一种基于机器学习的降雨量预测方法及预测系统技术方案

本发明专利技术公开了一种基于机器学习的降雨量预测方法及预测系统，属于降水预测技术领域，能够解决现有基于支持向量机的降水预测模型输入参数比较单一，从而导致输出的预测结果精准度不高的问题。所述方法包括：S1、获取训练月份的大气环流因子和实测降雨量；S2、根据训练月份的大气环流因子和实测降雨量训练基于机器学习的预测模型，得到降雨量预测模型；S3、获取待测月份的大气环流因子；S4、将待测月份及其对应的大气环流因子输入降雨量预测模型中，得到待测月份的预测降雨量。本发明专利技术用于降水预测。测。测。

【技术实现步骤摘要】
一种基于机器学习的降雨量预测方法及预测系统


[0001]本专利技术涉及一种基于机器学习的降雨量预测方法及预测系统，属于降水预测


技术介绍

[0002]降雨是气象现象，表现为大气中凝结的水蒸气以各种方式落在地球表面。它是水循环的一个组成部分。预测未来降水变化将有助于我们更好地理解人与自然相互作用的机制，深化对降水影响的研究。另一方面，对了解降水灾害的时空演变，降低洪涝灾害风险，保护社会对可持续发展也非常重要。
[0003]概率统计和机器学习为目前降水预报的主要方式。现有的概率统计法中主要有马尔可夫模型、权马尔可夫模型、隐马尔可夫模型、灰色系统理论等。现有的机器学习法，如人工神经网络、最大熵模型、支持向量机模型，已经出现并得到应用。其中，支持向量机模型被广泛应用于水文时间序列的分析中且被不断地改进。与传统概率统计方法相比，支持向量机模型及其相关方法在水文预报方面具有独特的优势。然而现有的基于支持向量机的降水预测模型输入参数比较单一，从而导致输出的预测结果精准度不高。

技术实现思路

[0004]本专利技术提供了一种基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的降雨量预测方法，其特征在于，所述方法包括：S1、获取训练月份的大气环流因子和实测降雨量；S2、根据所述训练月份的大气环流因子和实测降雨量训练基于机器学习的预测模型，得到降雨量预测模型；S3、获取待测月份的大气环流因子；S4、将所述待测月份及其对应的大气环流因子输入所述降雨量预测模型中，得到所述待测月份的预测降雨量。2.根据权利要求1所述的方法，其特征在于，在所述S4后，所述方法还包括：S5、利用评价指标对预测降雨量与待测月份的实测降雨量之间的差异进行量化评价，得到评价结果。3.根据权利要求1所述的方法，其特征在于，所述基于机器学习的预测模型为GA
‑
SVM模型或GA
‑
LSSVM模型。4.根据权利要求2所述的方法，其特征在于，所述评价指标包括均方根误差、平均绝对误差和决定系数。5.根据权利要求4所述的方法，其特征在于，所述S5具体包括：获取所述待测月份的实测降雨量；分别计算所述待测月份的实测降雨量与预测降雨量之间的均方根误差、平均绝对误差和决定系数，将得到的均方根误差、平均绝对误差和决定系数作为评价结果。6.一种基于机器学习的降雨...

【专利技术属性】
技术研发人员：权全，董宇翔，刘铁军，严登华，邓嘉祥，
申请(专利权)人：水利部牧区水利科学研究所，
类型：发明
国别省市：