比，该算法最终将会变为处理二次优化问题。从理论上来说，二次优化问题得到的会是全局最优解，这样便避免了在神经网络算法中确定网络结构的难题、可能产生的“过学习”或“欠学习”问题以及局部极值问题等。SVM得到的全局最优解是基于结构风险最小化的思想，因此与其他非线性函数近似法相比具备更优秀的推广能力。目前，支持向量机已经被广泛用于数据分类、数据回归、数据异常值检测以及时间序列预测等问题的处理中，并在其中展现了独特的优势和良好的运用前景。

早在八十年代末期，我国的边肇祺等学者就已经留意到统计学习理论中的研究成果。而在九十年代后期，更多的专家学者们开始意识到这个领域，同时越来越多的研究人员开始积极地参与这方面研究。如清华大学卢增祥等人（1999）便提出交互支持向量机学习算法，并开始将该算法应用于研究文本信息过滤的问题；时隔一年，同样是清华大学的张学工博士（2000）又发表了关于统计学习理论和支持向量机的论文；同一时期，中国科学技术大学的范劲松等人将统计学习理论应用于遗传算法的研究等。国内学者对于统计学习理论和支持向量机的研究越来越重视^[1]。

1.2.2短期气候预测

短期气候预测，基于大气科学、气候动力学及统计学等原理，主要是指月、季、年时间尺度的气候预测，在未来气候趋势的基础上研究未来气候。但是短期气候预测是一个复杂的科学问题，从目前的理论来看，研究方法和应用实践都不够成熟，特别是由于我国复杂的地理位置和气候组合，气候异常的原因十分复杂，这使得我国目前短期气候预测能力还有很大的提升空间^[3]。^[3]短期气候预测的对象不是逐日的天气预报，对象是气候，而不是天气^[4][20]。

任何气象要素的演变其实都是条件组合前提条件下，某些气象要素相结合的结果，而且这种组合是一个繁琐的非线性组合，即使一个因子是固定的，只要其余的元素产生很小的变化，会有各种各样的结果，而且每个气象要素的变化都是随机的^[5]。所以利用要素因子之间的函数构造来描述预测对象是非常困难的。而如何描述这种由各种因素组成的空间、甚至时间的特定组合下的天气变化，是研究者需要继续探索的问题^[6]。

SVM方法的出现为我们找到了一个解决预测问题的新方法。通过SVM建立学习模型的本质是通过对各种支持向量的全面描述来表达预测对象和预测因子组之间的联系，而不仅仅是通过单因素因子的系数变化来描述预测对象，这与基于要素因子权重的常规统计预报方法有着明显的不同，但与专家系统的规则预测相似^[19]。专家系统的规则来源于专家知识的积累，而通过SVM自我训练学习获得的预测模型，有着较少人为的干预，是一个基于事实的传递推理。

1.3研究内容及论文结构

1.3.1研究内容

本文在基于支持向量机算法原理，重点研究了支持向量机在气象要素风速、湿度、降水量短期预测中的应用，主要试验有：

（1）经验模态分解算法与最小二乘支持向量机对短期气候要素风速与湿度进行建模与预测。

（2）均生函数对原时间序列的周期延拓，支持向量机对不同样本数据进行单月降水量预测。

1.3.2论文结构

论文有五大章节，每一章节的内容简单总结如下：

（1）绪论：主要介绍本文的研究内容，当前的国内外研究现状。

（2）有关理论与算法简介：重点介绍支持向量机（SVM）、经验模态分解（EMD）、最小二乘支持向量机（LS-SVM）及均值生成函数（MGF）的有关理论及算法。

（3）风速、湿度预测：RBF、EMD和LS-SVM的应用。

（4）单月降水量预测：GRNN、MGF和SVM的应用。

（5）总结与展望。

2.支持向量机

2.1统计学习理论

2.1.1经验风险最小化（ERM）

机器学习就是让机器获得自主学习能力，根据样本数据能够建立起应用于预测未来数据的模型，简单说就是基于数据用计算机建模，它的本质是一种统计方法。

机器学习问题的一般描述为：根据n个观测到的样本，在预测函数集中找到一个可以使预测的期望风险最小的函数。预测函数集中的w为广义参数，为函数的联合概率，表示x和y之间存在相关的关系。

剩余内容已隐藏，请支付后下载全文，论文总字数：18674字

相关图片展示：