一种基于自适应贝叶斯模型平均的降雨预测方法技术

本发明专利技术涉及一种基于自适应贝叶斯模型平均的降雨预测方法，属于气象数据分析方法技术领域。本发明专利技术首先收集地区气象观测数据生成气象数据库；然后，获取气象数据库，并对其中的数据进行数据清洗，提取出降雨数据；然后，将获取到的降雨数据存储到降雨数据库中；再获取降雨数据库中的数据，并导入到自适应降雨预测模型中进行处理；然后，将生成的预测模型概率导入到自适应自适应贝叶斯模型平均中进行处理；最后，将处理好的降雨预测值输出。本发明专利技术使用自适应降雨预测模型以及自适应自适应贝叶斯模型平均对降雨数据进行处理，提升降雨预测结果的准确性。

【技术实现步骤摘要】
一种基于自适应贝叶斯模型平均的降雨预测方法
本专利技术涉及一种基于自适应贝叶斯模型平均的降雨预测方法，属于气象数据分析方法

技术介绍
随着人类社会的不断进步，气象预报在人们的生产生活中起着越来越大的作用。利用地面的各类仪器和太空遥感观测，可以得到地球大气的观测数据，通过对这些观测数据进行处理与统计，可以得到对未来天气的预测。但由于气象预测拥有很强的季节性差异，尤其对于降雨的预测，会受到季节性周期的影响，导致预报的准确性下降，对人们生产生活造成影响。
技术实现思路
本专利技术要解决的技术问题是提供一种基于自适应贝叶斯模型平均的降雨预测方法，用以解决上述问题。本专利技术的技术方案是：一种基于自适应贝叶斯模型平均的降雨预测方法，具体步骤为：Step1：收集气象数据生成气象数据库；Step2：获取气象数据库，并对其中的数据进行数据清洗，提取出降雨数据；Step3：将Step2中获取到的降雨数据存储到降雨数据库中；Step4：获取降雨数据库中的数据，并导入到自适应降雨预测模型中进行处理；Step5：将Step4中生成的预测模型概率导入到自适应贝叶斯模型的平均模型中进行处理；Step6：将Step5中处理好的降雨预测值输出。所述步骤Step4中，自适应降雨预测模型的具体实施步骤是：S1：建立用于预测降雨的时变动力学模型M＝{M1，...，MNm}，其中Nm表示模型总数；S2：让每个模型系数都以随机游走的形式演化；S3：求出第k-1步Dk-1＝{z1，...，zk-1}的θk-1的后验估计；S4：通过协方差矩阵∑k|k-1给出预测模型系数的不确定性和相关结构；S5：当降雨预测值为zk时，通过最大化后验概率密度函数p(θklDk)来更新模型系数。所述步骤S1中，每个模型Mj都为符合yk＝Ckθk的线性回归模型，其中yk是第k步的降雨预测值；Ck是包含所提议的输入函数Gi(xk-1)，i＝1，...，Nθ的行向量；xk-1是解释输入变量(降雨值的历史参数)的向量；Ck的计算公式为：θk是第k步未知模型系数的参数向量，其计算公式为：所述步骤S2中，随机游走的形式为：θi，k＝θi，k-1+fi，k-1其中，fi，k-1是在k-1步对系数θi，k-1的扰动。所述步骤S3中，后验估计的计算方法为：所述步骤S4中，协方差矩阵∑k|k-1的计算公式为：∑k|k-11＝∑k-1|k-1+∑F其中，∑k-1|k-1是θk-1给定的Dk-1的协方差矩阵，而∑F是扰动向量Fk-1的协方差矩阵。所述步骤S5中，最大化后验概率密度函数的计算公式为：其中，∑k|k的计算公式为：所述步骤Step5中，自适应贝叶斯模型的平均模型的具体步骤是：S1：设定每个预测模型Mj的条件概率为P(Mj|Dk)；S2：利用贝叶斯定理，从Dk-1条件下的先验估计中更新P(Mj|Dk)；S3：利用全概率定理将条件p(zk|Dk-1；Mj)表示为参数空间H上的积分，它为基于的第k步的降雨预测模型的拟合优度；S4：利用拉普拉斯方法，可以找到S3积分的渐近展开式；S5：通过计算每一个模型Mj的概率P(Mj|Dk-1)，然后可以通过执行贝叶斯平均模型获得加权降雨预测。所述步骤S1中，P(Mj|Dk)的计算公式为：其中，p(zk|Dk-1；Mj)是对先前第k-1步的数据有条件的模型Mj的表示，p(zk|Dk-1)是一个归一化常数，使所有模型的条件概率P(Mj|Dk)的总和等于1；所述步骤S3中，参数空间H上的积分的表达式为：p(zk|Dk-1；Mj)＝∫Hp(zk|θk；Dk-1；Mj)p(θk|Dk-1；Mj)dθk其中，p(zk|θk；Dk-1；Mj)表示在给定参数向量θk和Dk-1的第k步的模型Mj的可能性。所述步骤S4中，渐近展开式为：其中，渐近展开Mi的第一项是在处评估的第k步的模型Mi的最大似然，剩余项统称为模型Mj在评估的奥克姆因子Oj，k；模型Mj的最大似然的计算公式为：所述步骤S5中，贝叶斯平均模型的计算公式为：本专利技术的有益效果是：使用自适应降雨预测模型以及自适应自适应贝叶斯模型平均对降雨数据进行处理，提升降雨预测结果的准确性。附图说明图1是本专利技术流程示意图。具体实施方式下面结合附图和具体实施方式，对本专利技术作进一步说明。实施例1：如图1所示，一种基于自适应贝叶斯模型平均的降雨预测方法，具体步骤为：Step1：收集气象数据生成气象数据库；Step2：获取气象数据库，并对其中的数据进行数据清洗，提取出降雨数据；Step3：将Step2中获取到的降雨数据存储到降雨数据库中；Step4：获取降雨数据库中的数据，并导入到自适应降雨预测模型中进行处理；Step5：将Step4中生成的预测模型概率导入到自适应贝叶斯模型的平均模型中进行处理；Step6：将Step5中处理好的降雨预测值输出。所述步骤Step4中，自适应降雨预测模型的具体实施步骤是：S1：建立用于预测降雨的时变动力学模型M＝{M1，...，MNm}，其中Nm表示模型总数；S2：让每个模型系数都以随机游走的形式演化；S3：求出第k-1步Dk-1＝{z1，...，zk-1}的θk-1的后验估计；S4：通过协方差矩阵∑k|k-1给出预测模型系数的不确定性和相关结构；S5：当降雨预测值为zk时，通过最大化后验概率密度函数p(θk|Dk)来更新模型系数。所述步骤S1中，每个模型Mj都为符合yk＝Ckθk的线性回归模型，其中yk是第k步的降雨预测值；Ck是包含所提议的输入函数Gi(xk-1)，i＝1，...，Nθ的行向量；xk-1是解释输入变量(降雨值的历史参数)的向量；Ck的计算公式为：θk是第k步未知模型系数的参数向量，其计算公式为：所述步骤S2中，随机游走的形式为：θi，k＝θi，k-1+fi，k-1其中，fi，k-1是在k-1步对系数θi，k-1的扰动。所述步骤S3中，后验估计的计算方法为：所述步骤S4中，协方差矩阵∑k|k-1的计算公式为：∑k|k-11＝∑k-1|k-1+∑F其中，∑k-1|k-1是θk-1给定的Dk-1的协方差矩阵，而∑F是扰动向量Fk-1的协方差矩阵。所述步骤S5中，最大化后验概率密度函数的计算公式为：其中，∑k|k的计算公式为：所述步骤Step5中，自适应贝叶斯模型的平均模型的具体步骤是：S1：设定每个预测模型Mj的条件概率为P(Mj|Dk)；S2：利用贝叶斯定理，从Dk-1条件下的先验估计中更新P(Mj|Dk)；S3：利用全概率定理将条件p(zk|Dk-1；Mj)表示为参数空间H上的积分，它为基于的第k步的降雨预测模型的拟合优度；S4：利用拉普拉斯方法，可以找到S3积分的渐近展开式；S5：通过计算每一个模型Mj的概率P(Mj|Dk-1)，然后可以通过执行贝叶斯平均模型获得加权降雨预测。所述步骤S1中，P(Mj|Dk)的计算公式为：其中，p(zk|Dk-1；Mj)是对先前第k-1步的数据有条件的模型Mj的表示，p(zk|Dk-1)是一个归一化常数，使所有模型的条件概率P(Mj|Dk)的总和等于1；所述步骤S3中，参数空间H上的积分的表达式为：p(zk|Dk-1；Mj)＝丁Hp(zk|θk；Dk-1；Mj)p(θk|Dk-1；Mj)dθk其中，p(zk|θk；Dk-1；Mj)表示在本文档来自技高网...

【技术保护点】
1.一种基于自适应贝叶斯模型平均的降雨预测方法，其特征在于：Step1：收集气象数据生成气象数据库；Step2：获取气象数据库，并对其中的数据进行数据清洗，提取出降雨数据；Step3：将Step2中获取到的降雨数据存储到降雨数据库中；Step4：获取降雨数据库中的数据，并导入到自适应降雨预测模型中进行处理；Step5：将Step4中生成的预测模型概率导入到自适应贝叶斯模型的平均模型中进行处理；Step6：将Step5中处理好的降雨预测值输出。

【技术特征摘要】
1.一种基于自适应贝叶斯模型平均的降雨预测方法，其特征在于：Step1：收集气象数据生成气象数据库；Step2：获取气象数据库，并对其中的数据进行数据清洗，提取出降雨数据；Step3：将Step2中获取到的降雨数据存储到降雨数据库中；Step4：获取降雨数据库中的数据，并导入到自适应降雨预测模型中进行处理；Step5：将Step4中生成的预测模型概率导入到自适应贝叶斯模型的平均模型中进行处理；Step6：将Step5中处理好的降雨预测值输出。2.根据权利要求1所述的基于自适应贝叶斯模型平均的降雨预测方法，其特征在于：所述步骤Step4中，自适应降雨预测模型的具体实施步骤是：S1：建立用于预测降雨的时变动力学模型M＝{M1，...，MNm}，其中Nm表示模型总数；S2：让每个模型系数都以随机游走的形式演化；S3：求出第k-1步Dk-1＝{z1，...，zk-1}的θk-1的后验估计；S4：通过协方差矩阵∑k|k-1给出预测模型系数的不确定性和相关结构；S5：当降雨预测值为zk时，通过最大化后验概率密度函数p(θk|Dk)来更新模型系数。3.根据权利要求2所述的基于自适应贝叶斯模型平均的降雨预测方法，其特征在于：所述步骤S1中，每个模型Mj都为符合yk＝Ckθk的线性回归模型，其中yk是第k步的降雨预测值；Ck是包含所提议的输入函数Gi(xk-1)，i＝1，...，Nθ的行向量；xk-1是解释输入变量(降雨值的历史参数)的向量；Ck的计算公式为：θk是第k步未知模型系数的参数向量，其计算公式为：4.根据权利要求2所述的基于自适应贝叶斯模型平均的降雨预测方法，其特征在于：所述步骤S2中，随机游走的形式为：θi，k＝θi，k-1+fi，k-1其中，fi，k-1是在k-1步对系数θi，k-1的扰动。5.根据权利要求2所述的基于自适应贝叶斯模型平均的降雨预测方法，其特征在于：所述步骤S3中，后验估计的计算方法为：6.根据权利要求2所述的基于自适应贝叶斯模...

【专利技术属性】
技术研发人员：宋耀莲，马丽华，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53