一种降水量预测方法及系统技术方案

本发明专利技术公开了一种降水量预测方法及系统。该方法包括：采集历史降水量数据；对所述历史降水量数据进行处理，得到处理后的降水量数据；采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。本发明专利技术利用MEEMD将降水量数据分解为不同分解项，分别对不同分解项采取卷积神经网络、粒子群优化的支持向量机和人工蚁群算法优化的BP神经网络建立组合预测模型，减少数据非光滑性所引起的预测误差，提高了预测精度。

【技术实现步骤摘要】
一种降水量预测方法及系统
本专利技术涉及降水量预测领域，特别是涉及一种降水量预测方法及系统。
技术介绍
由于降水量受到大气环流、水文气象要素、自然地理等诸多物理要素的综合作用，是一种弱相关、高度复杂的非线性动力系统，其年际变化并不是以一种固定的周期在运动，而是包含着各种时间尺度的变化和局部波动，这种特性导致中长期预测降水量难度较大、精度较低。
技术实现思路
本专利技术的目的是提供一种降水量预测方法及系统，用以快速、准确的预测降水量。为实现上述目的，本专利技术提供了如下方案：一种降水量预测方法，包括：采集历史降水量数据；对所述历史降水量数据进行处理，得到处理后的降水量数据；采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。可选的，所述采用MEEMD方法对所本文档来自技高网...

【技术保护点】
1.一种降水量预测方法，其特征在于，包括：/n采集历史降水量数据；/n对所述历史降水量数据进行处理，得到处理后的降水量数据；/n采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；/n确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；/n根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。/n

【技术特征摘要】
1.一种降水量预测方法，其特征在于，包括：
采集历史降水量数据；
对所述历史降水量数据进行处理，得到处理后的降水量数据；
采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项；
确定降水量预测模型；所述降水量预测模型包括训练好的卷积神经网络、优化后的支持向量机以及优化后的BP神经网络；
根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测。


2.根据权利要求1所述的降水量预测方法，其特征在于，所述采用MEEMD方法对所述处理后的降水量数据进行分解，得到多个不同频率的分解项和余项，具体包括：
将白噪声信号添加至所述处理后的降水量数据中；
对添加白噪声信号后的降水量数据进行分解，得到多个分量；
根据多个所述分量计算平均分量；
判断所述平均分量是否为异常信号；
若是，则继续添加白噪声信号；
若否，则将所述平均分量进行分离，得到多个不同频率的分解项和余项。


3.根据权利要求1所述的降水量预测方法，其特征在于，所述确定降水量预测模型，具体包括：
通过减小输出误差确定训练好的卷积神经网络；
通过粒子群算法优化支持向量机，得到优化后的支持向量机；
通过人工蚁群算法优化BP神经网络，得到优化后的BP神经网络；
基于所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络，构建降水量预测模型。


4.根据权利要求1所述的降水量预测方法，其特征在于，所述根据各所述分解项以及所述余项，通过所述降水量预测模型对降水量进行预测，具体包括：
将各所述分解项以及所述余项分别输入至所述训练好的卷积神经网络、所述优化后的支持向量机以及所述优化后的BP神经网络中，得到对应的分量预测值；
将各所述分量预测值进行组合，得到最终预测的降水量。


5.根据权利要求1所述的降水量预测方法，其特征在于，还包括：
基于排列熵对所述处理后的降水量数据进行随机性检测。


6.根据权利要求1所述的降水量预测方法，其特征在于，还包括：
通过相对误差...

【专利技术属性】
技术研发人员：王永涛，刘坚，李蓉，索鑫宇，陈琳，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43