一种基于GN-RBF的空气湿度预测方法及系统技术方案

本发明专利技术公开了一种基于GN

【技术实现步骤摘要】
一种基于GN
‑
RBF的空气湿度预测方法及系统


[0001]本专利技术属于气象数据预测领域，具体涉及一种基于GN
‑
RBF的空气湿度预测方法及系统。

技术介绍

[0002]空气湿度在许多方面有着重要的作用，例如在气象学中常用到的相对湿度，它反映了降雨，有雾的可能性。在炎热的天气之下，高得相对湿度会让人类和其他动物感到更热，因为这妨碍了汗水的挥发。相对湿度一方面决定于绝对湿度，另一方面决定于空气温度。在寒冷的地区和季节，空气湿度容易达到饱和,在绝对湿度或水汽压并不太高的情况下,相对湿度可能较高。在同样的绝对湿度条件下，温暖地区和季节的相对湿度往往偏低，人类可以从而制定出酷热指数。
[0003]空气湿度的预测方法相对于其它气象要素的预测方法起步较晚，是最难准确定量的技术参数。传统的空气湿度预测模型使用相同的网络权重来模拟空气湿度和预测变量之间的时空关系，空间不可知性和空间紧致性卷积核的性质在提高计算效率和解释平移不变性等价方面起着很好的作用。然而，它忽略了卷积核在不同空间位置和预测因子下适应空气湿度的时空能力，因此无法反映空气湿度的时空差异，大都存在着预测不精准的问题。因此寻找一种高效且准确的预测空气湿度的方法，具有十分重要的意义。

技术实现思路

[0004]本专利技术所要解决的技术问题是：传统的空气湿度预测模型使用相同的网络权重来模拟空气湿度和预测变量之间的时空关系，但是忽略了卷积核在不同空间位置和预测因子下适应空气湿度的时空能力，因此无法反映空气湿度的时空差异，大都存在着预测不精准的问题。
[0005]为解决上述技术问题，本专利技术采用以下技术方案：一种基于GN
‑
RBF的空气湿度预测方法，针对目标区域，执行以下步骤，获得以当前时刻为起点的预设未来时间段内目标区域的预测空气湿度：步骤A：针对目标区域，基于预设采样间隔、以及预设栅格划分，获得目标区域中各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据；进而剔除异常空气湿度数据，并填补序列空缺空气湿度数据，更新目标区域中各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据；步骤B：针对目标区域中各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据，进行归一化处理，然后进行时空匹配获得各栅格区域分别对应的空气湿度数据序列；步骤C： 基于各栅格区域分别对应的空气湿度数据序列，利用以当前时刻为终点的预设历史时间段内各栅格区域分别对应的空气湿度数据序列为输入、以当前时刻为起点的预设未来时间段内各栅格区域分别对应的空气湿度数据序列为输出的空气湿度预测模
型，获得各栅格区域分别对应的预测空气湿度数据序列；步骤D：基于各栅格区域分别对应的预测空气湿度数据序列，针对相同采样时刻的各栅格区域空气湿度数据的均值作为目标区域在该采样时刻的预测空气湿度，即获得以当前时刻为起点的预设未来时间段内目标区域的预测空气湿度。
[0006]优选的，所述步骤C中，针对所述空气湿度预测模型，在训练的过程中通过蚁群算法优化Gauss
‑
Newton算法，对空气湿度预测模型的预设各待优化参数进行优化，获得最优各待优化参数，进而基于最优各待优化参数训练构建空气湿度预测模型，具体过程如下：步骤C1：基于预设各待优化参数组成的待优化参数向量，结合空气湿度预测模型的目标函数，迭代执行以下步骤：步骤C1.1：基于待优化参数向量，结合空气湿度预测模型的目标函数，获得当前迭代中待优化参数向量对应的雅可比矩阵和空气湿度预测模型误差，表示第n次迭代中对应的待优化参数向量；步骤C1.2：基于当前迭代中待优化参数向量对应的雅可比矩阵和空气湿度预测模型误差，获得当前迭代中待优化参数向量对应的增量；；步骤C1.3：针对当前迭代中待优化参数向量对应的增量，判断中各数据是否小于预设变化增量，若中各数据均小于变化增量，停止迭代，当前迭代中的待优化参数向量作为最优各待优化参数；若中存在数据不小于变化增量，则通过步骤a
‑
d，获得待优化参数向量对应的最优增量方向，进而基于最优增量方向令，返回步骤C1.1；步骤a：基于预设数量蚂蚁，构建有向图；有向图中每个节点连接有预设数量代表增量方向的边，边的数量与蚂蚁数量相同；步骤b：基于有向图，每只蚂蚁基于其对应的禁忌表、以及每条代表增量方向的边的信息素进行方向选择；禁忌表包含蚂蚁当前已经选择过的方向，禁忌表第一个元素为蚂蚁初始放置的方向，为初始时以对应的点为圆心，各蚂蚁在圆心被放置的方向；步骤c：更新禁忌表，分别判断各蚂蚁对应的禁忌表是否包含全部增量方向，若所有蚂蚁对应的禁忌表均包含全部增量方向，则当前迭代结束，执行步骤d；若存在蚂蚁对应的禁忌表不包含全部增量，则禁忌表不包含全部增量的蚂蚁返回执行步骤b；步骤d：迭代数加一，判断当前迭代次数是否达到最大迭代次数，若达到预设最大迭代次数，迭代结束，基于当前每条代表增量方向的边的信息素获得最优的增量方向；若没有达到最大迭代次数，更新有向图中每条边的信息素，返回步骤b。
[0007]优选的，所述空气湿度预测模型通过训练RBF神经网络获得。
[0008]优选的，所述预设各待优化参数包括网络中各连接权重。
[0009]优选的，所述步骤A中，通过孤立森林方法剔除异常空气湿度数据，并采用前后数据填充方法填补序列空缺空气湿度数据。
[0010]优选的，所述步骤A中，通过孤立森林方法剔除异常空气湿度数据，具体过程如下：步骤A1：针对目标区域中各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据，构建预设数量孤立树；步骤A2：基于构建的预设数量孤立树，将一个栅格区域一个采样时刻对应的空气湿度数据作为一个样本，通过以下公式，获得各样本分别对应的异常分数：；其中，；；式中，表示个样本中的样本在对应的异常分数，为样本在孤立树中从根节点到样本所在叶子节点的路径长度，为样本在所有孤立树中从根节点到样本所在叶子节点的路径长度期望值，为用个样本构建一颗孤立树的平均路径长度；为样本从树的根节点到样本所在叶子节点的过程中经历的边的个数；表示和样本同在一个叶子节点样本的个数，表示用 条样本构建一颗孤立树的平均路径长度；为调和数，，为欧拉常数；步骤A3：基于每个样本对应的异常分数，剔除不满足预设异常得分的样本。
[0011]优选的，所述步骤B中，针对目标区域中各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据，具体执行以下步骤，进行归一化处理：；式中，为归一化后的空气湿度数据，为原始空气湿度数据，为各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据中的最大值，为各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据中的最小值。
[0012]一种基于GN
‑
RBF的空气湿度预测方法的系统，包括数据获取模块、数据处理模块、空气湿度预测模块、空气湿度输出模块；针对目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GN
‑
RBF的空气湿度预测方法，其特征在于：针对目标区域，执行以下步骤，获得以当前时刻为起点的预设未来时间段内目标区域的预测空气湿度：步骤A：针对目标区域，基于预设采样间隔、以及预设栅格划分，获得目标区域中各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据；进而剔除异常空气湿度数据，并填补序列空缺空气湿度数据，更新目标区域中各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据；步骤B：针对目标区域中各栅格区域在以当前时刻为终点的预设历史时间段内各采样时刻分别对应的空气湿度数据，进行归一化处理，然后进行时空匹配获得各栅格区域分别对应的空气湿度数据序列；步骤C： 基于各栅格区域分别对应的空气湿度数据序列，利用以当前时刻为终点的预设历史时间段内各栅格区域分别对应的空气湿度数据序列为输入、以当前时刻为起点的预设未来时间段内各栅格区域分别对应的空气湿度数据序列为输出的空气湿度预测模型，获得各栅格区域分别对应的预测空气湿度数据序列；步骤D：基于各栅格区域分别对应的预测空气湿度数据序列，针对相同采样时刻的各栅格区域空气湿度数据的均值作为目标区域在该采样时刻的预测空气湿度，即获得以当前时刻为起点的预设未来时间段内目标区域的预测空气湿度。2.根据权利要求1所述一种基于GN
‑
RBF的空气湿度预测方法，其特征在于：所述步骤C中，针对所述空气湿度预测模型，在训练的过程中通过蚁群算法优化Gauss
‑
Newton算法，对空气湿度预测模型的预设各待优化参数进行优化，获得最优各待优化参数，进而基于最优各待优化参数训练构建空气湿度预测模型，具体过程如下：步骤C1：基于预设各待优化参数组成的待优化参数向量 ，结合空气湿度预测模型的目标函数，迭代执行以下步骤：步骤C1.1：基于待优化参数向量，结合空气湿度预测模型的目标函数，获得当前迭代中待优化参数向量对应的雅可比矩阵和空气湿度预测模型误差，表示第n次迭代中对应的待优化参数向量；步骤C1.2：基于当前迭代中待优化参数向量对应的雅可比矩阵和空气湿度预测模型误差，获得当前迭代中待优化参数向量对应的增量；；步骤C1.3：针对当前迭代中待优化参数向量对应的增量，判断中各数据是否小于预设变化增量，若中各数据均小于变化增量，停止迭代，当前迭代中的待优化参数向量作为最优各待优化参数；若中存在数据不小于变化增量，则通过步骤a
‑
d，获得待优化参数向量对应的最优增量方向，进而基于最优增量方向令
，返回步骤C1.1；步骤a：基于预设数量蚂蚁，构建有向图；有向图中每个节点连接有预设数量代表增量方向的边，边的数量与蚂蚁数量相同；步骤b：基于有向图，每只蚂蚁基于其对应的禁忌表、以及每条代表增量方向的边的信息素进行方向选择；禁忌表包含蚂蚁当前已经选择过的方向，禁忌表第一个元素为蚂蚁初始放置的方向，为初始时以对应的点为圆心，各蚂蚁在圆心被放置的方向；步骤c：更新禁忌表，分别判断各蚂蚁对应的禁忌表是否包含全部增量方向，若所有蚂蚁对应的禁忌表均包含全部增量方向，则当前迭代结束，执行步骤d；若存在蚂蚁对应的禁忌表不包含全部增量，则禁忌表不包含全部增量的蚂蚁返回执行步骤b；步骤d：迭代数加一，判断当前迭代次数是否达到最大迭代次数，若达到预设最大迭代次数，迭代结束，基于当前每条代表增量方向的边的信息素获得最优的增量方向；若没有达到最大迭代次数，更新有向图中每条边的信息素，返回步骤b。3.根据权利要求1所述一种基于GN
‑
RBF的空气湿度预测方法，其特征在于：所述空气湿度预测模型通过训练RBF神经网络获得。4.根据权利要求2所述一种基于GN
‑
RBF的空气湿度预测方...

【专利技术属性】
技术研发人员：秦华旺，时亚楠，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：